http://www.dspace.espol.edu.ec/handle/123456789/50566 Maestría en Ciencias de la Computación Mon, 18 May 2026 05:50:56 GMT 2026-05-18T05:50:56Z http://www.dspace.espol.edu.ec/handle/123456789/68297 Metodología para la recolección y curación de un dataset de aplicaciones serverless (desarrolladas con Serverless Framework y AWS Lambda) de código abierto en GitHub para su caracterización Chávez Moreno, Ángel Camilo; Abad Robalino, Cristina Lucía, Director Function-as-a-Service (FaaS) is at the core of serverless computing, enabling developers to easily deploy applications without managing computing resources. With an Infrastructure-as- Code (IaC) approach, frameworks like the Serverless Framework use YAML configurations to define and deploy APIs, tasks, workflows, and event-driven applications on cloud providers, promoting zero-friction development. As with any rapidly evolving ecosystem, there is a need for updated insights into how these tools are used in real-world projects. Building on the methodology established by the Wonderless dataset for serverless computing (and applying multiple new filtering steps), OpenLambdaVerse addresses this gap by creating a dataset of current GitHub repositories that use the Serverless Framework in applications that contain one or more AWS Lambda functions. We then analyze and characterize this dataset to get an understanding of the state-of-the-art in serverless architectures based on this stack. Through this analysis we gain important insights on the size and complexity of current applications, which languages and runtimes they employ, how are the functions triggered, the maturity of the projects, and their security practices (or lack of). OpenLambdaVerse thus offers a valuable, up-to-date resource for both practitioners and researchers that seek to better understand evolving serverless workloads. Index Terms: serverless, serverless computing, function-as-aservice, cloud computing, characterization, repository mining. Funcion como servicio, o Function-as-a-Service (FaaS) es la base de la computación serverless, permitiendo a los desarrolladores implementar aplicaciones fácilmente sin administrar recursos informáticos. Con un enfoque de Infraestructura como Código (IaC), frameworks como Serverless Framework utilizan configuraciones YAML para definir e implementar APIs, tareas, flujos de trabajo y aplicaciones basadas en eventos en proveedores de la nube, lo que promueve un desarrollo sin fricciones. Como ocurre con cualquier ecosistema en rápida evolución, se necesitan conocimientos actualizados sobre cómo se utilizan estas herramientas en proyectos reales. Basándose en la metodología establecida por el dataset Wonderless para computación serverless (y aplicando múltiples pasos de filtrado nuevos), OpenLambdaVerse aborda esta deficiencia mediante la creación de un conjunto de datos de repositorios actuales de GitHub que utilizan Serverless Framework en aplicaciones que contienen una o más funciones de AWS Lambda. Posteriormente, analizamos y caracterizamos este conjunto de datos para comprender el estado del arte en arquitecturas sin servidor basadas en este stack. A través de este análisis, obtenemos información importante sobre el tamaño y la complejidad de las aplicaciones actuales, los lenguajes y entornos de ejecución que emplean, cómo se activan las funciones, la madurez de los proyectos y sus prácticas de seguridad (o su ausencia). OpenLambdaVerse ofrece así un recurso valioso y actualizado tanto para profesionales como para investigadores que buscan comprender mejor la evolución de las cargas de trabajo sin servidor. Wed, 01 Jan 2025 00:00:00 GMT http://www.dspace.espol.edu.ec/handle/123456789/68297 2025-01-01T00:00:00Z http://www.dspace.espol.edu.ec/handle/123456789/68295 Arquitectura avanzada de aprendizaje profundo para la detección de plagas camufladas en agricultura de precisión Velesaca, Henry; Sappa, Ángel Domingo, Director This thesis introduces AINet, a novel deep learning architecture designed for detecting camouflaged objects in complex and diverse environments. AINet leverages the strengths of Mamba, an efficient sequential state model for capturing long-range dependencies, and the Convolutional Block Attention Module (CBAM) for feature refinement through attention mechanisms. Detecting camouflaged objects is a significant challenge across a wide range of real-world applications, including surveillance, security, medical imaging, and autonomous systems, where objects of interest may blend into their backgrounds and evade conventional detection methods. To demonstrate its effectiveness, AINet is evaluated on multiple datasets, including standard camouflaged object detection benchmarks such as CAMO, COD10K, and NC4K, as well as pest detection datasets. Experimental results show that AINet outperforms existing state-of-the-art models. The code is publicly available on GitHub for reproducibility: https://github.com/hvelesaca/AINet. Esta tesis presenta AINet, una novedosa arquitectura de aprendizaje profundo diseñada para detectar objetos camuflados en entornos complejos y diversos. AINet aprovecha las ventajas de Mamba, un eficiente modelo de estados secuenciales para capturar dependencias de largo alcance, y Convolutional Block Attention Module (CBAM) para el refinamiento de características mediante mecanismos de atención. Detectar objetos camuflados supone un reto significativo en una amplia gama de aplicaciones del mundo real, como vigilancia, seguridad, imágenes médicas y sistemas autónomos, donde los objetos de interés pueden mimetizarse con el entorno y evadir los métodos de detección convencionales. Para demostrar su eficacia, AINet se evalúa en múltiples datasets, incluyendo benchmarks de detección de objetos camuflados como CAMO, COD10K y NC4K, así como un dataset para detección de plagas. Los resultados experimentales muestran que AINet supera a modelos recientes del estado del arte. El código está disponible públicamente en GitHub para su reproducibilidad: https://github.com/hvelesaca/AINet Thu, 01 Jan 2026 00:00:00 GMT http://www.dspace.espol.edu.ec/handle/123456789/68295 2026-01-01T00:00:00Z http://www.dspace.espol.edu.ec/handle/123456789/67385 Desarrollo de un modelo de aprendizaje profundo para la estimación de coordenadas GPS, utilizando metadatos del proceso de comunicación basado en el protocolo LoRaWAN Vera Méndez, Nelson Vicente; Realpe Robalino, Miguel Andrés, Director CONDITION FOR PUBLICATION OF PROJECT. CONDICIONAMIENTO DE PUBLICACION DE PROYECTO. Esta investigación aborda el desafío de la localización de dispositivos en espacios abiertos que se comunican de manera inalámbrica a través de redes LoRaWAN. Tradicionalmente, se emplea la tecnología GPS para la geolocalización; sin embargo, su uso implica la adición de un recurso adicional, lo cual puede elevar los costes. Por ello, se propone aprovechar la propia señal de comunicación de los dispositivos para fines de geolocalización, lo que reduce gastos y, además, ofrece versatilidad al ser una solución independiente de plataformas externas. Se desarrolló un modelo de aprendizaje profundo basado en Redes Neuronales de Grafos (GNN) para estimar coordenadas GPS, utilizando metadatos generados durante la comunicación LoRaWAN —como RSSI e información proporcionada por los gateways—. La propuesta presenta una metodología que combina métodos basados en datos—como técnicas de aprendizaje automático—con métodos teóricos fundamentados en los principios de propagación de ondas. Además, integra un enfoque mixto que reúne ambos paradigmas, aprovechando los principios físicos y las técnicas de aprendizaje automático para capturar y modelar el ruido. Esto permite equilibrar y ampliar los conjuntos de datos de manera eficiente, seleccionando y adaptando el método más adecuado para cada gateway. El estudio emplea algoritmos de clusterización como Clustering Difuso o Fuzzy C-Means (FCM), Clustering Sustractivo y Clustering Subjetivo para analizar y estructurar los datos. Los resultados destacan la efectividad del método híbrido, especialmente en gateways con mayor cantidad de datos disponibles para el desarrollo de la metodología propuesta, logrando un equilibrio entre precisión y eficiencia. Además de ser una solución para la estimación de coordenadas GPS en entornos con cobertura LoRaWAN, esta investigación ofrece un marco para optimizar la caracterización de la propagación de señales en escenarios de exteriores. El enfoque planteado aborda de manera eficiente las limitaciones inherentes a datos escasos y desbalanceados. Además, ofrece soluciones escalables para aplicaciones futuras que demanden una caracterización avanzada de la propagación de señales, incluyendo la geolocalización inteligente como una de sus principales aplicaciones, así como la reducción de interferencias, la optimización de la calidad del servicio y el diseño eficiente de redes inalámbricas. Wed, 01 Jan 2025 00:00:00 GMT http://www.dspace.espol.edu.ec/handle/123456789/67385 2025-01-01T00:00:00Z http://www.dspace.espol.edu.ec/handle/123456789/67384 Detección temprana de la enfermedad de parkinson mediante análisis multimodal de escritura a mano utilizando aprendizaje profundo Constantine Macías, Alisson Asunción; Peláez Jarrín, Colon Enrique, Director CONDITION FOR PUBLICATION OF PROJECT. CONDICIONAMIENTO DE PUBLICACION DE PROYECTO. Este estudio propone un marco metodológico para la detección temprana de la enfermedad de Parkinson (EP) mediante un análisis multimodal basado en tareas de escritura registradas mediante una tableta de dibujo, comparando la eficacia de modelos de aprendizaje profundo (Deep Learning, DL) y no profundo (Machine Learning tradicional, ML) así cómo la explicabilidad de modelos de ML. Se utilizaron dos conjuntos de datos provenientes de regiones culturalmente diversas: PaHaW (República Checa) y una base de datos propietaria recolectada en Ecuador. Estos conjuntos integran señales motoras tales como presión, azimut, altitud y coordenadas espaciales capturadas durante tareas de dibujo de espirales. El análisis comparativo reveló que los modelos de aprendizaje automático no profundo, específicamente Extra Trees y Gradient Boosting, obtuvieron precisiones destacables de hasta el 93,27% y 94,20% respectivamente, superando a las redes neuronales convolucionales (CNN) y a las redes neuronales de picos (SNN). Adicionalmente, mediante técnicas de explicabilidad basadas en SHapley Additive exPlanations (SHAP), se identificaron biomarcadores clave para la detección de la enfermedad, destacando principalmente la presión máxima ejercida por el lápiz, la repetición angular (azimut) y bajos valores de altitud. La investigación demuestra la generalización potencial de los biomarcadores identificados a través de poblaciones con características lingüísticas diferentes. Además, proporciona herramientas interpretables que facilitan el entendimiento clínico de los resultados generados por modelos predictivos complejos. Sin embargo, también se identificaron limitaciones relevantes, tales como los altos requerimientos computacionales y limitaciones en escalabilidad asociadas a las SNN, lo cual abre futuras líneas de investigación hacia la optimización de recursos y mejora en la eficiencia computacional. Wed, 01 Jan 2025 00:00:00 GMT http://www.dspace.espol.edu.ec/handle/123456789/67384 2025-01-01T00:00:00Z