Examinando por Autor "Martin Alaez, Manuel"

Mostrando 1 - 2 de 2

ANONIMIZACIÓN DE DATOS: MÉTODOS Y ANÁLISIS DE RIESGO
(Universidad Rey Juan Carlos, 2023-11-09) Martin Alaez, Manuel
Este Trabajo de Fin de Grado (TFG) se adentra en el complejo y dinámico campo de la anonimización de datos, un área de creciente importancia en la era digital, donde la privacidad de los datos se enfrenta constantemente a nuevos desafíos. El trabajo comienza con una introducción al contexto y alcance del estudio, seguido del concepto de anonimización de datos, sus aplicaciones críticas, y una revisión histórica de su evolución conceptual. Se pone especial énfasis en las consideraciones éticas y legales actuales que rodean la privacidad de los datos. Adentrándose en los fundamentos técnicos, el documento analiza los conceptos básicos de la anonimización de datos, incluyendo métodos establecidos como k-anonimización, l-diversidad, y t-closeness, resaltando su relevancia y limitaciones. El estudio luego continúa con la privacidad diferencial, un paradigma emergente que promete mayor seguridad, discutiendo su operación y aplicaciones, particularmente el Mecanismo de Laplace. Posteriormente, se aborda el análisis de riesgo en la anonimización, proporcionando un marco para calcular el riesgo y un análisis exhaustivo de los métodos, incluyendo motivaciones para el uso de las diferentes técnicas específicas como el método de Laplace. El TFG concluye con un resumen de los hallazgos clave, implicaciones prácticas y propuestas para investigaciones futuras en este campo vital. Mediante su análisis, este TFG destaca la continua necesidad de enfoques robustos para la anonimización de datos, sugiriendo un equilibrio entre utilidad de datos y privacidad, y llamando a la innovación constante frente a las amenazas emergentes a la privacidad de los datos.
MIGRACIÓN DE PROCESOS ANALÍTICOS DESDE RDBMSS A BIG DATA (POSTGRESQL VS PRESTODB)
(Universidad Rey Juan Carlos, 2023-11-09) Martin Alaez, Manuel
Este Trabajo de Fin de Grado se centra en la migración de un sistema de gestión de bases de datos de PostgreSQL a PrestoDB en un contexto de Big Data, con el objetivo principal de reducir costos operativos y aumentar la eficiencia y velocidad de procesamiento de datos. La iniciativa fue impulsada por la capacidad de PrestoDB para funcionar en un modelo de pago por demanda, contrario al de PostgreSQL que requiere servidores en constante funcionamiento, representando así una opción más económica y sustentable. Además, PrestoDB se destaca por su habilidad superior para ejecutar consultas ad-hoc en grandes conjuntos de datos, característica esencial en entornos de Big Data. A lo largo de la migración, se identificaron y superaron múltiples desafíos técnicos, especialmente relacionados con diferencias en la gestión de vistas, seguridad, funciones de ventana y manipulación de geometrías entre ambos sistemas. La metodología ágil fue fundamental en este proceso, facilitando una adaptación rápida y efectiva a los problemas encontrados. La transición resultó en una adopción exitosa de PrestoDB por parte de los analistas de datos, quienes reportaron una notable mejora en la velocidad y eficacia del procesamiento de datos. El proyecto concluyó con una migración exitosa que no solo mejoró significativamente la eficiencia operativa, sino que también redujo los costos, aspecto vital en el clima económico actual. Este TFG sirve como un estudio de caso valioso, demostrando que, a pesar de los desafíos potenciales, la migración cuidadosa a sistemas más eficientes y rentables como PrestoDB es no solo viable sino también profundamente beneficiosa.