ESI UCLM
HomePortadaConoce el TFG de Cristina Serrano premiado en los V Premios Máquina de Turing

Conoce el TFG de Cristina Serrano premiado en los V Premios Máquina de Turing

Cristina Serrano recibiendo el premio

Conoce el TFG de Cristina Serrano premiado en los V Premios Máquina de Turing

La Escuela Superior de Informática (UCLM) reconoció en los V Premios Máquina de Turing el Trabajo Fin de Grado de Cristina Serrano Trujillo, titulado Desarrollo de una solución automatizada de gestión de correos electrónicos basado en colas, dirigido por José Antonio de la Torre Las Heras y José Luis López-Casero Sánchez-Manjavacas. En el marco de estos premios, el proyecto recibió el 1er Premio Aula NTT Data y el 1er Premio Astrokube al mejor TFG en infraestructura Cloud.

Escuela Superior de Informática · UCLM Automatización de alertas por correo Kafka • Kubernetes • Python

Gestión automatizada de correos críticos basada en colas de eventos

Una solución orientada a eventos que convierte correos de monitorización en eventos JSON, filtra y prioriza incidencias, y ejecuta acciones automáticas para acelerar la respuesta ante fallos.

Autora: Cristina Serrano Trujillo
Tutores: J.A. de la Torre · J.L. López-Casero
Premios: Aula NTT Data + Astrokube (Cloud)
¿Qué problema resuelve?
Abrir
En operación TI, las alertas por correo se acumulan, se duplican o compiten por prioridad (warning/critical). El sistema automatiza la ingesta, normalización, filtrado y reacción para reducir ruido y acelerar la respuesta ante incidencias.

Arquitectura en 3 módulos

🖱️
1

Productor: Ingesta del buzón → Evento JSON

Conecta con el correo, extrae campos clave y publica eventos en Kafka.

2

Filtrado: prioriza, deduplica y decide

Servicio en Python que mantiene estado y aplica reglas según criticidad y contexto.

3

Consumidores: acciones automáticas

Microservicios que disparan tareas de automatización según el tipo y urgencia de la alerta.

Idea clave: arquitectura orientada a eventos
Abrir
Convertir correos en eventos facilita desacoplar componentes, escalar y mejorar la resiliencia del sistema.

Impacto

✨ Beneficios
↓ Ruido operativo

Menos duplicados y menos alertas irrelevantes gracias al filtrado.

↑ Respuesta ante fallos

Priorización y acciones automáticas para ganar tiempo en críticos.

↗ Escalabilidad cloud

Diseño preparado para crecer con carga y servicios.

✓ Trazabilidad eventos

Eventos estructurados para auditar decisiones y estados.

Tecnologías (síntesis)

🧩 Tecnologías empleadas

Mensajería & eventos

Kafka · topics · eventos JSON

Cloud & orquestación

Kubernetes · contenedores · resiliencia

Automatización

Python · filtrado · ejecución de tareas

Créditos
Autora: Cristina Serrano Trujillo · Tutores: José Antonio de la Torre Las Heras y José Luis López-Casero Sánchez-Manjavacas.
Premios: 1er Premio Aula NTT Data · 1er Premio Astrokube al mejor TFG en infraestructura Cloud.

Un problema real: alertas que llegan, pero nadie gestiona a tiempo

En muchas infraestructuras TI, los sistemas de monitorización envían correos de alerta (espacio en disco insuficiente, caídas de servicios, fallos en copias de seguridad, etc.). Cuando esas alertas no se procesan a tiempo, pueden derivar en incidentes graves: desde pérdida de copias de seguridad hasta interrupciones de servicio. El TFG de Cristina aborda precisamente este desafío con un objetivo claro: automatizar el tratamiento de los correos críticos para que ningún aviso importante se pierda, y para que cada mensaje se gestione según su urgencia.

Cómo funciona la solución (a alto nivel)

El sistema propone una arquitectura orientada a eventos en la que cada correo se transforma en un evento y se enruta por un “corazón” de mensajería en tiempo real basado en Kafka, desplegado en Kubernetes, lo que facilita la escalabilidad y la recuperación ante caídas. La solución se divide en tres módulos principales:

  1. Productor de correos: conecta con un buzón real, extrae los mensajes (habitualmente generados por herramientas de monitorización), los transforma a JSON estructurado y los publica en un topic general. Para la conexión, se emplea EWS, junto con autenticación moderna mediante Azure Active Directory y OAuth 2.0.
  2. Servicio de filtrado: implementado en Python con Faust, analiza campos relevantes (host, servicio, estado…), mantiene una “memoria” del último estado conocido y decide si una alerta debe reenviarse, descartarse o resolverse, aplicando una lógica de prioridades (por ejemplo, descartar una warning si ya existe una crítica activa).
  3. Consumidores especializados: microservicios en Python que convierten eventos en acciones, lanzando tareas automatizadas mediante Rundeck. Se contemplan distintos flujos según criticidad, incluyendo esperas inteligentes (p.ej. warnings en ventana temporal) y gestión de casos ambiguos.
Comparte con:
Valora este artículo