26 de octubre de 2026
Patrones de Diseño en el Desarrollo Back-end Aplicados a la Arquitectura de Microservicios
Adriano Lucas Rodrigues de Almeida; Heinrich da Solidade Santos
DOI: 10.22167/2675-6528-202600508
Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.
Resumen
La creciente demanda de sistemas de alta disponibilidad impuso la necesidad de equilibrar la escalabilidad y la mantenibilidad evolutiva. Las arquitecturas monolíticas, aunque inicialmente simples, se volvieron insostenibles en escenarios de alta demanda, limitadas por bloqueos de I/O síncronos y acoplamiento excesivo. Se realizó un estudio experimental para analizar la aplicación de Patrones de Diseño en la refactorización de un sistema acortador de URLs monolítico a una arquitectura de microservicios distribuida. El objetivo principal fue validar cómo la utilización estructurada de patrones como “Strategy”, “Repository” y “Proxy” posibilitó el desacoplamiento necesario para implementar estrategias de persistencia políglota y procesamiento asíncrono. La metodología consistió en el desarrollo de prototipos comparativos y la ejecución de pruebas de carga con la herramienta k6. Los resultados demostraron que la adopción rigurosa de estos patrones no solo mitigó la complejidad de la distribución, sino que superó los cuellos de botella del modelo centralizado, mantuvo la latencia de lectura estable y garantizó ganancias significativas de rendimiento y resiliencia. Se concluyó que la arquitectura de microservicios, estructurada bajo patrones como Arquitectura Hexagonal y Event-Driven, y utilizando persistencia políglota, cumplió con éxito los requisitos de rendimiento bajo alta concurrencia, superando las limitaciones del modelo monolítico.
Palabras clave: Rendimiento; Escalabilidad; Persistencia políglota; Refactorización; Sistemas distribuidos.
1. Introducción
El avance continuo de la transformación digital ha impulsado una demanda creciente de soluciones de software que se destacan por su escalabilidad, flexibilidad y facilidad de mantenimiento. En este escenario dinámico, el desarrollo back-end asume un papel crucial en la arquitectura de sistemas distribuidos y de alta disponibilidad. La creciente adopción de la arquitectura de microservicios, en particular, ha permitido la concepción de aplicaciones compuestas por módulos independientes y cohesos, capaces de operar de forma autónoma y eficiente.
La utilización de patrones de diseño, conocidos como “Design Patterns”, ha surgido como una estrategia fundamental para asegurar la calidad, la reutilización de código y la cohesión entre los componentes en arquitecturas de software complejas (Fowler, 2010; Pautasso, 2014). Estas soluciones consolidadas para problemas recurrentes en el desarrollo de sistemas fueron formalizadas en la obra seminal de Gamma et al. (1994). Desde entonces, su aplicación en la ingeniería de software ha sido vasta, contribuyendo significativamente a la legibilidad y la escalabilidad de las aplicaciones.
Con el auge de los microservicios, la relevancia de los patrones de diseño se ha intensificado. Se han vuelto esenciales para establecer principios arquitectónicos y buenas prácticas que facilitan la integración entre Interfaces de Programación de Aplicaciones (APIs), la segregación de responsabilidades y el versionado de servicios (Bogner et al., 2019). La ausencia de una estructuración rigurosa, especialmente en la transición de sistemas monolíticos a distribuidos, frecuentemente resulta en complejidad accidental y desafíos de orquestación, comprometiendo la eficiencia y la mantenibilidad del sistema.
Además, la evolución de los frameworks modernos y de las plataformas basadas en APIs RESTful ha redefinido la comunicación entre sistemas. La literatura especializada enfatiza que el diseño arquitectural de APIs debe seguir directrices que impactan directamente la calidad del software, abarcando aspectos como rendimiento, usabilidad y gobernanza (Fielding y Taylor, 2002; Massé, 2011; Kotstein y Bogner, 2021). Estos principios son igualmente cruciales para la eficiencia de pruebas automatizadas y validación de carga, prácticas indispensables en entornos back-end, como el ecosistema Node.js, que exige alta confiabilidad y tratamiento eficiente de I/O no bloqueante.
La elección de este tema se justifica por su relevancia práctica y científica. La escalabilidad, según la define Kleppmann (2017), no es una característica unidimensional, sino la capacidad de un sistema para manejar el aumento de la carga de trabajo manteniendo la fiabilidad. Desde esta perspectiva, la demanda de aplicaciones en entornos distribuidos, que se adhieren a los principios de autonomía y despliegue independiente (Newman, 2021), ha crecido para superar los cuellos de botella del procesamiento síncrono inherentes a las arquitecturas monolíticas, garantizando la evolución segura de sus interfaces a través del versionado de servicios (Bogner et al., 2019). Académicamente, existe una brecha por llenar en cuanto a la aplicación estructurada de patrones de diseño en back-ends modernos, y esta investigación pretende contribuir con un estudio que conecte patrones arquitectónicos con la eficiencia en sistemas de software.
Por lo tanto, este proyecto tuvo como objetivo analizar la aplicación de patrones de diseño en el desarrollo back-end desde la perspectiva de la arquitectura de microservicios. A través de un estudio experimental de un acortador de URLs, se buscó demostrar cómo el uso estructurado de patrones como “Strategy”, “Repository” y “Proxy” impactó el rendimiento, la latencia y la mantenibilidad, pilares fundamentales de los sistemas de software definidos por Kleppmann (2017).
2. Material y Métodos
La investigación se caracterizó como un estudio experimental de naturaleza aplicada y cuantitativa, enfocado en el análisis comparativo de rendimiento entre arquitecturas de software. El estudio se llevó a cabo en un entorno de desarrollo controlado, ubicado en el municipio de Diadema, SP, durante el primer semestre de 2026. La metodología consistió en la implementación de dos prototipos funcionales de un sistema acortador de URLs, sometidos a pruebas de estrés automatizadas para la recolección de métricas de escalabilidad y latencia.
Para el Escenario A, que representó la arquitectura monolítica, se optó por MongoDB (v7.0) como base de datos NoSQL orientada a documentos. Se empleó como un repositorio centralizado para entidades de negocio, como URLs y registros de acceso. La configuración tuvo como objetivo simular un acoplamiento de datos y un punto de contención de E/S, permitiendo el análisis de rendimiento bajo carga concentrada. La implementación de este escenario estuvo disponible en un repositorio específico (Almeida, 2026a).
En contraste, el Escenario B, correspondiente a la arquitectura de microservicios, adoptó el principio de persistencia políglota. Para la optimización del rendimiento, se integró Redis (v7.2) como un almacenamiento de estructuras de datos en memoria de alto rendimiento. Su función primordial consistió en actuar como caché para lecturas de baja latencia y como message broker, utilizando la función Redis Streams para facilitar el desacoplamiento asíncrono entre los servicios.
Complementariamente, el Apache Cassandra (v4.1), una base de datos distribuida wide-column, fue seleccionado para el servicio de Worker. Su arquitectura fue optimizada para escenarios de escrituras masivas, siendo ideal para el almacenamiento de logs de auditoría y datos analíticos (Lakshman y Malik, 2010). La documentación técnica detallada sobre este escenario y los patrones de diseño aplicados, como “Strategy”, “Repository” y “Proxy”, estuvo disponible en otro repositorio (Almeida, 2026b).
Los dos prototipos funcionales se desarrollaron para aislar las variables de arquitectura y patrones de diseño. El Escenario A (Monolito) se implementó siguiendo el patrón arquitectónico Model View Controller (MVC) básico, con toda la lógica de acortamiento, redireccionamiento y registro de logs residiendo en una única aplicación Express.js, acoplada directamente a MongoDB. El procesamiento de las solicitudes ocurrió de forma síncrona.
El Escenario B (Microsservicios) se construyó aplicando rigurosamente Patrones de Diseño del catálogo GoF (Gamma et al., 1994) y principios de Arquitectura Hexagonal (Ports and Adapters). El sistema se fragmentó en componentes autónomos, incluyendo una API Gateway implementada con el patrón Proxy Inverso, un Servicio de Acortamiento (Shortener) utilizando el patrón Strategy para la generación de claves únicas, y un Servicio Worker (Procesador) para el procesamiento asíncrono de eventos vía Redis Streams y persistencia en Cassandra.
Para la ejecución de las pruebas de estrés y la recopilación de métricas de rendimiento, se utilizó la herramienta k6 (Grafana Labs), una solución de código abierto enfocada en el rendimiento. Los scripts de prueba de carga se desarrollaron en JavaScript, simulando miles de usuarios virtuales (VUs) con bajo consumo de recursos de la máquina generadora de carga (Grafana Labs, n.d.).
La visualización y el análisis de los datos recopilados en tiempo real se realizaron con Grafana, una plataforma para la observabilidad y el análisis de métricas (Chakraborty y Kundan, 2021). Grafana permitió la creación de dashboards personalizados para monitorear la latencia (p95, p99), el rendimiento (throughput) y las tasas de error durante la ejecución de las pruebas, ofreciendo una representación visual del comportamiento de cada arquitectura bajo estrés.
El protocolo de prueba siguió una estrategia de aumento progresivo de carga, conocida como Ramp-up, dividida en etapas cronometradas. La carga partió de 100 VUs y alcanzó un pico de 1.000 VUs en un intervalo total de aproximadamente seis minutos. Para cada etapa, se recopilaron métricas de rendimiento específicas.
Las métricas de rendimiento recopiladas incluyeron la Latencia de Escritura (create_duration), que se refirió al tiempo transcurrido para la creación de una nueva URL acortada. También se midió la Latencia de Lectura (access_duration), que midió el tiempo para la redirección de una URL existente, y la Latencia de Acceso Viral (viral_access_duration), que cuantificó el tiempo de respuesta para accesos repetidos a URLs populares.
Adicionalmente, el Caudal (Throughput) fue registrado, representando la cantidad de solicitudes procesadas por segundo (RPS), y la Tasa de Error, que indicó el porcentaje de solicitudes que devolvieron códigos de estado HTTP 5xx o timeouts. El script de prueba incluyó una lógica probabilística para simular un escenario de “viralización”, donde el 30% de las URLs creadas recibieron accesos repetidos inmediatos, forzando la utilización de la capa de caché en el escenario de microservicios.
3. Resultados y Discusión
El análisis comparativo de los datos cuantitativos obtenidos en las pruebas de estrés, realizadas en los escenarios A (Monolítico) y B (Microsservicios), reveló diferencias significativas en el rendimiento y la escalabilidad bajo alta concurrencia. Ambos prototipos fueron sometidos a una carga de 1.000 usuarios virtuales simultáneos, utilizando la herramienta k6, lo que permitió una evaluación robusta del impacto de los patrones de diseño y la arquitectura orientada a eventos en la capacidad del sistema de acortamiento de URLs.
Los resultados del Escenario A, la arquitectura monolítica, demostraron que, si bien la aplicación mantuvo estabilidad funcional con 0% de tasa de error en solicitudes HTTP, su rendimiento se degradó severamente con el aumento de la concurrencia. Las métricas de latencia para la creación de URLs (create_duration) registraron un promedio de 887,20 ms, con un percentil 95 (p95) de 3.494,82 ms y un máximo de 5.556,87 ms, superando el límite aceptable de 2.000 ms e indicando falla. La latencia de lectura (access_duration) presentó un promedio de 288,55 ms, con p95 de 930,12 ms y máximo de 5.235,63 ms, también fallando en cumplir la meta de 500 ms. La latencia de acceso viral (viral_access_duration) fue de 282,96 ms en promedio, con p95 de 951,91 ms y máximo de 5.251,37 ms, fallando en alcanzar la meta de 100 ms. El rendimiento (throughput) fue de 895,59 solicitudes por segundo, siendo el único indicador aprobado en relación con la meta de 500 solicitudes por segundo.
El diagnóstico técnico de los cuellos de botella en el sistema monolítico apuntó al bloqueo de E/S en la escritura como el principal factor de degradación. El mecanismo de un solo hilo del Event Loop de Node.js, junto con la persistencia síncrona, resultó en un retraso considerable. El tiempo de respuesta para la creación de una URL corta (create_duration) alcanzó un percentil 95 de aproximadamente 3,5 segundos. Cuando se procesaban múltiples solicitudes de escritura simultáneamente en MongoDB, la aplicación acumulaba solicitudes en la cola de eventos, generando latencia en la capa de aplicación incluso antes de la interacción efectiva con la base de datos.
Un punto crítico adicional fue la ineficiencia en accesos repetidos, evidenciada por la métrica viral_access_duration, que se mostró estadísticamente similar o incluso superior a la access_duration (951 ms frente a 930 ms, respectivamente). Este resultado demostró la ausencia de un mecanismo de caché eficaz, haciendo que las solicitudes repetidas continuaran consumiendo recursos de disco y procesamiento de la base de datos principal, agravando la congestión general del sistema. La degradación exponencial de la latencia, observada a partir de 500 Usuarios Virtuales, indicó la saturación de los recursos y el límite de procesamiento de la arquitectura, confirmando las limitaciones de I/O bloqueante en entornos single-threaded (Tilkov y Vinoski, 2010).
El análisis del tiempo de bloqueo de solicitud (Request Blocked) demostró que el cliente de prueba de carga (k6) operó de manera eficiente, con tiempos de espera insignificantes en el orden de microsegundos. Esto comprobó que la congestión y la degradación de la latencia ocurrieron exclusivamente en el lado del servidor, después de la recepción de las solicitudes. Este hallazgo reforzó la tesis de que los sistemas de un solo hilo son sensibles a operaciones bloqueantes, donde la contención de recursos en la base de datos centralizada neutraliza la eficiencia del Event Loop, llevando al colapso del rendimiento.
La latencia de escritura (create_duration) en el monolito exhibió un comportamiento no lineal, segmentado en tres fases. Inicialmente, de 0 a aproximadamente 200 VUs, la latencia creció linealmente y de forma controlada, con el Event Loop gestionando las solicitudes y operaciones de I/O sin colas de espera significativas. Entre 200 y 500 VUs, hubo un punto de inflexión con una escalada acentuada de la latencia, indicando que la capacidad de procesamiento del Event Loop estaba siendo superada. Finalmente, en la fase de saturación, de 500 a 1.000 VUs, la latencia asumió un comportamiento exponencial, culminando en el p95 de 3.494,82 ms, con la mayoría de los usuarios enfrentando esperas superiores a 3 segundos. Este comportamiento confirmó el bloqueo del hilo principal, donde operaciones de logging y persistencia competían por los mismos ciclos de CPU, degradando el rendimiento global del sistema.
La evaluación experimental de la arquitectura monolítica permitió concluir que, si bien el sistema demostró estabilidad estructural y mantuvo la conectividad HTTP activa durante toda la prueba, falló categóricamente en cumplir con los requisitos de rendimiento y confiabilidad bajo alta demanda. El principal cuello de botella se identificó en el alto acoplamiento entre el Event Loop de Node.js y las operaciones bloqueantes de E/S con la base de datos. La latencia de escritura, que alcanzó los 3,49 segundos en el p95, evidenció que el procesamiento secuencial de reglas de negocio, persistencia y registro en un solo hilo creó una barrera insuperable para la escalabilidad.
Además de la latencia, la arquitectura monolítica alcanzó su punto de saturación funcional, con la ocurrencia de 127 fallos en la confirmación de creación de registros. Bajo estrés extremo de 1.000 VUs, la base de datos centralizada se volvió incapaz de gestionar el pool de conexiones, resultando en pérdida de consistencia. La ausencia de una capa de caché agravó el problema, forzando la base de datos a reprocesar lecturas idénticas con latencia elevada, con p95 de 930 ms. Se concluyó que el modelo monolítico resultó inviable para aplicaciones que exigían garantía de entrega y baja latencia, especialmente en escenarios de carga de acceso concentrada, donde el pico de peticiones a un único recurso degradó el rendimiento de todo el sistema.
En contraste con la severa degradación observada en la arquitectura monolítica, el Escenario B (Microsservicios) demostró alta estabilidad y eficiencia bajo el mismo perfil de carga de 1.000 usuarios virtuales. La estrategia de desacoplamiento vía mensajería y el uso de persistencia políglota permitieron al sistema sostener un rendimiento de datos muy superior y mantener los tiempos de respuesta dentro de parámetros aceptables. La nueva arquitectura superó la línea de base en todos los aspectos, reduciendo la latencia de escritura en aproximadamente un 90% en comparación con el Escenario A.
Las métricas de rendimiento del Escenario B revelaron una latencia de escritura (create_duration) con un promedio de 172,78 ms, p95 de 367,88 ms y un máximo de 651,49 ms, aprobada en relación con el objetivo de 2.000 ms. La latencia de lectura (access_duration) tuvo un promedio de 183,64 ms, p95 de 373,15 ms y un máximo de 568,78 ms, aprobada en relación con el objetivo de 500 ms. La latencia general (http_req) fue de 170,74 ms en promedio, con p95 de 357,68 ms y un máximo de 651,49 ms, aprobada en relación con el objetivo de 1.000 ms. El rendimiento (throughput) alcanzó 1.533 solicitudes por segundo, superando el objetivo de 500 solicitudes por segundo.
El análisis en profundidad de los resultados permitió atribuir el salto de rendimiento, que incluyó una reducción del 90% en la latencia y un aumento de 8,5 veces en el rendimiento, a la implementación correcta de cuatro patrones arquitectónicos críticos. La arquitectura orientada a eventos (EDA) promovió un desacoplamiento temporal, optimizando sustancialmente la latencia de escritura. La transición a un modelo de “Consistencia Eventual” redujo la duración de la creación de 3.494 ms a 367,88 ms. En el escenario de microsservicios, la API Gateway adoptó el patrón Fire-and-Forget, validando el payload y persistiendo el evento en Redis Streams, una operación en memoria de complejidad O(1). La confirmación al cliente (HTTP 201/202) se envió tan pronto como el evento se puso en cola, desvinculando el tiempo de respuesta de la API del tiempo de procesamiento de la base de datos analítica, Cassandra.
Adicionalmente, Redis Streams funcionó como un mecanismo de “backpressure”, actuando como un búfer para absorber picos de solicitudes. En pruebas de estrés con 1.000 usuarios simultáneos, la base de datos Cassandra no se sobrecargó directamente. Los mensajes se acumularon en la cola y fueron consumidos por workers a una tasa controlada, lo que previno el agotamiento de recursos (Resource Starvation) que causó fallos y timeouts en el sistema monolítico. El sistema, por lo tanto, cambió la falla por una latencia de procesamiento asíncrono y garantizó la integridad de los datos sin pérdidas.
La eficacia del patrón de Segregación de Responsabilidades de Comando y Consulta (CQRS) (Fowler, 2011) fue un factor crucial. A diferencia del sistema monolítico, donde las operaciones de lectura y escritura competían por los mismos recursos de E/S del MongoDB, la nueva arquitectura segregó físicamente estas responsabilidades. Los comandos de escritura se dirigieron al microservicio Shortener, que interactuó con Redis Streams y Cassandra, mientras que las consultas de lectura se dirigieron al microservicio Redirect, que utilizó Redis Cache. Esta separación aisló el tráfico de lectura y mantuvo la estabilidad de las operaciones de redireccionamiento (access_duration) con un p95 de 373 ms, incluso bajo carga máxima de escritura en Cassandra, eliminando el efecto del “vecino ruidoso” (Noisy Neighbor) interno.
La adopción de la persistencia políglota, reemplazando una base de datos de propósito general por tecnologías especializadas, fue determinante. Cassandra, con su arquitectura basada en Log-Structured Merge-tree (LSM Tree), demostró estar optimizado para cargas de trabajo intensivas en escritura (Write-Intensive), permitiendo la ingesta masiva de datos sin el overhead de locking (Lakshman y Malik, 2010). Para la lectura, Redis, una base de datos en memoria, resultó ser la elección ideal para redireccionamientos de URL que exigieron latencia de sub-milisegundos, eliminando el tiempo de búsqueda en disco (seek time) y permitiendo el escalado lineal del rendimiento de lectura con la CPU.
El comportamiento de la latencia en el Escenario de Microsservicios difirió radicalmente del perfil exponencial del Monolito. La latencia global se mantuvo en una meseta consistente en el rango de 360 ms, sin presentar el “cuello de botella” característico de saturación. La ausencia de picos abruptos evidenció que el mecanismo de backpressure de Redis Streams funcionó como un amortiguador eficiente, protegiendo la base de datos de sobrecarga directa y garantizando previsibilidad al sistema. La duración de la solicitud (http_req_duration) ilustró la estabilidad sistémica de la arquitectura de microsservicios, con el percentil 95 (p95) fijado en aproximadamente 357 ms durante toda la ventana de prueba.
Este comportamiento demostró que la API Gateway y los servicios de borde no sufrieron degradación por concurrencia. La estabilidad de la línea, incluso en el pico de 1.000 usuarios simultáneos, indicó que el tiempo de handshake, enrutamiento y serialización de respuesta permaneció inalterado. Esto demostró que la estrategia de procesamiento asíncrono eliminó efectivamente la presión sobre el ciclo de vida de la solicitud HTTP, garantizando la independencia del tiempo de respuesta percibido por el cliente en relación con la carga de trabajo interna de los servicios de persistencia.
Un indicador crítico de éxito fue la tasa de fallos. Mientras que el monolito registró 127 errores funcionales y degradación del servicio, el Escenario B procesó 598.905 solicitudes con un 0% de error. Todas las comprobaciones de integridad, incluida la creación de URL (201) y la redirección (302), obtuvieron un 100% de éxito. Esta estabilidad absoluta validó la premisa de Sadalage y Fowler (2012) de que la persistencia políglota permitió a cada microsservicio utilizar la herramienta más adecuada para su carga de trabajo específica, lo que resultó en una resiliencia sistémica superior. Esto confirmó que la arquitectura distribuida no solo demostró ser más rápida, sino que también eliminó los tiempos de espera causados por el agotamiento del pool de conexiones y garantizó la integridad del sistema bajo estrés extremo.
La evaluación experimental del Escenario B permitió concluir que la arquitectura de microservicios, estructurada bajo los patrones Hexagonal y Event-Driven, cumplió con éxito todos los requisitos de rendimiento bajo alta concurrencia. A diferencia del modelo centralizado, que colapsó por contención de recursos, la solución distribuida demostró elasticidad lineal y sostuvo una carga de 1.000 usuarios virtuales simultáneos sin degradación perceptible de la latencia, con p95 estable en 367,88 ms. El éxito de este escenario validó la hipótesis de que el desacoplamiento temporal constituyó el factor determinante para la escalabilidad de escrituras intensivas. La introducción de Redis Streams como mecanismo de backpressure protegió efectivamente la base de datos de picos de tráfico, mientras que la especialización del almacenamiento con Cassandra y Redis eliminó los cuellos de botella de I/O de disco.
Además del rendimiento, la arquitectura demostró ser resiliente. La tasa de 0% de errores en un volumen de casi 600.000 solicitudes confirmó que la complejidad adicional de la gestión de contenedores y la orquestación se vio compensada por la garantía de disponibilidad y consistencia eventual. Se concluyó, por lo tanto, que el modelo propuesto resultó técnicamente viable y muy recomendado para sistemas que exigieron alto rendimiento y garantía de entrega (SLA) en escenarios de estrés.
El indicador más contundente de la superioridad de la arquitectura de microservicios fue la capacidad bruta de procesamiento (throughput). Al comparar la volumetría total de operaciones exitosas durante la misma ventana de prueba, se observó una disparidad de magnitud entre los escenarios. Mientras que el Monolito alcanzó su punto de saturación crítica, con la latencia de escritura superando los 3 segundos, en la marca de aproximadamente 42.000 transacciones, procesando un total de solo 69.898 solicitudes hasta que el sistema agotó sus recursos, el escenario de Microservicios se mantuvo estable y operativo hasta procesar un volumen masivo de 2.493.404 solicitudes. Esto representó un aumento de capacidad de 59,3 veces, o 5.930%.
Esta asimetría se explicó por la diferencia en el modelo de competencia. En el monolito, con solo aproximadamente 42.000 operaciones, el Event Loop de Node.js se saturó debido al I/O síncrono de la base de datos. El sistema no tuvo CPU disponible para aceptar nuevas conexiones, ya que se ocupó esperando escrituras en disco. En contraste, con 2,49 millones de operaciones, la arquitectura distribuida demostró que el uso de colas (Redis Streams) eliminó el tiempo de espera. La API Gateway funcionó como una “portería exprés”, aceptó solicitudes instantáneamente y delegó el procesamiento pesado a workers en segundo plano, lo que permitió un rendimiento masivo sin bloqueos.
En resumen, los resultados obtenidos evidenciaron que la arquitectura monolítica, aunque inicialmente simple, presentó limitaciones físicas insuperables para operaciones intensivas de E/S y alta concurrencia, fallando en atender los requisitos de rendimiento y confiabilidad. En contrapartida, la arquitectura de microservicios, estructurada bajo patrones como Arquitectura Hexagonal y Event-Driven, y utilizando persistencia políglota y segregación de responsabilidades (CQRS), demostró resiliencia, elasticidad y una capacidad de procesamiento significativamente superior. La reducción drástica de la latencia y el aumento exponencial del rendimiento validaron la tesis de que el desacoplamiento temporal y la especialización de componentes son factores fundamentales para el rendimiento a escala, a pesar de la complejidad cognitiva y operacional adicional inherente al modelo distribuido.
4. Conclusión
Este estudio buscó analizar la aplicación de patrones de diseño en el desarrollo backend desde la perspectiva de la arquitectura de microservicios, demostrando el impacto de patrones como “Strategy”, “Repository” y “Proxy” en el rendimiento, latencia y mantenibilidad de un acortador de URLs. Se verificó que la arquitectura monolítica, aunque funcional, presentó una severa degradación del rendimiento bajo alta concurrencia, con la latencia de escritura alcanzando aproximadamente 3,5 segundos en el percentil 95 y la ocurrencia de 127 fallas funcionales. Este modelo centralizado resultó inviable para escenarios de alta demanda debido al acoplamiento entre el Event Loop de Node.js y operaciones síncronas de I/O, que saturaron los recursos y comprometieron la confiabilidad. En contraste, la refactorización a una arquitectura de microservicios, estructurada bajo los patrones Hexagonal y Event-Driven, y utilizando persistencia políglota (Cassandra para escritura y Redis para lectura/caché), demostró una resiliencia y elasticidad notables. Se observó una reducción del 90% en la latencia de escritura, con el percentil 95 estabilizado en 367,88 ms, y un aumento de 59,3 veces en la capacidad de procesamiento, totalizando más de 2,4 millones de solicitudes procesadas sin errores. La adopción de una arquitectura orientada a eventos con consistencia eventual y la segregación de responsabilidades (CQRS) fueron cruciales para el desacoplamiento temporal y físico, eliminando cuellos de botella de I/O y garantizando la integridad del sistema bajo estrés extremo. La principal contribución de este trabajo reside en la validación empírica de que la aplicación estructurada de patrones de diseño y arquitectónicos es fundamental para construir sistemas backend de alto rendimiento y escalabilidad en entornos distribuidos.
A pesar de la superioridad técnica demostrada, la implementación de la arquitectura de microservicios introdujo un aumento en la complejidad cognitiva y operacional, exigiendo un mayor esfuerzo inicial de configuración e infraestructura en comparación con el modelo monolítico. Esta limitación sugiere que, para proyectos incipientes o aplicaciones con baja previsión de concurrencia, la arquitectura monolítica puede ser una opción más pragmática y económicamente viable. Se recomienda que la transición a microservicios sea impulsada por necesidades reales de escala y alta demanda, donde los beneficios de resiliencia, elasticidad y alto rendimiento superen los costos de gestión de la orquestación de contenedores y de la consistencia eventual. Estudios futuros podrían explorar metodologías para mitigar la complejidad inicial de adopción de microservicios en equipos más pequeños, así como profundizar el análisis de costo-beneficio en diferentes etapas de madurez de proyectos.
Referencias Bibliográficas
Almeida, 2026b [Referência completa não encontrada no documento original]
ALMEIDA, A. L. R. [2026]. Repo-Docs: Documentação técnica do TCC sobre Padrões de Projeto no Desenvolvimento Back-end aplicados à Arquitetura de Microsserviços MBA em Engenharia de Software. [documento eletrônico]. [S. I.]: GitHub, [2026]. Disponível em: https://github.com/url-shortener-infra/repo-docs. Acesso em: 6 fev. 2026.
BOGNER, J.; FRITZSCH, J.; WAGNER, S.; ZIMMERMANN, A. 2019. Microservices in industry: insights into technologies, characteristics, and software quality. In: IEEE INTERNATIONAL CONFERENCE ON SOFTWARE ARCHITECTURE COMPANION (ICSA-C), 2019, Hamburg, Alemanha. Anais… p. 187-195.
CHAKRABORTY, M.; KUNDAN, A. 2021. Monitoring Cloud-Native Applications: Lead the Way to SaaS with Kubernetes and Grafana. Apress, Berkeley, CA, USA.
FIELDING, R.T.; TAYLOR, R.N. 2002. Principled design of the modern web architecture. ACM Transactions on Internet Technology 2(2):115-150.
FOWLER, Μ. 2010. Richardson maturity model. Disponível em: https://martinfowler.com/articles/richardsonMaturityModel.html. Acesso em: 02 fev. 2026.
GAMMA, E.; HELM, R.; JOHNSON, R.; VLISSIDES, J. 1994. Design Patterns: Elements of Reusable Object-Oriented Software. Addison-Wesley, Reading, MA, USA.
GRAFANA LABS. n.d. k6 documentation: load testing for engineering teams. Disponível em: https://k6.io/docs/. Acesso em: 06 fev. 2026.
KLEPPMANN, M. 2017. Designing Data-Intensive Applications: The Big Ideas Behind Reliable, Scalable, and Maintainable Systems. O’Reilly Media, Sebastopol, CA, USA.
KOTSTEIN, S.; BOGNER, J. 2021. Which RESTful API design rules are important and how do they improve software quality? In: SERVICE-ORIENTED COMPUTING (SummerSOC 2021), 2021, Virtual Event, Greece. Anais… p. 154-173.
LAKSHMAN, A.; MALIK, P. 2010. Cassandra: a decentralized structured storage system. ACM SIGOPS Operating Systems Review 44(2):35-40.
MASSÉ, M. 2011. REST API Design Rulebook. O’Reilly Media, Sebastopol, CA, USA.
NEWMAN, S. 2021. Building Microservices: Designing Fine-Grained Systems. 2ed. O’Reilly Media, Sebastopol, CA, USA.
PAUTASSO, C. 2014. RESTful web services: principles, patterns, emerging technologies. p. 31-51. In: BOUGUETTAYA, A.; SHENG, Q.Z.; DANIEL, F. Web Services Foundations. Springer, New York, NY, USA.
SADALAGE, P.J.; FOWLER, M. 2012. NoSQL Distilled: A Brief Guide to the Emerging World of Polyglot Persistence. Addison-Wesley, Boston, MA, USA.
TILKOV, S.; VINOSKI, S. 2010. Node.js: using JavaScript to build high-performance network programs. IEEE Internet Computing 14(6):80-83.
Artículo originario del Trabajo de Conclusión de Curso de la Especialización en Ingeniería de Software del MBA USP/Esalq
Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy