Fog Computing es un paradigma que tiene cabida entre Cloud Computing y el IoT y tiene como objetivo desplazar la capacidad de cómputo lo más cerca posible de dónde la información sea producida, con el fin de reducir el tiempo de respuesta y el ancho de banda a la vez de incrementar la seguridad en aplicaciones críticas y distribuidas
Los sistemas auto-adaptativos son aquellos capaces de modificar su comportamiento en tiempo de ejecución con el objetivo de conseguir mantener una cierta calidad de servicio (ej: minimizar la latencia, el consumo de energía o maximizar la usabilidad del sistema).
El enfoque de desarrollo de software basado en una Línea de Productos Software (LPS) propone una metodología y técnicas para la gestión y reutilización de artefactos software que forman parte de una familia de productos.
Aunque el software no consume energía directamente, sí que incide enormemente en el gasto energético del hardware donde se ejecuta. Este impacto del software en el consumo de energía no es precisamente despreciable, especialmente si pensamos en los millones de dispositivos y de veces que se ejecuta cierto código.
En el desarrollo y mantenimiento de software inteligente y de las nuevas redes 5G es imprescindible asegurar su sostenibilidad reduciendo su impacto climático, manteniendo la eficiencia e incluyendo objetivos típicos de la economía y sociedad digitales actuales.
Abordamos las Ciudades Inteligentes desde una aproximación holística, produciendo I+D+i para mejorar el nivel de desarrollo y gestión de la ciudad en un amplio rango de servicios usando tecnologías de la información y las comunicaciones.
En esta línea de investigación se usa hardware especializado para la construcción de sistemas inteligentes que posteriormente puedan ser utilizados en aplicaciones del mundo real que trabajan en entornos cambiantes y con incertidumbre, que utilizan grandes cantidades de datos y que tienen restricciones temporales muy importantes.
En este línea de investigación se definen métodos de inteligencia artificial (optimización, ciencia de datos, aprendizaje máquina y profundo) para medir y evaluar la calidad del software en diferentes ejes: funcionalidad, rendimiento, seguridad, confiabilidad, usabilidad, mantenibilidad, compatibilidad y portabilidad.
En esta línea de investigación usamos la Inteligencia Artificial (IA) al servicio de la Ingeniería del Software (IS). Usamos conceptos complejos de optimización junto con aprendizaje máquina y ciencia de datos para resolver problemas en Ingeniería del Software: pruebas, reparación de software, líneas de productos software, herramientas de programación inteligentes, etc.
Muchos problemas de optimización del mundo real se formulan en base a dos o más funciones contrapuestas que han de optimizarse a la vez. Resolver estos problemas con métodos exactos suele ser inviable, por lo que técnicas no exactas como las metaheurísticas son ampliamente usadas en este contexto.
