REVISTA
ODIGOS
rodigos@uisrael.edu.ec
• e-ISSN: 2697-3405
REVISTA ODIGOS
QUITO-ECUADOR
2025
57
Período febrero - mayo • 2025
Vol. 6, Núm. 1
Herramientas y plataformas de procesamiento: Un análisis
sistemático en el contexto de IoT y Big Data
Processing tools and platforms: A systematic analysis in the context of
IoT and Big Data
Fecha de recepción: 2024-11-15 • Fecha de aceptación: 2025-01-17 • Fecha de publicación: 2025-02-10
Wilmer Antonio Moreira Sánchez
1
Universidad Técnica de Manabí, Ecuador
wilmer.moreira@utm.edu.ec
https://orcid.org/0000-0001-7772-6254
Marely del Rosario Cruz Felipe
2
Universidad Técnica de Manabí, Ecuador
marely.cruz@utm.edu.ec
https://orcid.org/0000-0003-1937-1568
Gabriel Agustín Cotera Ramírez
3
Universidad Técnica de Manabí, Ecuador
gabriel.cotera@utm.edu.ec
https://orcid.org/0000-0003-2726-8317
Gema Isabel Medranda Cobeña
4
Universidad Técnica de Manabí, Ecuador
gema.medranda@utm.edu.ec
https://orcid.org/0000-0001-6405-6976
https://doi.org/10.35290/ro.v6n1.2025.1479
REVISTA ODIGOS
QUITO-ECUADOR
2025
58
REVISTA ODIGOS • VOL.6 NUM. 1 • FEBRERO - MAYO • 2025
RESUMEN
El Internet de las Cosas (IoT, por sus siglas en inglés) ha transformado diversos sectores al permitir la
conexión y comunicación entre dispositivos inteligentes. La enorme cantidad de registros generados
en estos dispositivos requiere herramientas de Big Data para su almacenamiento, procesamiento y
análisis eciente. Este estudio presentó una revisión sistemática de la literatura con el objetivo de
identicar y evaluar las herramientas de Big Data más utilizadas en soluciones de IoT. Se utilizó la
metodología propuesta por Kitchenham, seleccionada por su enfoque estructurado y replicable, que
garantiza resultados de alta calidad al minimizar sesgos. Esta metodología facilitó la identicación
de tendencias clave y la resolución de problemas especícos como la optimización de procesos
industriales y la mejora en la toma de decisiones gerenciales mediante Big Data. A través del análisis,
se generaron preguntas de investigación que evaluaron publicaciones relevantes de los últimos cinco
años, revelando cómo Big Data ha sido implementado en IoT para gestionar grandes volúmenes de
datos, mejorar la escalabilidad y optimizar procesos en tiempo real. Las herramientas analizadas han
demostrado ser efectivas para resolver problemas concretos, como la detección de fallos y la toma
de decisiones informadas.
PALABRAS CLAVE: Big Data, Internet de las Cosas, Revisión Sistemática, Metodología Kitchenham,
Escalabilidad, Gestión de Datos
ABSTRACT
The Internet of Things (IoT) has transformed various sectors by enabling the connection and
communication between smart devices. The huge number of records generated by these devices
requires Big Data tools for their ecient storage, processing and analysis. This study presents a
systematic review of literature (SRL) with the aim of identifying and evaluating the most widely used
Big Data tools in IoT solutions. The methodology proposed by Kitchenham was used, selected for its
structured and replicable approach, which guarantees high-quality results by minimizing bias. This
methodology facilitates the identication of key trends and the resolution of specic problems, such
as the optimization of industrial processes and the improvement of managerial decision-making
through Big Data. Through the analysis, research questions were generated that evaluated relevant
publications from the last ve years, revealing how Big Data has been implemented in IoT to manage
large volumes of data, improve scalability and optimize processes in real time. The tools analyzed
have proven to be effective in solving specic problems, such as fault detection and informed
decision-making.
KEYWORDS: Big Data, Internet of Things, Systematic Review, Kitchenham Methodology, Scalability,
Data Management
REVISTA ODIGOS
QUITO-ECUADOR
2025
59
rodigos@uisrael.edu.ec
HERRAMIENTAS Y PLATAFORMAS DE PROCESAMIENTO: UN ANÁLISIS SISTEMÁTICO EN EL CONTEXTO DE IOT Y
BIG DATA
Introducción
Mediante el análisis masivo de datos originarios de fuentes digitales es habitual recurrir a
softwares y entornos de programación debido a la necesidad de extraer información valiosa para
la toma de decisiones estratégicas en diversos sectores. Estas herramientas representan un
avance signicativo, ya que revolucionan la capacidad de procesamiento de datos al ofrecer mayor
velocidad en cálculos estadísticos (Villamarín, 2024).
Por ejemplo, Apache y Spark son herramientas que son utilizadas en empresas donde permiten
identicar patrones relevantes para estrategias de ventas. En la actualidad, estos registros son
analizados y aprovechados por diferentes sistemas informáticos debido a la gran cantidad de
información que generan. Conocido como Big Data, proporcionan soporte escalable, rápido y ecaz
(Apaza y Ñamo, 2022).
La minería de datos permite dar sentido a la información y descubrir respuestas potenciales
a partir de sugerencias personalizadas basadas en la recopilación y organización de datos
(Valdivieso y Bonini, 2021). La integración de Big Data en soluciones de IoT recopila datos
mediante dispositivos en tiempo real como sensores u otros dispositivos que estén conectados
a una red. Esto incluye arquitecturas IoT análisis dee ujo de datos y validación de modelos de
predicción (Fernández, 2023).
Estas herramientas suelen utilizarse en la optimización de procesos industriales, el ámbito médico
e incluso en el desarrollo de ciudades inteligentes. Esta convergencia redene la manera en que se
toman decisiones y se gestionan recursos. En este contexto, Big Data debe cumplir con diferentes
propiedades claves:
• Volumen, se reere a la cantidad de datos generados y almacenados para procesar
información y transformarla en acciones (Miquel y Aced, 2019).
• Velocidad, relacionada con la transmisión y procesamiento de datos en tiempo real, lo cual
es crucial para la toma de decisiones (Quintero et al., 2022).
• Variedad, se reere a las fuentes según sus tipos y formas en las que se registran los datos
(Campetella et al., 2023).
• Veracidad, la veracidad que corresponde a la abilidad de la información recibida (Arroyo &
Brito, 2022).
El uso de herramientas de Big Data, fundamentadas en la infraestructura de IoT ha transformado
signicativamente la forma en que se procesan y analizan grandes volúmenes de datos a nivel
global. La capacidad de integrar dispositivos conectados que operan en tiempo real ha permitido
la creación de plataformas internacionales que consolidan información proveniente de diversas
regiones, optimizando procesos y facilitando la toma de decisiones estratégicas. Por ejemplo, en
iniciativas de sostenibilidad global, estas plataformas han sido clave para la gestión eciente de
recursos naturales y la reducción del impacto ambiental, como lo demuestran casos en sectores
como la salud y la energía renovable (Rekha et al., 2022).
REVISTA ODIGOS
QUITO-ECUADOR
2025
60
REVISTA ODIGOS • VOL.6 NUM. 1 • FEBRERO - MAYO • 2025
Paralelamente, los gobiernos han desempeñado un papel fundamental en la regulación del uso
de IoT mediante la implementación de políticas y normativas que garantizan la interoperabilidad,
la seguridad y la privacidad de los datos. Estas regulaciones son esenciales para promover un
entorno conable en el manejo de dispositivos conectados, especialmente en aplicaciones críticas
como las ciudades inteligentes. En estas, el análisis de datos de tráco y consumo energético
permite optimizar infraestructuras urbanas, reducir el uso de recursos y mejorar la calidad de vida
de los ciudadanos. Adicionalmente, los gobiernos han fomentado el desarrollo de tecnologías IoT
mediante la inversión en investigación para enfrentar retos globales como el cambio climático y la
urbanización acelerada (Ball y Degischer, 2024; Nguyen et al., 2024).
En el ámbito industrial, estas herramientas se utilizan para mejorar la eciencia operativa y facilitar
la toma de decisiones mediante el análisis del rendimiento de los dispositivos IoT. Esto permite
reducir costos y mejorar la calidad de productos y servicios (Acuña, 2023). Asimismo, el monitoreo
continuo resulta esencial a nivel sectorial, ya que permite realizar un mantenimiento predictivo de
los dispositivos IoT, reduciendo tiempos de inactividad y prolongando la vida útil de los mismos. El
uso e implementación de herramientas IoT y Big Data es indispensable en múltiples áreas ya que
maximizan y mejoran la eciencia operativa, impulsando tecnologías orientadas a experiencias
personalizadas y fomentando la sostenibilidad mediante prácticas productivas que reducen el
impacto ambiental.
En este sentido, el objetivo de la presente investigación no solo se centró en la recopilación
de estudios relevantes para la implementación de tecnologías que están transformando la
industria hacia soluciones inteligentes basadas en datos, sino también en el análisis crítico de los
resultados obtenidos. Para ello, se empleó la metodología de revisión sistemática propuesta por
Kitchenham (2004) reconocida por su rigor y enfoque replicable que permite evaluar y comparar
herramientas y enfoques de manera estructurada.
A través de esta metodología, se identicaron las fortalezas y debilidades de diversas soluciones
tecnológicas, las cuales se presentaron en cuadros comparativos que analizaron métricas clave
como escalabilidad, eciencia, facilidad de integración y aplicabilidad en el contexto del IoT y
Big Data. Además, se establecieron preguntas de investigación dirigidas a abordar las brechas
identicadas en estudios previos, proporcionando una base sólida para validar la elección de esta
metodología y justicar su relevancia en este estudio.
Metodología
La revisión sistemática de la literatura es un tipo de investigación cuyo objetivo es recopilar,
evaluar y sintetizar de manera exhaustiva estudios relevantes sobre una o varias preguntas
de investigación denidas. Este enfoque metodológico, al ser replicable, minimiza el sesgo y
aumenta la abilidad de los resultados obtenidos. El presente estudio constituyó una investigación
documental basada en la metodología propuesta por Kitchenham (2004). Esta metodología
establece protocolos para la revisión y búsqueda de información, los cuales se desarrollan a través
de las siguientes fases:
• Fase de planeación
REVISTA ODIGOS
QUITO-ECUADOR
2025
61
rodigos@uisrael.edu.ec
HERRAMIENTAS Y PLATAFORMAS DE PROCESAMIENTO: UN ANÁLISIS SISTEMÁTICO EN EL CONTEXTO DE IOT Y
BIG DATA
• Fase de implementación
• Fase de Resultados
2.1 Fase de planeación
En esta fase se estableció una base sólida de objetivos claros, preguntas de investigación bien
denidas y protocolos detallados, lo que permitió aportar signicativamente al campo de estudio.
Este enfoque garantizó que el proceso de revisión sea transparente y reproducible, aumentando
la credibilidad y utilidad de los hallazgos obtenidos. Las preguntas de investigación desarrolladas
se diseñaron con el objetivo de abordar áreas clave en la implementación de IoT, especícamente
en procesos relacionados con la gestión de datos, la toma de decisiones estratégicas y la
optimización operativa en contextos empresariales e industriales. Además, se denieron criterios
de inclusión y exclusión para orientar las búsquedas hacia investigaciones relacionadas con
estudios, implementaciones y avances tecnológicos relevantes. Las preguntas de investigación
desarrolladas se presentan de la siguiente manera:
P1 ¿Cuáles son las principales herramientas de Big Data utilizadas actualmente en soluciones de
IoT
P2 ¿Qué desafíos técnicos y operativos enfrentan las organizaciones al implementar herramientas
de Big Data en entornos IoT?
P3 Cómo han evolucionado las herramientas de Big Data para adaptarse a las necesidades
especícas de las aplicaciones IoT en los últimos años?
P4. ¿Qué tendencias emergentes se observan en el desarrollo de nuevas herramientas de Big Data
diseñadas para IoT?
2.2 Bases de datos consultadas
Se llevó a cabo una búsqueda exhaustiva de literatura cientíca en artículos académicos,
publicaciones de revistas especializadas y estudios publicados en los últimos cinco años.
Para garantizar la relevancia y calidad de las fuentes, se utilizaron bases de datos reconocidas
como IEEE Xplore, ScienceDirect, Springer, Dialnet, BASE, DOAJ y ACM. Tras aplicar los criterios
de inclusión y exclusión establecidos, se seleccionaron un total de 36 estudios, los cuales se
analizaron detalladamente en la fase de implementación de esta investigación. Este enfoque
permitió identicar las contribuciones más signicativas relacionadas con las herramientas de Big
Data y su aplicación con IoT para soluciones tecnológicas.
2.2.1. Términos booleanos utilizados
Los artículos seleccionados para este estudio fueron identicados mediante una búsqueda
sistemática basada en palabras clave especícas, utilizando operadores booleanos como OR,
NOT y AND. Esta estrategia permitió optimizar el proceso de búsqueda al combinar términos
REVISTA ODIGOS
QUITO-ECUADOR
2025
62
REVISTA ODIGOS • VOL.6 NUM. 1 • FEBRERO - MAYO • 2025
relevantes y abarcar un espectro más amplio de resultados en las bases de datos consultadas. Las
combinaciones de palabras clave utilizadas fueron las siguientes:
• “IoT” OR “Internet of Things” AND “Connected devices”
• “Tools OR Platforms” OR “Frameworks” AND “Technologies”
• “Machine Learning” AND “Articial Intelligence” OR “Deep learning”
• “Big data” AND “IoT” AND “Tools”
• “Big data” AND “IoT” AND “Scalability” OR “Platforms”
• “Aplicaciones” OR “Sistemas” AND “implementaciones” AND “Big data”
Además, se establecieron criterios de exclusión rigurosos para garantizar la relevancia y calidad
de los estudios seleccionados. Entre estos criterios, se descartaron publicaciones que no
resolvieron los problemas planteados o que fallaron en la implementación de Big Data en IoT, ya
sea por limitaciones técnicas, operativas o metodológicas. También se excluyeron artículos que
no presentaron datos empíricos sucientes, o que no abordaron soluciones prácticas aplicables
al contexto de IoT y Big Data. Este enfoque permitió centrar el análisis en estudios que ofrecieran
aportes signicativos y evidencias claras sobre la integración exitosa de estas tecnologías hacia
un entorno laboral empresarial.
2.2.2. Criterio de inclusión
Para la selección de estudios signicativos en base a estos criterios se consideró lo siguiente:
• Estudios centrados especícamente en herramientas de Big Data aplicadas a soluciones de
IoT.
• Investigaciones que evalúen el rendimiento o la ecacia de herramientas de Big Data en
entornos IoT.
• Estudios de caso que demuestren implementaciones de herramientas de Big Data en
proyectos de IoT reales.
• Investigaciones enfocadas en innovaciones, impacto, soluciones, escalabilidad y eciencia
relacionadas con Big Data en el contexto de IoT.
2.2.3. Criterio de exclusión
Se establecieron criterios de exclusión rigurosos para garantizar la relevancia y calidad de los
estudios seleccionados. Entre estos criterios, se descartaron publicaciones que no resolvieron
los problemas planteados o que fallaron en la implementación de Big Data en IoT, ya sea por
limitaciones técnicas, operativas o metodológicas. También se excluyeron artículos que no
presentaron datos empíricos sucientes, o que no abordaron soluciones prácticas aplicables al
contexto de IoT y Big Data. Este enfoque permitió centrar el análisis en estudios que ofrecieran
aportes signicativos y evidencias claras sobre la integración exitosa de estas tecnologías hacia
un entorno laboral empresarial.
REVISTA ODIGOS
QUITO-ECUADOR
2025
63
rodigos@uisrael.edu.ec
HERRAMIENTAS Y PLATAFORMAS DE PROCESAMIENTO: UN ANÁLISIS SISTEMÁTICO EN EL CONTEXTO DE IOT Y
BIG DATA
• Artículos con más de cinco años desde su publicación.
• Artículos redactados en idiomas distintos al inglés o español.
• Informes técnicos que no hayan sido revisados por pares.
• Tesis de pregrado.
2.3. Fase de implementación
El objetivo de esta fase fue responder a las preguntas de investigación planteadas mediante una
búsqueda exhaustiva de estudios que aporten información veraz de manera transparente. En la
Figura 1, se presentó el proceso de selección siguiendo el protocolo de búsqueda establecido.
Como resultado de esta fase, se seleccionaron 36 artículos publicados entre los años 2020 y 2024.
Estos estudios, identicados a través de los criterios de inclusión denidos, fueron clasicados
según el año de publicación, las bases de datos en las que se encontraron y los resultados
obtenidos, destacando su contribución a esta investigación.
Figura 1
Proceso de Selección de Artículos.
Resultados
Se identicaron un total de 120 publicaciones cientícas mediante la aplicación de la metodología
Kitchenham, las cuales fueron evaluadas de acuerdo con los criterios de inclusión y exclusión
denidos para este estudio. Tras un riguroso proceso de selección, se eligieron 36 artículos
REVISTA ODIGOS
QUITO-ECUADOR
2025
64
REVISTA ODIGOS • VOL.6 NUM. 1 • FEBRERO - MAYO • 2025
indexados en bases de datos reconocidas como IEEE Xplore, Springer, Dialnet, Science Direct,
BASE, DOAJ y ACM. Estos artículos fueron seleccionados por su relevancia, calidad metodológica y
enfoque en el análisis y aplicación de herramientas de IoT y Big Data para su implementación.
Los estudios seleccionados desempeñaron un papel clave en el desarrollo de las preguntas de
investigación, ya que proporcionaron evidencia empírica y teórica que permitió identicar las
brechas existentes en la literatura. Por ejemplo, los artículos relacionados con herramientas
especícas como Apache Hadoop y Spark contribuyeron a formular la primera pregunta de
investigación sobre las principales herramientas de Big Data utilizadas actualmente en soluciones
de IoT.
Asimismo, los estudios que abordaron desafíos técnicos y operativos, como la escalabilidad y la
interoperabilidad, fueron fundamentales para desarrollar la segunda pregunta, enfocada en los
retos que enfrentan las organizaciones al implementar estas tecnologías. Además, investigaciones
que exploraron la evolución de las herramientas de Big Data y las tendencias emergentes en su
aplicación ayudaron a estructurar las preguntas restantes, proporcionando un marco analítico
sólido para esta investigación. De esta manera, los artículos seleccionados no solo sirvieron como
referencia teórica, sino que también guiaron la formulación de preguntas clave que orientaron el
análisis y las conclusiones de este estudio.
3.1 Frecuencia en publicaciones por año
En relación con la producción anual de los 31 artículos seleccionados para su revisión sistemática,
la Figura 2 muestra que el 2024 presentó la mayor proporción de publicaciones cientícas,
alcanzando el 39% (14 artículos). Este aumento podría atribuirse al incremento en la adopción de
herramientas tecnológicas por parte de las industrias para optimizar procesos y mejorar la toma de
decisiones.
Asimismo, se observa un crecimiento sostenido en la cantidad de publicaciones desde 2021 hasta
2024, período en el que se concentra el 79% (28 artículos) del total analizado. Este patrón reeja el
interés creciente en las aplicaciones de Big Data e IoT, impulsado por la necesidad de innovar en
sectores clave.
REVISTA ODIGOS
QUITO-ECUADOR
2025
65
rodigos@uisrael.edu.ec
HERRAMIENTAS Y PLATAFORMAS DE PROCESAMIENTO: UN ANÁLISIS SISTEMÁTICO EN EL CONTEXTO DE IOT Y
BIG DATA
Figura 2
Frecuencia de Publicaciones por Año.
3.2 Indexación de los artículos seleccionados
Para llevar a cabo la revisión sistemática, se seleccionaron publicaciones indexadas en revistas
cientícas de reconocidas bases de datos, como se muestra en la Figura 3. Del total de artículos, el
46% (20 artículos) proviene de ScienceDirect, mientras que el 20% (6 artículos) corresponde a IEEE
Xplore. Otras bases de datos, como DOAJ, ACM, Dialnet y Springer, aportaron el 10% (3 artículos) y
el 7% (2 artículos), respectivamente, y nalmente, Base contribuyó con el 3% (1 artículo).
Estos artículos se clasicaron en función de las líneas temáticas establecidas para responder
a las preguntas de investigación. De esta manera, el 45% (16 artículos) se relacionó con la P1,
que aborda las herramientas de Big Data en IoT; el 25% (9 artículos) con la P2, que examina los
desafíos técnicos y operativos; el 11% (4 artículos) con la P3, enfocada en la evolución de las
herramientas; y el 19% (7 artículos) con la P4, que explora tendencias emergentes en el desarrollo
de nuevas tecnologías.
REVISTA ODIGOS
QUITO-ECUADOR
2025
66
REVISTA ODIGOS • VOL.6 NUM. 1 • FEBRERO - MAYO • 2025
Figura 3
Indexación de los Artículos Seleccionados.
3.3 Estudios procedentes por países
En esta sección se analizaron los países con mayor producción cientíca entre los estudios
seleccionados, según se muestra en la Figura 4. China se posicionó como el país con el mayor
número de publicaciones, representando el 22% del total (8 artículos). Le siguen Estados Unidos
e India, cada uno con un 17% (6 artículos). España ocupó el tercer lugar con un 12% (4 artículos).
En el cuarto lugar se encuentran Irán y México con un 6% (2 artículos cada uno). Finalmente, el
quinto lugar está compartido por Rumania, Hungría, República Checa, Vietnam, Malasia, Argentina,
Noruega y Ecuador, con un 3% del total (1 artículo cada país).
REVISTA ODIGOS
QUITO-ECUADOR
2025
67
rodigos@uisrael.edu.ec
HERRAMIENTAS Y PLATAFORMAS DE PROCESAMIENTO: UN ANÁLISIS SISTEMÁTICO EN EL CONTEXTO DE IOT Y
BIG DATA
Figura 4
Artículos Seleccionados por Países.
Una vez desarrollada la estadística, las preguntas de investigación establecidas se mostraron de la
siguiente manera:
P1 ¿Cuáles son las principales herramientas de Big Data utilizadas actualmente en soluciones de
IoT
En el contexto de las soluciones de IoT, las herramientas de Big Data se pueden clasicar en varias
categorías, cada una enfocada en resolver diferentes desafíos y necesidades. Estas categorías son
las siguientes:
• Plataformas de procesamiento de datos: Estas herramientas son evaluadas por los
investigadores en términos de su desempeño y diseño de modelos, que están en constante
evolución para adaptarse a los crecientes requerimientos de datos (Huang, 2024).
• Herramientas de análisis y visualización: Estas plataformas son utilizadas para realizar
estadísticas, experimentos, metaanálisis, minería de datos, análisis de redes neuronales e
inteligencia articial, entre otras aplicaciones (Ramirez y Ramirez, 2022).
• Herramientas de almacenamiento: Estas herramientas han evolucionado hacia arquitecturas
híbridas que combinan almacenamiento local y en la nube, permitiendo el análisis en tiempo
real y facilitando la toma de decisiones informadas (Liang et al., 2024).
• Plataformas integradas: Estas soluciones combinan funcionalidades de procesamiento,
análisis, visualización y almacenamiento en un solo entorno, lo que las hace especialmente
valiosas en aplicaciones complejas de IoT.
Por ejemplo, en una institución educativa, estas herramientas pueden utilizarse para analizar
datos sobre el ausentismo escolar, identicando patrones y tendencias que permitan implementar
REVISTA ODIGOS
QUITO-ECUADOR
2025
68
REVISTA ODIGOS • VOL.6 NUM. 1 • FEBRERO - MAYO • 2025
políticas de mejora. En el ámbito empresarial, estas plataformas pueden ayudar a monitorear el
ausentismo laboral, evaluando los factores asociados para proponer soluciones basadas en datos.
Finalmente, las plataformas integradas combinan estas funcionalidades, ofreciendo herramientas
que no solo gestionan grandes volúmenes de datos, sino que también los convierten en
información procesable para aplicaciones especícas. En la Tabla 1 se presenta una comparación
detallada de estas herramientas en términos de funcionalidad y rendimiento aplicable para
diversos sectores.
REVISTA ODIGOS
QUITO-ECUADOR
2025
69
rodigos@uisrael.edu.ec
HERRAMIENTAS Y PLATAFORMAS DE PROCESAMIENTO: UN ANÁLISIS SISTEMÁTICO EN EL CONTEXTO DE IOT Y
BIG DATA
Tabla 1
Funcionalidades de Herramientas de IoT.
Herramienta Tipo de
almacenamiento
Característica Ventaja Caso de uso Bibliografía
Amazon S3 Almacenamiento
de objetos
Escalabilidad,
clases de
almacenamiento,
integración con
AWS
Eciencia de
costos, alta
disponibilidad,
seguridad
Almacenamiento
de datos de
sensores IoT,
copias de
seguridad
(Bornholt et al.,
2021)
Hadoop HDFS Sistema de
Archivos
Almacenamiento
distribuido,
integración con
Hadoop
Escalabilidad
horizontal,
tolerancia a fallos
Análisis de datos
de IoT, proyectos
de Big Data
(Mothukuri et al.,
2021)
(Guan et al., 2024)
(Ma et al., 2023a)
(Naidu et al.,
2022)
Azure Data
Lake Storage
Almacenamiento
en la Nube
Almacenamiento
jerárquico,
integración con
Azure services
Alto rendimiento,
seguridad
avanzada
Análisis de datos
IoT en tiempo
real, lago de datos
empresarial
(Zagan &
Danubianu, 2023)
Google Cloud
Storage
Almacenamiento
de Objetos
Clases de
almacenamiento,
integración con
Google Cloud
services
Rendimiento y
disponibilidad,
facilidad de uso
Almacenamiento
de datos IoT,
análisis y machine
learning
(Rajagopalan et
al., 2024)
(Berisha et al.,
2022)
Apache
Cassandra
Base de Datos
NoSQL Distribuida
Alta escalabilidad
y disponibilidad,
sin punto único de
fallo
Escalabilidad
horizontal,
resistencia a
fallos
Almacenamiento
de datos en
tiempo real,
aplicaciones IoT
(Bohora et al.,
2021)
MongoDB Base de Datos
NoSQ
Flexibilidad
de esquema,
escalabilidad
horizontal, soporte
para consultas
ad-hoc
Escalabilidad,
exibilidad
en datos no
estructurados
Aplicaciones
IoT con
almacenamiento
exible y rápido
acceso
(Mailewa et al.,
2022)
(Woo et al., 2023)
InuxDB Base de Datos de
Series Temporales
Manejo de series
temporales, alto
rendimiento
en escrituras y
lecturas
Alta eciencia en
series temporales,
optimizado para
IoT
Monitoreo de
datos de sensores
IoT, análisis de
series temporales
(Domínguez et al.,
2024)
(Dhulqar et al.,
2024)
REVISTA ODIGOS
QUITO-ECUADOR
2025
70
REVISTA ODIGOS • VOL.6 NUM. 1 • FEBRERO - MAYO • 2025
P2 Qué desafíos técnicos y operativos enfrentan las organizaciones al implementar herramientas
de Big Data en entornos IoT?
Para comprender los desafíos técnicos y operativos asociados con la implementación de
herramientas Big Data en entornos IoT, es fundamental analizar su arquitectura, como se ilustra en
la Figura 5.
Figura 5
Arquitectura de IoT.
La capa donde se encuentran los dispositivos de nivel inferior incluye sensores, dispositivos
inteligentes y etiquetas RFID. Estos dispositivos, aunque esenciales para la recolección de datos,
presentan limitaciones en almacenamiento, recursos y capacidades de procesamiento, lo que
restringe su funcionamiento a operaciones básicas (Shah et al., 2023). La capa de comunicaciones
de red comprende la infraestructura necesaria para la transmisión de datos. Esta capa transporta
información desde los dispositivos de la capa física hacia las capas superiores, como los servicios
en la nube (Ullah et al., 2024).
La siguiente capa abarca el hardware y las plataformas de centros de datos o servicios en la
nube, que tienen como función principal proporcionar almacenamiento, procesamiento y acceso
eciente a grandes volúmenes de datos generados por dispositivos IoT. Estas plataformas no
solo almacenan datos, sino que también procesan información relacionada con diversas áreas,
como ventas, compras, catálogos, nóminas, sistemas ERP y sectores como la tecnología, la
medicina y el desarrollo industrial (Hasan et al., 2021). Por ejemplo, una empresa puede utilizar
estas plataformas para analizar datos de ventas en tiempo real, identicar patrones de consumo y
optimizar la logística mediante la integración con sistemas IoT.
Además, la gestión y el procesamiento de datos en esta capa se fortalecen con tecnologías
avanzadas como contenedores y microservicios, que ofrecen escalabilidad y exibilidad según
REVISTA ODIGOS
QUITO-ECUADOR
2025
71
rodigos@uisrael.edu.ec
HERRAMIENTAS Y PLATAFORMAS DE PROCESAMIENTO: UN ANÁLISIS SISTEMÁTICO EN EL CONTEXTO DE IOT Y
BIG DATA
las necesidades del usuario. Herramientas como Amazon Web Services (AWS) y Microsoft
Azure permiten procesar datos de catálogos de productos en línea, monitorear el desempeño de
dispositivos médicos conectados y analizar información cientíca para predecir tendencias o
automatizar procesos (Prashant y Pranay, 2020).
La especicidad de los datos procesados en esta capa depende del objetivo del usuario o de
la organización. Por ejemplo, en el sector salud, los datos analizados pueden incluir historiales
médicos electrónicos y métricas de dispositivos IoT usados en monitoreo remoto de pacientes.
En contraste, en el ámbito de la manufactura, los datos procesados pueden incluir tiempos de
producción, mantenimiento predictivo de maquinaria y optimización de recursos (Deepthi et al.,
2024).
Sin embargo, esta capa también enfrenta desafíos relacionados con la privacidad y la seguridad
de los datos, especialmente cuando se trabaja con información sensible, como datos médicos o
nancieros. Para abordar estas preocupaciones, las plataformas en la nube han implementado
estándares de cifrado avanzados y políticas de gobernanza de datos, asegurando la conabilidad
y accesibilidad de la información (Chahid y Marzouk, 2017). Esto permite que los usuarios de IoT
accedan y procesen datos especícos para satisfacer necesidades concretas, independientemente
del sector al que pertenezcan.
Una vez comprendida la arquitectura, se identican los principales desafíos que pueden surgir
durante la implementación de estas capas. En la Tabla 2 se presentan los desafíos especícos
junto con sus posibles soluciones.
REVISTA ODIGOS
QUITO-ECUADOR
2025
72
REVISTA ODIGOS • VOL.6 NUM. 1 • FEBRERO - MAYO • 2025
Tabla 2
Desafíos en la Implementación.
Problema Desafío Solución Referencias
Volumen y
velocidad de
datos
Los dispositivos de IoT generan
grandes cantidades de datos
en tiempo real, abrumando a
los sistemas de procesamiento
tradicionales.
Las herramientas de procesamiento de
transmisiones en tiempo real como Apache
Kafka y Apache Spark Streaming pueden
manejar grandes volúmenes de datos y ser
procesados a medida que se generan.
(Mostajabi et
al., 2021)
(Teli et al.,
2023)
Calidad y
veracidad de
los datos:
Los datos de IoT pueden ser
ruidosos y poco conables debido
a errores de sensores, problemas
de conectividad y condiciones
ambientales.
Estas plataformas de Big Data incorporan
técnicas en validación y limpieza de datos
para ltrar valores atípicos, corregir valores
faltantes y mejorar la calidad de los datos.
(Bigdeli et al.,
2023)
(Chhetri et al.,
2024)
Complejidad de
los datos:
Los datos de IoT vienen en
diversos formatos y estructuras.
Plataformas como Hadoop y Spark
brindan capacidades de almacenamiento y
procesamiento versátiles, lo que permite un
manejo eciente de datos complejos.
(Wu et al.,
2024a)
Costos Al hablar de costos deben
ser tomados en cuenta varios
factores como la implementación
de infraestructura,
almacenamiento, procesamiento
de datos, transferencia y
seguridad.
Utilizar plataformas como Azure, Google
Cloud o AWS, reduce los costos iniciales
de infraestructura. Utilizar herramientas de
código abierto e implementar estrategias
ecientes de gestión de ciclo de vida, los
datos ayudan a optimizar los costos de
almacenamiento.
(Pham &
Nguyen, 2020)
P3 Cómo han evolucionado las herramientas de Big Data para adaptarse a las necesidades
especícas de las aplicaciones IoT en los últimos años?
En los últimos años, las herramientas de Big Data han evolucionado signicativamente para
adaptarse a las necesidades especícas de las aplicaciones de IoT generadas por dispositivos
inteligentes. Esta evolución ha permitido organizar datos y tomar decisiones basadas en
resultados, lo que ha facilitado el mantenimiento y la mejora de servicios como las ciudades
inteligentes, las redes de transporte y los sistemas de gestión de energía, entre otros.
La interconectividad de dispositivos, combinada con herramientas de Big Data, ha mejorado la
capacidad de recopilar y procesar datos de manera rápida y conable. Esto ha resultado en un
aumento de la eciencia a largo plazo y ha contribuido al desarrollo sostenible (González et al.,
2022). Asimismo, estas mejoras han dado lugar a infraestructuras de bajo costo que favorecen la
producción mediante el monitoreo dinámico en entornos controlados, lo que ha sido ampliamente
utilizado en sectores agrícolas (Ting y Chan, 2024).
Además, la inteligencia articial ha desempeñado un papel fundamental e innovador en el análisis
de datos. A través de algoritmos avanzados, como el aprendizaje automático y el aprendizaje
profundo, es posible extraer información signicativa que facilita la toma de decisiones. Estos
REVISTA ODIGOS
QUITO-ECUADOR
2025
73
rodigos@uisrael.edu.ec
HERRAMIENTAS Y PLATAFORMAS DE PROCESAMIENTO: UN ANÁLISIS SISTEMÁTICO EN EL CONTEXTO DE IOT Y
BIG DATA
algoritmos, que inicialmente fueron proyectos experimentales en investigación, se han convertido
en un estándar en diversas industrias (Dubey et al., 2024).
Otra manera en que estas herramientas han evolucionado es a través de la integración de la
realidad virtual y aumentada. Estas tecnologías permiten visualizar datos mediante simulaciones
y multimedia, reproduciendo funciones visuales, auditivas, táctiles y sensoriales. Las personas
pueden sumergirse en un entorno virtual generado por computadora y experimentar interacciones
basadas en datos reales recopilados (Reynoso et al., 2023).
P4. ¿Qué tendencias emergentes se observan en el desarrollo de nuevas herramientas de Big
Data diseñadas para IoT?
El desarrollo de herramientas de Big Data para la implementación de proyectos IoT ha
evolucionado en respuesta a las necesidades y desafíos de diferentes campos. Estas tendencias
están impulsadas por la creciente necesidad de manejar grandes volúmenes de datos y
velocidades rápidas generadas por dispositivos IoT, así como por la demanda de análisis en
tiempo real y capacidades avanzadas. A continuación, se destacaron las principales tendencias
emergentes:
• El análisis en tiempo real: El análisis en tiempo real es crucial para la toma de decisiones
instantáneas. Herramientas como Apache Flink, Pulsar y Kafka son utilizadas en
combinación con machine learning para realizar análisis predictivos y detectar anomalías en
tiempo real. Estas capacidades permiten generar decisiones basadas en análisis inmediatos,
mejorando la eciencia operativa (Huaranga et al., 2024).
• Edge Computing (computación en el borde): Este paradigma busca acercar la computación
a la fuente de datos, en lugar de depender exclusivamente de centros de datos en la
nube (Cao et al., 2020). Los servidores de borde, al estar más próximos a los dispositivos
IoT, ofrecen respuestas más rápidas y reducen la latencia al procesar datos localmente.
Esto optimiza el uso del ancho de banda y mejora la escalabilidad, centrándose en una
infraestructura descentralizada (Kong et al., 2022).
• Arquitectura serverless: La evolución de los sistemas en la nube ha llevado a la adopción
de arquitecturas serverless, que se basan en funciones atómicas y conceptos de
computación distribuida (Palacios, 2022). Estas arquitecturas, conocidas como lambdas,
gestionan automáticamente la infraestructura subyacente, eliminando la necesidad de
aprovisionamiento manual de servidores o contenedores (Loconte et al., 2024). Sus ventajas
incluyen mayor disponibilidad, escalabilidad, tolerancia a fallos y reducción de costos,
adaptándose a las uctuaciones de la carga de trabajo en tiempo real.
• Industria 4.0: Este término se reere a la integración de tecnologías digitales avanzadas
en procesos industriales con el objetivo de transformar fábricas tradicionales en fábricas
inteligentes. La implementación de herramientas de Big Data en la Industria 4.0 facilita la
creación de modelos y el despliegue de soluciones basadas en machine learning, mejorando
la eciencia y exibilidad de los procesos de producción (Ullah et al., 2024).
REVISTA ODIGOS
QUITO-ECUADOR
2025
74
REVISTA ODIGOS • VOL.6 NUM. 1 • FEBRERO - MAYO • 2025
• Seguridad en IoT: La seguridad es un aspecto crítico en la infraestructura IoT, donde
identicar vulnerabilidades y mitigar riesgos es esencial. Se han propuesto sistemas
de evaluación dinámicos basados en el sistema inmune articial para detectar ataques
mediante el análisis de las capas de red y aplicación (Gélvez y Santos, 2020). Sin
embargo, la protección del hardware, software y los datos de IoT sigue siendo un desafío,
especialmente debido a vulnerabilidades inherentes de internet y la falta de monitoreo en
equipos no tripulados. Esto hace que garantizar la seguridad sea una tarea compleja (Wu et
al., 2024b).
3.4. Discusión
Las herramientas de Big Data, junto con las soluciones de IoT, desempeñan un papel crucial
en la era digital actual al gestionar grandes cantidades de datos de manera eciente y extraer
información valiosa para la toma de decisiones (Sayeed et al., 2022). La integración de dispositivos
IoT con el análisis de Big Data permite la recopilación, procesamiento y utilización de ujos
de datos provenientes de diversas fuentes, facilitando el desarrollo y la implementación de
aplicaciones especícas para IoT (Tu, 2023). En industrias como la salud, estas aplicaciones
combinan sistemas de Big Data, mejorando la digitalización de registros médicos, permitiendo una
gestión sanitaria personalizada y promoviendo la detección temprana de enfermedades mediante
el análisis de factores de riesgo (Hwang, 2022).
Uno de los hallazgos más destacados en estudios recientes es la mejora en la eciencia del
procesamiento de datos mediante herramientas como Apache Hadoop. Estas tecnologías permiten
el procesamiento distribuido de grandes volúmenes de datos generados por dispositivos IoT (Ma
et al., 2023). Gracias a esto, industrias como la agricultura han implementado estrategias que
apoyan la seguridad alimentaria en países en desarrollo. Esto incluye el monitoreo, procesamiento
y análisis de grandes volúmenes de datos para supervisar cultivos, condiciones climáticas, suelo,
fertilización y riego, entre otros factores (Espinosa et al., 2021).
El uso de estas herramientas permite un procesamiento distribuido que resulta esencial en
aplicaciones donde se requiere velocidad y precisión. Sectores como la Industria 4.0 y las ciudades
inteligentes aprovechan el análisis de grandes volúmenes de datos provenientes de sensores
y dispositivos conectados. Estas soluciones no solo mejoran la toma de decisiones, sino que
también optimizan procesos operativos. (Rozo, 2020).
Por otro lado, el análisis ha revelado que herramientas de almacenamiento como Amazon S3 y
Google Cloud Storage ofrecen escalabilidad y seguridad. Estas plataformas permiten almacenar y
acceder a enormes cantidades de datos generados por IoT, lo que resulta clave para aplicaciones
de gran escala (Falah et al., 2021). Sin embargo, se han identicado desafíos relacionados con
la integración de estas soluciones en infraestructuras de bajo costo y altamente escalables,
especialmente en países en desarrollo, donde la inversión en tecnología sigue siendo limitada.
Finalmente, tendencias emergentes como el Edge Computing y la integración de inteligencia
articial en plataformas de Big Data están transformando las soluciones de IoT. Estas
innovaciones no solo permiten manejar grandes volúmenes de datos de manera más eciente,
REVISTA ODIGOS
QUITO-ECUADOR
2025
75
rodigos@uisrael.edu.ec
HERRAMIENTAS Y PLATAFORMAS DE PROCESAMIENTO: UN ANÁLISIS SISTEMÁTICO EN EL CONTEXTO DE IOT Y
BIG DATA
sino que también reducen la latencia y mejoran la capacidad de procesamiento local. Esto
es especialmente relevante en aplicaciones críticas como la atención médica y la gestión de
infraestructuras esenciales (Hamdan et al., 2020).
Conclusiones
La presente investigación conrmó que las herramientas de Big Data son esenciales para el éxito
de las soluciones IoT debido a su capacidad para manejar grandes volúmenes de datos de manera
eciente, ofreciendo escalabilidad, velocidad y capacidades analíticas avanzadas. A través de esta
revisión sistemática, se identicaron las principales herramientas utilizadas, los desafíos técnicos
y operativos enfrentados, y las tendencias emergentes que están transformando diversos sectores
como la salud, la manufactura y las ciudades inteligentes. Esto evidencia la importancia de integrar
estas tecnologías para optimizar la toma de decisiones y promover el desarrollo sostenible.
La metodología de revisión sistemática de Kitchenham (2004) demostró ser un enfoque ecaz
y replicable para evaluar y sintetizar investigaciones relevantes en el campo del IoT y Big Data.
Este método permitió seleccionar 36 artículos clave que proporcionaron evidencia empírica y
teórica para abordar las preguntas de investigación, identicando fortalezas y debilidades en las
herramientas y metodologías aplicadas. Además, se validó que tecnologías como Apache Hadoop,
Spark, y AWS son fundamentales para resolver problemas relacionados con el procesamiento de
datos en tiempo real y el mantenimiento predictivo en entornos IoT.
Uno de los logros más destacados fue demostrar cómo las herramientas de Big Data ayudan
a resolver problemas especícos, como el análisis de datos en tiempo real y el mantenimiento
predictivo. Por ejemplo, estudios seleccionados evidenciaron la capacidad de herramientas como
Apache Spark para procesar datos de sensores IoT en tiempo real, mejorando la gestión operativa
y reduciendo tiempos de inactividad en sectores industriales. Estos casos refuerzan la importancia
de adaptar estas soluciones a contextos concretos, como la predicción de fallos en sistemas IoT o
la personalización de servicios en ciudades inteligentes.
Finalmente, aunque el aprendizaje automático (machine learning) y la inteligencia articial ya están
transformando la forma en que se procesan los datos en el contexto de IoT, aún queda mucho
por explorar. Futuras investigaciones podrían enfocarse en mejorar los modelos de aprendizaje
automático para la detección de patrones, la predicción de fallos en sistemas IoT y el desarrollo de
soluciones autónomas que aprendan y adapten sus comportamientos de manera dinámica con el
tiempo.
REVISTA ODIGOS
QUITO-ECUADOR
2025
76
REVISTA ODIGOS • VOL.6 NUM. 1 • FEBRERO - MAYO • 2025
Referencias
Acuña, E. (2023). Data Mining and Internet of Things (IoT) application for Biomedical products. TECHNO Review.
International Technology, Science and Society Review / Revista Internacional de Tecnología, Ciencia y Socie-
dad, 13(1). https://doi.org/10.37467/revtechno.v12.3444
Apaza, G., y Ñamo, E. (2022). Evolución e impacto del Big Data en el sector empresarial. Revista Scientic, 7(25),
227–242. https://doi.org/10.29394/scientic.issn.2542-2987.2022.7.25.12.227-242
Arroyo, A. y Brito, A. (2023). Big Data y su aplicación en el área legal.Yachana Revista Cientíca,12(1), 31–41.
https://doi.org/10.62325/10.62325/yachana.v12.n1.2023.848
Ball, C. y Degischer, D. (2024). IoT implementation for energy system sustainability: The role of actors and related
challenges. Utilities Policy, 90. https://doi.org/10.1016/j.jup.2024.101769
Berisha, B., Mëziu, E., y Shabani, I. (2022). Big data analytics in Cloud computing: an overview. Journal of Cloud
Computing, 11(1). https://doi.org/10.1186/s13677-022-00301-w
Bigdeli, M., Abolhassani, B., Farahmand, S., y Tellambura, C. (2023). Oine and Real-Time Deadline-Aware Sche-
duling and Resource Allocation Algorithms Favoring Big Data Transmission Over Cognitive CRANs. IEEE
Access, 11, 67755–67778. https://doi.org/10.1109/ACCESS.2023.3288996
Bohora, K., Bothe, A., Sheth, D., Chopade, R., y Pachghare, V. (2021). Backup and Recovery Mechanisms of Cassan-
dra Database: A Review. The Journal of Digital Forensics, Security and Law, 15. https://doi.org/10.15394/
jdfsl.2021.1613
Bornholt, J., Joshi, R., Astrauskas, V., Cully, B., Kragl, B., Markle, S., Sauri, K., Schleit, D., Slatton, G., Tasiran, S., Van
Geffen, J., y Wareld, A. (2021). Using Lightweight Formal Methods to Validate a Key-Value Storage Node
in Amazon S3. SOSP 2021. Proceedings of the 28th ACM Symposium on Operating Systems Principles (pp.
836–850). United States. https://doi.org/10.1145/3477132.3483540
Campetella, M., Cechich, A., Buccella, A., Montenegro, A., Muñoz, Á., y Rodríguez, A. (2023). Identicación Top-
Down de Variedad de Contexto: Un Caso de Estudio en Fluctuaciones de la Napa Freática. Actas - XXIX
Congreso Argentino de Ciencias de la Computación - CACIC 2023 (308-317). Argentina. https://sedici.unlp.
edu.ar/handle/10915/164924
Cao, K., Liu, Y., Meng, G., y Sun, Q. (2020). An Overview on Edge Computing Research. IEEE Access, 8, 85714–
85728). https://doi.org/10.1109/ACCESS.2020.2991734
Chahid, I. y Marzouk, A. (2017). A Secure IoT Data Integration in Cloud Storage Systems using ABAC Access
Control Policy. International Journal of Advanced Engineering Research and Science, 4(8), 34–37. https://
doi.org/10.22161/ijaers.4.8.6
REVISTA ODIGOS
QUITO-ECUADOR
2025
77
rodigos@uisrael.edu.ec
HERRAMIENTAS Y PLATAFORMAS DE PROCESAMIENTO: UN ANÁLISIS SISTEMÁTICO EN EL CONTEXTO DE IOT Y
BIG DATA
Chhetri, T., Dehury, C., Varghese, B., Fensel, A., Srirama, S., y DeLong, R. (2024). Enabling privacy-aware intero-
perable and quality IoT data sharing with context. Future Generation Computer Systems, 157, 164–179.
https://doi.org/10.1016/j.future.2024.03.039
Deepthi, K., Balakrishnan, T., Krishnan, P., Ebenezar, U., y Nageshwari (2024). Optimized Data Storage Algorithm
of IoT Based on Cloud Computing in Distributed System. Proceedings 2024 OPJU International Technology
Conference (OTCON) on Smart Computing for Innovation and Advancement in Industry 4.0 (1–5). https://
doi.org/10.1109/OTCON60325.2024.10688356
Dhulqar, A., Abdala, M., Pataki, N., y Tejfel, M. (2024). Deploying a web service application on the EdgeX open
edge server: An evaluation of its viability for IoT services. Procedia Computer Science, 235, 852–862. ht-
tps://doi.org/10.1016/j.procs.2024.04.081
Domínguez, T., Barral, V., Escudero, C., y García, J. (2024). An IoT system for a smart campus: Challenges and
solutions illustrated over several real-world use cases. Internet of Things, 25. https://doi.org/10.1016/j.
iot.2024.101099
Dubey, K., Dubey, R., Panedy, S., y Kumar, S. (2024). A Review of IoT Security: Machine Learning and Deep Lear-
ning Perspective. Procedia Computer Science, 235, 335–346. https://doi.org/10.1016/j.procs.2024.04.034
Espinosa, A., Ponte, D., Gibeaux, S., y González, C. (2021). Estudio de Sistemas IoT Aplicados a la Agricultura
Inteligente. Revista Plus Economía,9(1), 33–42. https://revistas.unachi.ac.pa/index.php/pluseconomia/
article/view/479
Falah, M., Fridelin, Y., Sukaridhoto, S., Cornelius, A., Kriswantoro, M., Satria, B., y Usman, S. (2021). Comparison of
cloud computing providers for development of big data and internet of things application. Indonesian Jour-
nal of Electrical Engineering and Computer Science, 22(3), 1723–1730. https://doi.org/10.11591/ijeecs.
v22.i3.pp1723-1730
Fernández, A. (2023). Nuevos modelos para la gestión eciente de infraestructuras big data streaming en entor-
nos IoT con aplicación a la Industria 4.0.[Tesis de posgrado, Centro de Estudios de Postgrado Universidad
Pablo de Olavide]. Repositorio Institucional. https://investiga.upo.es/documentos/6675ce36ba7d30377a-
b2eb59
Gélvez, L. y Santos, L. (2020). Internet de las Cosas: una revisión sobre los retos de seguridad y sus contramedi-
das. Revista Ingenio, 17(1), 56–64. https://doi.org/10.22463/2011642x.2370
González, J., Figueroa, P., Amezcua, I., y Benavides, J. (2022). Diseño arquitectural de una plataforma iot para la
monitorización ambiental aplicada en viveros de plantas de ornato. 3 c TIC: cuadernos de desarrollo aplica-
dos a las TIC, 11(1), 223-249. https://dialnet.unirioja.es/servlet/articulo?codigo=8415585
REVISTA ODIGOS
QUITO-ECUADOR
2025
78
REVISTA ODIGOS • VOL.6 NUM. 1 • FEBRERO - MAYO • 2025
Guan, S., Zhang, C., Wang, Y., y Liu, W. (2024). Hadoop-based secure storage solution for big data in cloud com-
puting environment. Digital Communications and Networks, 10(1), 227–236. https://doi.org/10.1016/j.
dcan.2023.01.014
Hamdan, S., Ayyash, M., y Almajali, S. (2020). Edge-computing architectures for internet of things applications: A
survey. Sensors (Switzerland), 20(22), 1–52. https://doi.org/10.3390/s20226441
Hasan, M., Ogan, K., y Starly, B. (2021). Hybrid blockchain architecture for Cloud Manufacturing-as-a-service
(CMaaS) platforms with improved data storage and transaction eciency. Procedia Manufacturing, 53,
594–605. https://doi.org/10.1016/j.promfg.2021.06.060
Huang, S. (2024). Big data processing and analysis platform based on deep neural network model. Systems and
Soft Computing, 6. https://doi.org/10.1016/j.sasc.2024.200107
Huaranga, E., González, S., Castillo, M., Cimmino, A., y García, R. (2024). From cloud and fog computing to fe-
derated-fog computing: A comparative analysis of computational resources in real-time IoT applications
based on semantic interoperability. Future Generation Computer Systems, 159, 134–150. https://doi.or-
g/10.1016/j.future.2024.05.001
Hwang, D. (2022). Data Speak How to Treat Disease Big data-based precision medicine. Molecules and Cells,
45(9), 620–621. https://doi.org/10.14348/molcells.2022.0119
Kitchenham, B. (2004). Procedures for Performing Systematic Reviews [report]. Keele University Technical Report
Kong, L., Tan, J., Huang, J., Chen, G., Wang, S., Jin, X., Zeng, P., Khan, M., y Das, S. K. (2022). Edge-computing-dri-
ven Internet of Things: A Survey. ACM Computing Surveys, 55(8), 1-41. https://doi.org/10.1145/3555308
Liang, C., Zhang, J., Ma, S., Zhou, Y., Hong, Z., Fang, J., Zhou, Y., y Tang, H. (2024). Study on data storage and
verication methods based on improved Merkle mountain range in IoT scenarios. Journal of King Saud
University - Computer and Information Sciences, 36(6). https://doi.org/10.1016/j.jksuci.2024.102117
Loconte, D., Ieva, S., Pinto, A., Loseto, G., Scioscia, F., y Ruta, M. (2024). Expanding the cloud-to-edge continuum
to the IoT in serverless federated learning. Future Generation Computer Systems, 155, 447–462. https://doi.
org/10.1016/j.future.2024.02.024
Ma, C., Zhao, M., y Zhao, Y. (2023a). An overview of Hadoop applications in transportation big data. Journal of
Trac and Transportation Engineering, 10(5), 900–917). https://doi.org/10.1016/j.jtte.2023.05.003
Mailewa, A., Mengel, S., Gittner, L., y Khan, H. (2022). Mechanisms and techniques to enhance the security of
big data analytic framework with MongoDB and Linux Containers. Array, 15. https://doi.org/10.1016/j.
array.2022.100236
REVISTA ODIGOS
QUITO-ECUADOR
2025
79
rodigos@uisrael.edu.ec
HERRAMIENTAS Y PLATAFORMAS DE PROCESAMIENTO: UN ANÁLISIS SISTEMÁTICO EN EL CONTEXTO DE IOT Y
BIG DATA
Miquel, S. y Aced, C. (2019). Big data: la revolución de los datos y su impacto en la comunicación corporativa.
Comunicación y hombre: Revista interdisciplinar de ciencias de la comunicación y humanidades, (16), 115–
132. https://dialnet.unirioja.es/servlet/articulo?codigo=7302665
Mostajabi, F., Safaei, A., y Saha, A. (2021). A Systematic Review of Data Models for the Big Data Problem. IEEE
Access, 9, 128889–128904. https://doi.org/10.1109/ACCESS.2021.3112880
Mothukuri, V., Cheerla, S. S., Parizi, R., Zhang, Q., y Choo, K. (2021). BlockHDFS: Blockchain-integrated Hadoop
distributed le system for secure provenance traceability. Blockchain: Research and Applications, 2(4). ht-
tps://doi.org/10.1016/j.bcra.2021.100032
Naidu, K., Ravi, B., Hassen, S., Kaur, C., Al Ansari, M., Vinod, R., Nivetha, M., y Kiran, B. (2022). Analysis of Hadoop
log le in an environment for dynamic detection of threats using machine learning. Measurement: Sensors,
24. https://doi.org/10.1016/j.measen.2022.100545
Nguyen, H., Nawara, D., y Kashef, R. (2024). Connecting the indispensable roles of IoT and articial intelligence
in smart cities: A survey. Journal of Information and Intelligence, 2(3), 261-285. https://doi.org/10.1016/j.
jiixd.2024.01.003
Palacios, D., Vazquez, J., Sánchez, B., Moreno, R.,Schetakis, N., Vazquez, L., y Titov, D. (2022). Serverless archi-
tecture for data processing and detecting anomalies in MARSIS instrument. The Astronomical Journal,
166(1). https://iopscience.iop.org/article/10.3847/1538-3881/acd18d
Pham, T. y Nguyen, T. (2020). Optimization of resource management for NFV-enabled IoT systems in edge cloud
computing. IEEE Access, 8. https://doi.org/10.1109/ACCESS.2020.3026711
Prashant, D. y Pranay, D. (2020). A comparative analysis of IoT features between AWS and Azure. Internatio-
nal Journal of Advance Research, 5(2),113-116. https://www.ijariit.com/manuscript/a-comparative-analy-
sis-of-iot-features-between-aws-and-azure/
Quintero, J., Orjuela. L., Gordillo, J., y Sánchez, A. (2022). Análisis de las posibilidades de uso del Big Data en el
ejercicio profesional de la Contaduría Pública en Colombia.Revista Temario Cientíco,2(1), 50–59. https://
doi.org/10.47212/rtcAlinin.1.2.5
Rajagopalan, A., Swaminathan, D., Bajaj, M., Damaj, I., Rathore, R. S., Singh, A., Blazek, V., y Prokop, L. (2024).
Empowering power distribution: Unleashing the synergy of IoT and cloud computing for sustainable and
ecient energy systems. Results in Engineering, 21.https://doi.org/10.1016/j.rineng.2024.101949
Ramirez, G. y Ramirez, B. (2022). Programa estadístico R, Herramienta clave en el análisis y visualización de
datos. Agro-Divulgación, 2(2), 17-22. https://dialnet.unirioja.es/servlet/articulo?codigo=8681872
REVISTA ODIGOS
QUITO-ECUADOR
2025
80
REVISTA ODIGOS • VOL.6 NUM. 1 • FEBRERO - MAYO • 2025
Rekha, V., Manoharan, J., Hemalatha, R., y Saravanan, D. (2022). Deep Learning Models for Multiple Face Mask
Detection under a Complex Big Data Environment. Procedia Computer Science, 215, 706–712. https://doi.
org/10.1016/j.procs.2022.12.072
Reynoso, L., Amaro, S., López, L., Sánchez, V., Rotter, M., y Cotal, S. (2023). Tecnologías de Datos Espaciales,
Visualización y Realidad Virtual. Actas de XXV Workshop de Investigadores en Ciencias de la Computación.
Junín. https://sedici.unlp.edu.ar/handle/10915/163914
Rozo, F. (2020). Revisión de las tecnologías presentes en la industria 4.0. Revista UIS Ingenierías, 19(2), 177–191.
https://doi.org/10.18273/revuin.v19n2-2020019
Sayeed, S., Ahmad, A., y Peng, T. (2022). Smartic: A smart tool for Big Data analytics and IoT. F1000Research,
11-17. https://doi.org/10.12688/f1000research.73613.1
Shah, A., Ali, B., Wahab, F., Ullah, I., Amesho, K., y Shaq, M. (2023). Entropy-based grid approach for handling
outliers: a case study to environmental monitoring data. Environmental Science and Pollution Research, 30,
125138–125157. https://doi.org/10.1007/s11356-023-26780-1
Stephen, C. y Degischer, D. (2024). IoT implementation for energy system sustainability: The role of actors and
related challenges. Utilities Policy, 90. https://doi.org/10.1016/j.jup.2024.101769
Taboada, A. (2024). Big data en ciencias sociales. Una introducción a la automatización de análisis de datos de
texto mediante procesamiento de lenguaje natural y aprendizaje automático. Revista CENTRA de Ciencias
Sociales, 3(1). https://doi.org/10.54790/rccs.51
Teli, S., Guerra, C., Icaza, V., Perez, R., Ghassemlooy, Z., y Zvanovec, S. (2023). Hybrid Optical Wireless Communi-
cation for Versatile IoT Applications: Data Rate Improvement and Analysis. IEEE Access, 11, 55107–55116.
https://doi.org/10.1109/ACCESS.2023.3280850
Ting, Y. y Chan, K. (2024). Optimising performances of LoRa based IoT enabled wireless sensor network for
smart agriculture. Journal of Agriculture and Food Research, 16. https://doi.org/10.1016/j.jafr.2024.101093
Tu, T. (2023). The Relationship Between Big Data and IoT. Journal of Computing and Electronic Information Ma-
nagement, 10(3), 150-154. https://doi.org/10.54097/jceim.v10i3.8768
Ullah, H., Uzair, M., Jan, Z., y Ullah, M. (2024). Integrating industry 4.0 technologies in defense manufacturing:
Challenges, solutions, and potential opportunities. Array, 23. https://doi.org/10.1016/j.array.2024.100358
Ullah, I., Adhikari, D., Su, X., Palmieri, F., Wu, C., y Choi, C. (2024). Integration of data science with the intelligent
IoT (IIoT): current challenges and future perspectives. Digital Communications and Networks. https://doi.
org/10.1016/j.dcan.2024.02.007
REVISTA ODIGOS
QUITO-ECUADOR
2025
81
rodigos@uisrael.edu.ec
HERRAMIENTAS Y PLATAFORMAS DE PROCESAMIENTO: UN ANÁLISIS SISTEMÁTICO EN EL CONTEXTO DE IOT Y
BIG DATA
Valdivieso, A., y Bonini, T. (2021). Uso de big data y data mining en los procesos de automatización de la comu-
nicación de las organizaciones. GIGAPP: Estudios Working Papers, 8, 128–142. https://dialnet.unirioja.es/
servlet/articulo?codigo=9321360
Woo, W., Richards, W., Selker, J., y Udell, C. (2023). WeatherChimes: An Open IoT Weather Station and Data Soni-
cation System. HardwareX, 13. https://doi.org/10.1016/j.ohx.2023.e00402
Wu, X., Jing, Z., y Wang, X. (2024a). The security of IOT from the perspective of the observability of complex ne-
tworks. Heliyon, 10(5). https://doi.org/10.1016/j.heliyon.2024.e27104
Wu, X., Jing, Z., y Wang, X. (2024b). The security of IOT from the perspective of the observability of complex ne-
tworks. Heliyon, 10(5). https://doi.org/10.1016/j.heliyon.2024.e27104
Zagan, E. y Danubianu, M. (2023). Data Lake Architecture for Storing and Transforming Web Server Access Log
Files. IEEE Access, 11, 40916–40929. https://doi.org/10.1109/ACCESS.2023.3270368
REVISTA ODIGOS
QUITO-ECUADOR
2025
82
Copyright (2025) © Wilmer Antonio Moreira Sánchez; Marely del Rosario Cruz Felipe; Gabriel Agustín Cotera
Ramírez; Gema Isabel Medranda Cobeña
Este texto está protegido bajo una licencia internacional Creative Commons 4.0.
Usted es libre para Compartir—copiar y redistribuir el material en cualquier medio o formato — y Adaptar
el documento — remezclar, transformar y crear a partir del material—para cualquier propósito, incluso para
nes comerciales, siempre que cumpla las condiciones de Atribución. Usted debe dar crédito a la obra
original de manera adecuada, proporcionar un enlace a la licencia, e indicar si se han realizado cambios.
Puede hacerlo en cualquier forma razonable, pero no de forma tal que sugiera que tiene el apoyo del
licenciante o lo recibe por el uso que hace de la obra.
Resumen de licencia – Texto completo de la licencia
