1. Contexto general del análisis
El problema planteado modela la distribución de solicitudes entre tres microservicios principales: autenticación, catálogo y pagos. Cada variable representa la carga efectiva de uno de estos servicios, mientras que el vector de términos independientes representa la demanda neta que el sistema debe absorber. A partir de este modelo, se estudian tres escenarios: un caso ideal, un caso bajo estrés y un caso mal condicionado.
El objetivo del análisis no consiste únicamente en encontrar la solución del sistema, sino en observar cómo responde cada método numérico ante distintos niveles de dificultad. De esta manera, la comparación permite evaluar estabilidad, rapidez, sensibilidad numérica y utilidad práctica dentro del contexto de microservicios.
2. Explicación del condicionamiento
El condicionamiento de un sistema de ecuaciones lineales describe qué tan sensible es la solución frente a pequeñas variaciones en los datos del problema. Si la matriz del sistema está bien condicionada, entonces una pequeña modificación en los coeficientes o en el vector independiente produce solamente una pequeña variación en la solución. En cambio, si la matriz está mal condicionada, una alteración mínima puede provocar cambios importantes en el resultado.
En este proyecto, el condicionamiento es importante porque el comportamiento de los métodos numéricos depende directamente de la estructura de la matriz. En el caso ideal, la matriz es estable, diagonalmente dominante y fácil de resolver. En el caso bajo estrés, aunque la magnitud de los coeficientes aumenta, el sistema todavía puede resolverse con relativa estabilidad. Sin embargo, en el caso mal condicionado, las ecuaciones se vuelven muy parecidas entre sí, lo que genera hiperplanos casi paralelos y vuelve más delicada la convergencia de los métodos iterativos.
Desde el punto de vista del balance de carga en microservicios, esto puede interpretarse como una situación en la que varios servicios parecen responder de manera casi idéntica frente a la carga del sistema. Cuando eso ocurre, distinguir numéricamente el aporte real de cada microservicio se vuelve más difícil, y por eso algunos algoritmos necesitan más iteraciones o incluso pueden perder estabilidad.
3. Comparación de los cinco métodos
La factorización LU es un método directo, lo cual significa que no depende de iteraciones sucesivas para llegar a la solución. Su principal ventaja es que proporciona una referencia confiable y precisa para validar el comportamiento de los demás métodos. Dentro del proyecto, LU se aplicó mediante las variantes Doolittle, Crout y Cholesky. En general, LU se comporta muy bien en el caso ideal y en el caso bajo estrés, ya que puede resolver el sistema con estabilidad y sin necesidad de procesos repetitivos. En el caso mal condicionado también produce una solución, pero la precisión numérica puede depender más de la estructura específica de la matriz.
Jacobi es uno de los métodos iterativos clásicos más sencillos. Su lógica consiste en actualizar todas las variables a partir de los valores de la iteración anterior. Esta simplicidad lo hace fácil de implementar, pero también provoca que normalmente sea más lento que otros métodos. En el caso ideal suele converger correctamente, aunque con un número de iteraciones mayor. En el caso bajo estrés todavía puede converger, pero requiere más esfuerzo computacional. En el caso mal condicionado es el método más vulnerable, porque puede volverse muy lento o incluso no llegar a una convergencia aceptable dentro del número de iteraciones fijado.
Gauss-Seidel mejora a Jacobi porque utiliza inmediatamente los valores recién calculados dentro de la misma iteración. Gracias a eso, normalmente alcanza la solución más rápido. En el caso ideal suele converger con menos iteraciones que Jacobi. En el caso bajo estrés sigue ofreciendo un comportamiento razonable y muestra mejor desempeño que Jacobi. En el caso mal condicionado todavía puede converger, pero se vuelve más lento y sensible, lo que evidencia el efecto del condicionamiento sobre los métodos iterativos clásicos.
El método SOR puede entenderse como una extensión de Gauss-Seidel que incorpora un parámetro de relajación ω. Este parámetro permite acelerar la convergencia cuando se elige adecuadamente. En el caso ideal, SOR suele ser más eficiente que Jacobi y Gauss-Seidel. En el caso bajo estrés conserva un buen rendimiento y normalmente sigue siendo competitivo. En el caso mal condicionado, aunque no elimina completamente la dificultad numérica, suele comportarse mejor que Jacobi y en muchos casos también mejor que Gauss-Seidel, siempre que el valor de ω sea conveniente.
El Gradiente Conjugado Precondicionado es el método avanzado del proyecto. Está diseñado para trabajar eficientemente con matrices simétricas definidas positivas y aprovecha un precondicionador para reducir la dificultad del problema. En el caso ideal ofrece una convergencia muy rápida. En el caso bajo estrés también mantiene un desempeño sólido. En el caso mal condicionado destaca por ser mucho más robusto que Jacobi y Gauss-Seidel, ya que el precondicionamiento ayuda a estabilizar el proceso iterativo. Por ello, dentro del conjunto de métodos estudiados, es uno de los más fuertes cuando el sistema se vuelve difícil.
4. Comparación por escenarios
Caso ideal
En el caso ideal, todos los métodos tienden a comportarse de manera favorable. LU ofrece la solución directa y sirve como valor de referencia. Jacobi converge, pero lo hace más lentamente. Gauss-Seidel mejora el número de iteraciones respecto a Jacobi. SOR puede reducir aún más ese número cuando se ajusta bien el parámetro de relajación. El Gradiente Conjugado Precondicionado muestra una convergencia muy rápida y estable. En este escenario, el condicionamiento es bueno y por eso casi todos los métodos funcionan correctamente.
Caso bajo estrés
En el caso bajo estrés, la magnitud de los coeficientes aumenta y el sistema representa una arquitectura con mayor presión de tráfico y dependencias más intensas entre microservicios. LU sigue siendo una opción sólida porque no depende de iteraciones. Jacobi todavía puede resolver el sistema, pero requiere más pasos y se vuelve menos eficiente. Gauss-Seidel mantiene mejor comportamiento que Jacobi. SOR conserva su ventaja cuando el parámetro ω ayuda a acelerar la aproximación. El Gradiente Conjugado Precondicionado se mantiene como un método muy competitivo, especialmente por su rapidez y robustez.
Caso mal condicionado
En el caso mal condicionado se observa con mayor claridad la diferencia entre los métodos. LU sigue proporcionando una solución de referencia, aunque la sensibilidad numérica del sistema sigue presente. Jacobi es el más afectado, ya que puede volverse demasiado lento o incluso no converger en condiciones prácticas. Gauss-Seidel ofrece una mejora respecto a Jacobi, pero también se ve afectado por la cercanía entre las ecuaciones. SOR puede responder mejor, aunque no deja de depender del ajuste adecuado de ω. El Gradiente Conjugado Precondicionado se posiciona como la alternativa más robusta entre los iterativos, porque su estructura matemática está mejor preparada para enfrentar sistemas exigentes.
5. Tabla comparativa general
| Método | Caso ideal | Caso bajo estrés | Caso mal condicionado | Comentario general |
|---|---|---|---|---|
| LU | Muy bueno | Muy bueno | Bueno | Método directo, útil como referencia exacta. |
| Jacobi | Aceptable | Regular | Débil | Sencillo, pero lento y sensible al mal condicionamiento. |
| Gauss-Seidel | Bueno | Bueno | Regular | Mejor que Jacobi por su actualización inmediata. |
| SOR | Muy bueno | Bueno | Bueno | Depende del parámetro ω, pero puede acelerar bastante. |
| Gradiente Conjugado Prec. | Excelente | Excelente | Muy bueno | Rápido y robusto, especialmente en sistemas difíciles. |
6. Conclusión del análisis comparativo
El condicionamiento del sistema influye directamente en el rendimiento de los métodos numéricos. Cuando el sistema está bien condicionado, casi todos los métodos funcionan correctamente, aunque con diferencias de velocidad. A medida que el problema se vuelve más exigente, esas diferencias se hacen más visibles. Jacobi resulta ser el más sensible al mal condicionamiento, Gauss-Seidel mejora el comportamiento, SOR ofrece una aceleración útil y el Gradiente Conjugado Precondicionado destaca por su robustez.
Por su parte, LU cumple un papel fundamental como método directo de referencia, ya que proporciona una solución precisa con la cual se pueden contrastar los resultados iterativos. En conjunto, la comparación demuestra que no existe un único método universalmente mejor para todos los escenarios, sino que la elección depende del tipo de sistema, de su condicionamiento y de los objetivos del análisis numérico.
Aplicado al balance de carga en microservicios, este estudio permite entender que la complejidad del sistema no solo depende de la arquitectura de software, sino también de la forma matemática en que se representa. Por ello, el uso de métodos numéricos adecuados mejora tanto la interpretación del modelo como la capacidad de analizar estabilidad, saturación y eficiencia computacional.