Admisiones:
Madrid: +34 918257503
Valencia: +34 961113845
Alicante: +34 966282409
Canarias: +34 922046901
Online: +34 918257518
Málaga: +34 952006801
Escuela Universitaria Real Madrid: +34 918257527
Estudiantes:
Madrid: +34 914146611
Valencia: +34 961043880
Alicante: +34 961043880
Canarias: +34 922985006
Online: +34 914146611
Málaga: +34 951102255
Whatsapp

¿Qué estás buscando?

Ej: Grado en medicina, admisiones, becas...

    Ver más
    Ronal Roberto Muresano Cáceres - Profesor

    Profesor titular

    Dr. Ronal Roberto Muresano Cáceres

    • Ingeniería

    Profesor acreditado por la AVAP como profesor de Universidad Privada y como Ayudante Doctor. Con Doctorado en computación de Altas prestaciones por la universidad Autónoma de Barcelona y con más de 19 artículos en revistas arbitradas y congresos en el área de computación.

    Su experiencia cubre el área de computación paralela, cloud computing y big data. Ha trabajado como profesor de programación por más de 15 años en diferentes universidades, impartiendo las cátedras de programación orientada objetos, sistemas operativos, fundamentos de Big Data y Cloud.

    Realizó su estancia doctoral en el German Research school (Alemania), y participó como investigador en el Joint research Centre de la Comisión Europea (Italia). Tiene más de 17 años de experiencia en área de sistemas distribuidos, Big data y Cloud. Actualmente se desempeña como coordinador de provisionamiento de datos en la Empresa Amadeus y como profesor en la Universidad Europea.

    Formación académica

    • Doctorado en Computación Paralela

      • Universidad Autónoma de Barcelona
      • 2008 - 2011

    • Máster en Computación Paralela

      • Universidad Autónoma de Barcelona
      • 2007 - 2008

    • Máster en Telemática

      • Universidad Rafael Belloso Chacín
      • 2002 - 2004

    Experiencia profesional

    • Amadeus
    • Arquitecto de Datos y mánager de ingeniería de datos
    • 2025

    Liderando el stream de arquitectura de Travel Intelligence, diseño y construyo una arquitectura de datos segura y confiable en la nube para ejecutar procesos ETL con controles de calidad y pipelines CI/CD, utilizando servicios de AWS como Athena, Glue, S3, EMR y Lambda. Defino estrategias de migración del pipeline de Big Data a AWS, implemento un ecosistema Kubernetes que proporciona a los científicos de datos herramientas avanzadas (MINIO, Cassandra, Kafka, ElasticSearch, HDFS, Jupyter, Dremio) y optimizo los procesos ETL para su exposición a través del data lake. Además, diseño modelos de datos para distintos Data Warehouses como Redshift, Druid, Kylin o Snowflake, y establezco el marco de data governance que cubre catálogo, linaje y gestión del dato.

    • Forwardkeys
    • Arquitecto de Datos y mánager de ingeniería de datos
    • 2019 - 2025

    Diseño de una arquitectura de datos segura y confiable en la nube para ejecutar procesos ETL con controles de calidad y pipelines CI/CD, utilizando servicios de AWS como Athena, Glue, S3, EMR y Lambda. Incluye la migración del pipeline de Big Data a AWS, la implementación de un ecosistema Kubernetes con herramientas para ciencia de datos (MINIO, Cassandra, Kafka, ElasticSearch, HDFS, Jupyter, Dremio), la optimización de los procesos ETL para su exposición a través del data lake, el diseño de modelos de datos para distintos Data Warehouses como Redshift, Druid, Kylin o Snowflake, y la definición del marco de data governance que cubre catálogo, linaje y gestión del dato.

    • Instituto Tecnológico de Informática
    • Arquitecto de Datos y gestor técnico de proyectos de Big Data
    • 2017 -2019

    Coordino las tareas técnicas del proyecto Radiatus, orientado al desarrollo de una infraestructura de Big Data as a Service en la nube financiada con presupuesto público. Analizo, evalúo e integro componentes de Big Data como Spark, Flink, Kafka, Neo4j Cassandra, ElasticSearch, HDFS, MPI o TensorFlow dentro de la infraestructura Ecloud bajo un modelo de servicios. Además, investigo diseño e incorporo arquitecturas Big Data que puedan desplegarse de forma transparente mediante herramientas de orquestación garantizando su operatividad, escalabilidad y uso eficiente por parte de los distintos equipos.

    • Comisión Europea
    • Investigador
    • 2013 - 2016

    He diseñado y desarrollado simuladores económicos y modelos numéricos en C/C++, Java y Python utilizando técnicas de paralelización como OpenMP, MPI y CUDA, complementados con Matlab y R para el análisis de datos, dentro de un marco de trabajo SCRUM. Asimismo, diseño e implemento una plataforma web para la ejecución transparente de modelos macroeconómicos y su análisis dinámico mediante Tableau y Google Charts. He definido una arquitectura Big Data para web mining en tiempo real basada en Hadoop y MapReduce, desarrollado DragonFly, un toolbox paralelo multiplataforma para Matlab/Octave, y creado implementaciones paralelas de algoritmos slice en C/C++, Python y Fortran empleando OpenMP, MPI y CUDA.

    Titulaciones

    Grado en Ciencia de Datos (Data Science)

    • Valencia
    • Presencial
    • Español

    Publicaciones

    • Dragonfly: a multi-platform parallel toolbox for MATLAB/Octave, Computer Languages, Systems & Structures

      Dragonfly, un conjunto de herramientas de software libre y de código abierto que permite crear un entorno de colaboración paralela entre instancias de MATLAB y/o Octave, proporcionando un sistema robusto, flexible, transparente e interoperable. Dragonfly puede utilizarse en configuraciones multiplataforma (Linux, Windows, Mac) y en múltiples entornos (por ejemplo, instancias de MATLAB y/o Octave). Para distribuir la carga de trabajo, incorpora un sistema flexible que permite a los programadores seleccionar los recursos computacionales, crear clústeres y asignar pesos para equilibrar adecuadamente las tareas en el entorno distribuido (máquinas con MATLAB y Octave) con diferentes capacidades de cómputo. Estas funcionalidades permiten obtener métricas de rendimiento favorables, como tiempo de ejecución, escalabilidad y eficiencia.

      Ver publicación

    • Hybrid Message Pessimistic Logging. Improving current pessimistic message logging protocols

      Con el creciente tamaño de las aplicaciones de computación de alto rendimiento (HPC), se ha producido un aumento en el número de interrupciones como consecuencia de fallos de hardware. La notable disminución del Tiempo Medio Entre Fallos (MTBF) en los sistemas actuales impulsa la investigación de soluciones adecuadas de tolerancia a fallos. El registro de mensajes combinado con puntos de control no coordinados constituye una solución escalable de recuperación por retroceso (rollback-recovery). Sin embargo, las técnicas de registro de mensajes suelen ser responsables de la mayor parte de la sobrecarga durante ejecuciones libres de fallos. Teniendo esto en cuenta, este artículo propone el Hybrid Message Pessimistic Logging (HMPL)

      Ver publicación

    • Adapting and Optimizing the Systemic Model of Banking Originated Losses (SYMBOL) tool to the multicore

      El auge de los sistemas multinúcleo ha abierto nuevas posibilidades para acelerar simulaciones estadísticas y numéricas, aunque también introduce desafíos relacionados con comunicaciones entre núcleos, localidad de datos, dependencias y limitaciones de memoria. Este trabajo presenta las optimizaciones aplicadas al modelo SYMBOL, una herramienta micro‑fundada que evalúa las consecuencias de fallos bancarios considerando mecanismos de protección como los esquemas de garantía de depósitos. Su versión original mostraba limitaciones de rendimiento al trabajar con sistemas bancarios extensos o con altos valores del criterio de parada. El objetivo es construir una herramienta extensible a modelos con características similares, combinando optimizaciones en serie —como eliminación de redundancias o loop unrolling— con estrategias paralelas basadas en OpenMP y programación GPU, junto con mecanismos de configuración automática que ajustan el uso de recursos según las características de los datos de entrada

      Ver publicación