Tras unos años en funcionamiento con la versión 1.0 de Oscarlytics, sentí la necesidad de evolucionarlo hacia un verdadero laboratorio de datos y sistemas personales. Sin embargo, el stack original presentaba algunos desafíos importantes:
- Consumo de recursos excesivo: La presencia de Elasticsearch, a pesar de sus increíbles capacidades de búsqueda, requería un consumo base de memoria de entre 1.5 GB y 2.5 GB de RAM. Para un servidor VPS de recursos limitados, esto dejaba muy poco margen para otros experimentos.
- Seguridad y privilegios: Todo el stack dependía del demonio central de Docker corriendo como
root. Cualquier vulnerabilidad en los contenedores podría comprometer potencialmente el sistema host. - Mantenimiento y configuración: El uso de hojas Excel para alimentar el contenido de los proyectos hacía que las actualizaciones fueran manuales y poco dinámicas.
Para este refactor, decidí plantear la estrategia y la arquitectura yo mismo (estableciendo estándares de endurecimiento y optimización estrictos), delegando la ejecución en mi agente autónomo Gemini (Antigravity).
Fig 1. Captura del consumo y carga del sistema (htop) en la infraestructura anterior con Docker y Elasticsearch.
Fig 2. Estadísticas de uso de contenedores en la versión original.
Acción
Para llevar a cabo la migración al stack 2.0, se implementaron las siguientes acciones de ingeniería:
- Migración de Elasticsearch a Meilisearch: Reemplazamos el motor de búsqueda por Meilisearch. Al ser un motor ultraligero y de alto rendimiento escrito en Rust, logramos mantener una búsqueda rápida de proyectos pero con una fraction diminuta del consumo de memoria.
- Migración de Excel a Markdown dinámico: Eliminamos por completo el uso de Excel. El contenido del portafolio se gestiona ahora a través de ficheros Markdown (
.md) con metadatos Frontmatter. Un script en Python analiza y sincroniza automáticamente las publicaciones en la base de datos y Meilisearch al iniciar la aplicación. - Ecosistema Rootless con Podman y Quadlets: Sustituimos el clásico
docker-composepor Podman Quadlets, integrados nativamente con el gestor de serviciossystemdde Linux. La aplicación se ejecuta de forma aislada, sin privilegios root y como un demonio del sistema operativo. - Contenedores Endurecidos (Hardening): Aplicamos estrictas políticas de seguridad en cada contenedor:
- Configuración de
NoNewPrivileges=trueyDropCapabilities=ALLpara mitigar escapes de contenedor. - Sistemas de archivos de solo lectura (
ReadOnlyRootFilesystem=true) en los contenedores Nginx y la Aplicación Flask. - Uso de imágenes base limpias y seguras (Chainguard/Wolfi y Alpine minimalistas).
- Automatización de Despliegue y SSL: ACME.sh se ejecuta como un contenedor sidecar realizando la validación DNS-01 (DuckDNS) para asegurar certificados SSL automáticos sin interrumpir el puerto 80/443 de Nginx.
Fig 3. Estadísticas de contenedores de la versión 2.0 (Podman stats) que muestran el drástico descenso de RAM.
Fig 4. Carga del sistema con el nuevo stack de Podman en producción.
Fig 5. Detalle final del uso de memoria en caliente del servidor VPS con el nuevo stack activo.
Adicionalmente, realizamos pruebas de estrés HTTP (HTTP Benchmarking) simulando carga concurrente para evaluar la latencia y la capacidad de respuesta global del servidor. Los resultados post-migración demuestran una mejora sustancial en el rendimiento de la web, entregando tiempos de respuesta mucho más estables, menor latencia y cero pérdida de paquetes debido a la ligereza del ecosistema y a la correcta optimización de Nginx.
Fig 6. Pruebas de rendimiento HTTP en la infraestructura anterior.
Fig 7. Pruebas de rendimiento HTTP tras la migración y optimización.
Resolución
La migración a Portafolio 2.0 ha sido un éxito rotundo, logrando los siguientes resultados medibles: - Reducción del 90% en el consumo de RAM: El stack completo en reposo pasó de requerir casi 1.8 GB a consumir menos de 190 MB de RAM. - Cero privilegios de superusuario (root): Todos los contenedores y el pod se ejecutan en espacio de usuario. - Rendimiento e indexación instantáneos: La búsqueda de Meilisearch responde en pocos milisegundos y la carga del procesador en el VPS host se mantiene cercana al 0.1% en reposo.
Este proyecto demuestra que es posible diseñar infraestructuras autogestionadas extremadamente seguras y de alto rendimiento sin sobrecargar los recursos del servidor.
El código fuente y las plantillas de esta nueva versión están disponibles en Mi GitHub. Si quieres conocer más detalles sobre el diseño original de la versión 1.0 (basada en Docker y Elasticsearch), puedes visitar el artículo correspondiente de Portafolio 1.0.