La utilización óptima de los recursos infraestructurales es una tarea altamente deseada pero engorrosa para que los proveedores de servicios logren. Esto se debe a que la cantidad óptima de dichos recursos es una función de varios parámetros, como la calidad de servicio (QoS) deseada/acordada, las características/perfil del servicio, la carga de trabajo y el ciclo de vida del servicio. El surgimiento de marcos que prevén el establecimiento dinámico y la ubicación de funciones de servicio y red contribuye aún más a disminuir la efectividad de los métodos tradicionales de asignación de recursos. En este trabajo, abordamos este problema desarrollando un mecanismo que primero realiza un perfilado del servicio y luego una predicción de los recursos que llevarían a la QoS deseada para cada servicio recién implementado. Los principales elementos de nuestro enfoque son los siguientes: (a) la recopilación de datos de las tres capas de la infraestructura implementada (hardware, virtual y de servicio), en lugar de una sola capa de la infraestructura implementada, para proporcionar una imagen más clara sobre los posibles puntos de quiebre del sistema, (b) el estudio de implementaciones basadas en contenedores conocidas que siguen el paradigma de microservicios y (c) el uso de una rutina de análisis de datos que emplea un conjunto de algoritmos de aprendizaje automático y realiza predicciones precisas de los recursos requeridos para cualquier solicitud de servicio futura. Investigamos el rendimiento del marco propuesto utilizando nuestra implementación de código abierto para examinar el caso de un clúster de Hadoop. Los resultados muestran que ejecutar un pequeño número de pruebas es adecuado para evaluar los principales puntos de quiebre del sistema y al mismo tiempo para obtener predicciones precisas de recursos para cualquier solicitud futura.