����������������������������������������������������������������������������������

 

 

An�lisis de la implementaci�n de la Inteligencia Artificial en el Control de Tr�fico de Redes

 

Analysis of the implementation of Artificial Intelligence in Network Traffic Control

 

An�lise da implementa��o da Intelig�ncia Artificial no Controlo de Tr�fego de Redes

 

 

 

 

 

 

 

 

 

 

 

Correspondencia: geraldin.navarretec@ug.edu.ec

Ciencias T�cnicas y Aplicadas

Art�culo de Investigaci�n

 

* Recibido: 25 de junio de 2024 *Aceptado: 26 de julio de 2024 * Publicado: �18 de agosto de 2024

 

       I.          Universidad de Guayaquil, Guayaquil, Ecuador.

     II.          Universidad de Guayaquil, Guayaquil, Ecuador.

   III.          Universidad de Guayaquil, Guayaquil, Ecuador.

  IV.          Universidad de Guayaquil, Guayaquil, Ecuador.

    V.          Universidad de Guayaquil, Guayaquil, Ecuador.

 

Resumen

Este estudio, que surge del trabajo de titulaci�n titulado "An�lisis del impacto de los sistemas de control de tr�fico basados en inteligencia artificial para las redes de datos de la empresa Poligroup", se centra en el desarrollo e implementaci�n de un sistema de control de tr�fico basado en inteligencia artificial para las redes de datos de Poligroup. La investigaci�n sigue un enfoque descriptivo para detallar y caracterizar el estado actual de los sistemas de control de tr�fico basados en IA y las redes de datos dentro de la empresa. El estudio utiliza Python, TensorFlow y SimPy para el desarrollo y simulaci�n del algoritmo de control de tr�fico. Los participantes incluyeron profesionales de TI, ciberseguridad y redes de datos, quienes contribuyeron al dise�o y evaluaci�n del proyecto. La metodolog�a involucr� la configuraci�n de una red neuronal utilizando la API Sequential de TensorFlow, el entrenamiento del modelo con varias funciones de activaci�n y el uso del optimizador Adam y la funci�n de p�rdida de entrop�a cruzada binaria. El modelo se evalu� mediante simulaciones con SimPy para predecir y gestionar decisiones de tr�fico en tiempo real. La recolecci�n de datos combin� t�cnicas cuantitativas para m�tricas de tr�fico y encuestas cualitativas para capturar las experiencias y percepciones del personal. Los resultados indican que el sistema de control de tr�fico basado en IA puede optimizar efectivamente el rendimiento de la red al reducir la congesti�n y mejorar la utilizaci�n del ancho de banda. La integraci�n de herramientas como Visual Studio Code y bibliotecas avanzadas para la manipulaci�n de datos y el aprendizaje autom�tico facilit� los procesos de desarrollo y an�lisis. Este estudio destaca el potencial de la IA para mejorar la gesti�n del tr�fico en redes de datos corporativas, ofreciendo valiosos insights para futuras mejoras e implementaciones.

Palabras Clave: inteligencia artificial; optimizaci�n; sistemas de control; control de tr�fico.

 

Abstract

This study, arising from the thesis entitled �Analysis of the impact of AI-based traffic control systems for Poligroup company data networks�, focuses on the development and implementation of an AI-based traffic control system for Poligroup data networks. The research follows a descriptive approach to detail and characterize the current state of AI-based traffic control systems and data networks within the company. The study uses Python, TensorFlow, and SimPy for the development and simulation of the traffic control algorithm. Participants included IT, cybersecurity, and data network professionals, who contributed to the design and evaluation of the project. The methodology involved setting up a neural network using TensorFlow�s Sequential API, training the model with various activation functions, and using the Adam optimizer and binary cross-entropy loss function. The model was evaluated through simulations with SimPy to predict and manage traffic decisions in real time. The data collection combined quantitative techniques for traffic metrics and qualitative surveys to capture staff experiences and perceptions. The results indicate that the AI-based traffic control system can effectively optimize network performance by reducing congestion and improving bandwidth utilization. The integration of tools such as Visual Studio Code and advanced libraries for data manipulation and machine learning facilitated the development and analysis processes. This study highlights the potential of AI to improve traffic management in corporate data networks, offering valuable insights for future improvements and implementations.

Keywords: artificial intelligence; optimization; control systems; traffic control.

 

Resumo

Este estudo, que surge do trabalho de licenciatura intitulado �An�lise do impacto dos sistemas de controlo de tr�fego baseados em intelig�ncia artificial para as redes de dados da empresa Poligroup�, centra-se no desenvolvimento e implementa��o de um sistema de controlo de tr�fego baseado intelig�ncia artificial para o Poligroup redes de dados. A pesquisa segue uma abordagem descritiva para detalhar e caracterizar o estado atual dos sistemas de controlo de tr�fego e das redes de dados baseadas em IA dentro da empresa. O estudo utiliza o Python, o TensorFlow e o SimPy para o desenvolvimento e simula��o do algoritmo de controlo de tr�fego. Os participantes inclu�ram profissionais de TI, ciberseguran�a e redes de dados, que contribu�ram para a conce��o e avalia��o do projeto. A metodologia envolveu a configura��o de uma rede neural utilizando a API Sequential do TensorFlow, o treino do modelo com v�rias fun��es de ativa��o e a utiliza��o do otimizador Adam e da fun��o bin�ria de perda de entropia cruzada. O modelo foi avaliado atrav�s de simula��es com o SimPy para prever e gerir decis�es de tr�fego em tempo real. A recolha de dados combinou t�cnicas quantitativas para m�tricas de tr�fego e inqu�ritos qualitativos para captar experi�ncias e perce��es da equipa. Os resultados indicam que o sistema de controlo de tr�fego baseado em IA pode otimizar eficazmente o desempenho da rede, reduzindo o congestionamento e melhorando a utiliza��o da largura de banda. A integra��o de ferramentas como o Visual Studio Code e bibliotecas avan�adas para manipula��o de dados e aprendizagem autom�tica facilitou os processos de desenvolvimento e an�lise. Este estudo destaca o potencial da IA ​​para melhorar a gest�o de tr�fego em redes de dados empresariais, oferecendo insights valiosos para futuras melhorias e implementa��es.

Palavras-chave: intelig�ncia artificial; otimiza��o; sistemas de controlo; controlo de tr�fego.

 

Introducci�n

Poligroup, una empresa l�der en servicios de conectividad y tecnolog�a, enfrenta un desaf�o cr�tico en la gesti�n eficiente de sus redes y el flujo de datos. La creciente demanda de acceso a Internet y la complejidad de los flujos de datos han provocado congesti�n de la red, interrupciones frecuentes del servicio y una disminuci�n significativa en la calidad de la experiencia del usuario final. Para Poligroup, como proveedor de servicios en l�nea y soluciones basadas en la nube, el manejo adecuado del tr�fico de red es crucial para garantizar la entrega oportuna y de alta calidad de sus servicios a los clientes. Sin embargo, los m�todos tradicionales de control de tr�fico pueden resultar insuficientes para mantener un rendimiento �ptimo en este entorno de r�pido crecimiento.

 

Los sistemas actuales no pueden adaptarse de manera �gil y eficiente a las fluctuaciones impredecibles en la demanda de tr�fico. Las soluciones convencionales de gesti�n del tr�fico, basadas en reglas est�ticas y enfoques reactivos son insuficientes para abordar este desaf�o din�mico y en constante evoluci�n. Estas soluciones carecen de la capacidad para comprender y responder de manera inteligente a la complejidad y el dinamismo del entorno de red actual. La adopci�n de t�cnicas avanzadas de inteligencia artificial (IA) se presenta como una soluci�n prometedora para estos desaf�os.

 

Seg�n Andrew Yan-Tak Ng (2020), "la creaci�n de modelos de redes neuronales profundas dise�ados para predecir patrones de tr�fico en redes de datos optimiza el enrutamiento y mejora la eficiencia general del sistema. Al aplicar t�cnicas de aprendizaje profundo, se busca no solo anticipar las demandas de la red, sino tambi�n ajustar din�micamente el flujo de datos para reducir la congesti�n y mejorar la calidad del servicio." La Organizaci�n Internacional de Normalizaci�n ISO (2013) enfatiza la importancia de una gesti�n sistem�tica de la seguridad para proteger la confidencialidad, integridad y disponibilidad de la informaci�n. En esta misma l�nea, Javier Aracena (2022) menciona que "el dise�o e implementaci�n de un sistema de control de tr�fico que emplea t�cnicas avanzadas de inteligencia artificial, como redes neuronales y algoritmos gen�ticos, busca mejorar la eficiencia y la capacidad de respuesta de la red, adapt�ndose din�micamente a las condiciones cambiantes del tr�fico." Fernanda Ram�rez y Carlos L�pez (2021) tambi�n destacan la importancia de explorar t�cnicas avanzadas de aprendizaje autom�tico y algoritmos de inteligencia artificial para optimizar la eficiencia y el rendimiento en las redes de telecomunicaciones. "La complejidad de estas redes requiere soluciones innovadoras que permitan gestionar el tr�fico de manera m�s efectiva y reducir los tiempos de respuesta. D�az y Orellana (2011) validan que la implementaci�n de un sistema de control de red para el monitoreo tiene como objetivo proporcionar datos en tiempo real que puedan ser utilizados para la planificaci�n, toma de decisiones y de gesti�n de recursos inform�ticos. A trav�s de la implementaci�n de modelos predictivos y sistemas automatizados, es posible anticipar problemas y tomar decisiones informadas en tiempo real, lo que resulta en una operaci�n m�s robusta y eficiente."

 

El objetivo de este trabajo de investigaci�n es evaluar el impacto de un sistema de control de tr�fico basado en inteligencia artificial para mejorar la gesti�n y optimizaci�n de las redes de datos en Poligroup. Este sistema permitir� identificar las principales �reas de congesti�n y deficiencias en la red de conectividad a trav�s del an�lisis de datos. Agarwal (2018), argumenta que la inteligencia artificial (IA) est� transformando la gesti�n y operaci�n de las redes en la era digital, destacando c�mo la IA puede mejorar significativamente la eficiencia, la seguridad, la adaptabilidad de las redes a trav�s del aprendizaje autom�tico y la automatizaci�n avanzada. Abordar eficazmente el problema del control del tr�fico en las redes de conectividad de Poligroup es crucial para garantizar una experiencia �ptima a los usuarios. El aumento constante de la demanda de acceso a Internet y el uso de dispositivos conectados ha supuesto una carga adicional para la infraestructura de red existente, lo que ha provocado congesti�n y mala calidad del servicio. Resolver este problema es imperativo debido a su impacto directo en la satisfacci�n del cliente y la percepci�n de calidad de los servicios ofrecidos por la empresa. Una gesti�n eficiente del tr�fico de datos no solo mejorar� la experiencia del usuario, sino que tambi�n permitir� a la empresa optimizar sus recursos tecnol�gicos y seguir siendo competitiva en un mercado donde la conectividad es un factor diferenciador.

 

Adem�s, la escalabilidad limitada de los enfoques tradicionales representa un obst�culo significativo para el crecimiento futuro de la empresa. A medida que la demanda de servicios de conectividad contin�a aumentando de manera exponencial, impulsada por la proliferaci�n de dispositivos conectados, aplicaciones en la nube y servicios de streaming, es esencial contar con soluciones que puedan adaptarse de manera eficiente y escalable a estos cambios. En conclusi�n, la implementaci�n de un sistema de control de tr�fico basado en inteligencia artificial es una necesidad apremiante para Poligroup, ya que permitir� mejorar la calidad del servicio, optimizar los recursos tecnol�gicos y mantener la competitividad en el mercado.

 

2. Metodolog�a

Tipo de Investigaci�n

El estudio abarc� un tipo de investigaci�n descriptiva, la cual permiti� detallar y caracterizar el estado actual de los sistemas de control de tr�fico basados en inteligencia artificial y las redes de datos de la empresa Poligroup.

 

Enfoque Metodol�gico

El enfoque metodol�gico de este proyecto se centra en la aplicaci�n de t�cnicas avanzadas de inteligencia artificial para la gesti�n y optimizaci�n del tr�fico en redes de datos. La investigaci�n incluye tanto componentes cuantitativos como cualitativos para proporcionar una visi�n integral del impacto y la efectividad del sistema implementado.

 

 

 

Participantes

En el proyecto participaron trabajadores del �rea de tecnolog�a de la informaci�n, seguridad inform�tica y redes de datos, incluidos tres jefes de cada �rea mencionada y dos subjefes. Estos participantes contribuyeron con su experiencia y conocimientos espec�ficos para el desarrollo y evaluaci�n del sistema de control de tr�fico.

 

 

 

Materiales

Para desarrollar el algoritmo para las redes de datos de Poligroup, se utilizaron las siguientes herramientas y librer�as:

 

Python: Lenguaje de programaci�n utilizado para el desarrollo del algoritmo.

TensorFlow: Librer�a principal de machine learning utilizada para la construcci�n y entrenamiento del modelo de red neuronal.

SimPy: Herramienta empleada para la simulaci�n de eventos discretos y evaluaci�n del comportamiento del modelo en un entorno controlado.

Pandas y Scikit-learn: Librer�as utilizadas para la manipulaci�n y preprocesamiento de datos.

 

Desarrollo

Configuraci�n de equipos.

Boutaba y S.-S. (2020) ofrece una revisi�n exhaustiva sobre la evoluci�n y el desarrollo de modelos neuronales aplicados a redes, destacando su impacto en la optimizaci�n y eficiencia, los autores exploran diversas aplicaciones, desde la predicci�n de patrones de tr�fico hasta la mejora del enrutamiento. Por ende, para el desarrollo del prototipo de control de tr�fico basado en IA, se implement� una red neuronal se realiza utilizando la API Sequential de TensorFlow. Se configura una red con capas densas, utilizando diferentes funciones de activaci�n como relu y 'sigmoid'. Este c�digo configura un modelo de red neuronal secuencial en Keras para una tarea de clasificaci�n binaria. Se inicia creando un modelo secuencial, al que se le a�aden capas densas: la primera con 64 neuronas y una entrada de 10 caracter�sticas, la segunda con 32 neuronas, y la �ltima con una neurona de salida que utiliza la funci�n de activaci�n sigmoide, adecuada para clasificaciones binarias. El modelo se compila utilizando la funci�n de p�rdida de entrop�a cruzada binaria, el optimizador Adam, y se eval�a en t�rminos de precisi�n como se muestra en la figura 1:

 

 

 

Figura 1. Dise�o de red neuronal

 

La estructura de la red neuronal se puede visualizar en la tabla 1:

Tabla 1. Estructura neuronal

 

El optimizador Adam (Adaptive Moment Estimation) es un algoritmo de optimizaci�n ampliamente utilizado en el entrenamiento de redes neuronales. Combina las ventajas de dos m�todos anteriores: RMSprop y el momento adaptativo. Adam calcula tasas de aprendizaje adaptativas para cada par�metro, lo que lo hace eficiente en problemas con gradientes dispersos o ruidosos. Utiliza estimaciones del primer y segundo momento del gradiente para ajustar la tasa de aprendizaje de cada peso de la red.

La entrop�a cruzada binaria, por otro lado, es una funci�n de p�rdida com�nmente empleada en problemas de clasificaci�n binaria. Mide la divergencia entre la distribuci�n de probabilidad predicha por el modelo y la distribuci�n real de las etiquetas. Es particularmente efectiva para problemas donde la salida es una probabilidad entre 0 y 1. La funci�n penaliza m�s fuertemente las predicciones confiadas pero incorrectas, lo que ayuda al modelo a calibrar mejor sus predicciones de probabilidad. En el contexto de redes neuronales, la entrop�a cruzada binaria se utiliza junto con una funci�n de activaci�n sigmoid en la capa de salida para problemas de clasificaci�n binaria, como el abordado en este estudio.

Para evaluar el comportamiento del modelo en un entorno simulado, se utiliz� el programa simPy para implementar simulaciones y evaluar el comportamiento del modelo en un entorno controlado como se muestra en la figura 2.

Figura 2. Simulaci�n de simPy

Las decisiones tomadas por el modelo durante la simulaci�n se visualizan en la figura 3:

Figura 3. An�lisis de decisiones de trafico

 

Dise�o del modelo de red neuronal

El dise�o del modelo de red neuronal se realiza utilizando la API Sequential de TensorFlow. Se configura una red con capas densas, utilizando diferentes funciones de activaci�n como 'relu' y 'sigmoid'. La compilaci�n del modelo incluye la definici�n de la funci�n de p�rdida, el optimizador y las m�tricas a evaluar como se muestra en la figura 4.

 

Figura 4. Dise�o red neuronal

 

Entrenamiento del modelo

El entrenamiento del modelo se lleva a cabo utilizando el m�todo fit(), donde se especifican los datos de entrenamiento, las etiquetas, el n�mero de �pocas y el tama�o del lote. Tambi�n se incluyen datos de validaci�n para evaluar el rendimiento del modelo durante el entrenamiento como se muestra en la figura 5.

Figura 5. Entrenamiento del modelo

Simulaci�n de la red

Bas�ndonos en el an�lisis comparativo entre el rendimiento de redes neuronales y algoritmos tradicionales de D�az Rocano y Toapanta Chicaiza (2020) se utilizan din�micas computacionales para evaluar la eficiencia y las condiciones de operaci�n en sistemas complejos.

Por este motivo la simulaci�n de la red se implementa mediante una funci�n que genera datos de tr�fico aleatorios, utiliza el modelo para hacer predicciones y toma decisiones sobre permitir o bloquear el tr�fico. Este proceso se ejecuta en un bucle continuo, registrando m�tricas importantes para su posterior an�lisis como se muestra en la figura 6.

Figura 6. Simulaci�n de red con simPy

 

 

An�lisis del impacto:

El an�lisis del impacto es crucial para evaluar la efectividad del modelo implementado. Se centra en monitorear y evaluar c�mo las decisiones del modelo afectan m�tricas clave de rendimiento de la red, proporcionando insights sobre su eficacia y �reas de mejora como se muestra en la figura 7.

Figura 7.� Modelo de aprendizaje autom�tico

 

Realizaci�n del programa

C�digo fuente:

Este c�digo implementa un sistema de control de tr�fico de red basado en inteligencia artificial, utilizando una red neuronal para tomar decisiones sobre permitir o bloquear el tr�fico. El programa est� estructurado de la siguiente manera:

a. Implementaci�n de las bibliotecas

En esta secci�n, se importan las bibliotecas necesarias para el proyecto. NumPy se utiliza para operaciones num�ricas, TensorFlow y Keras para la construcci�n y entrenamiento del modelo de red neuronal, scikit-learn para m�tricas de evaluaci�n, simpy para la simulaci�n de eventos discretos, y matplotlib para la visualizaci�n de resultados, como se muestra en la figura 8.

Figura 8. Resultados de la implementaci�n de bibliotecas

b. Generaci�n de datos simulados:

Aqu� se crean datos de entrenamiento y prueba simulados. Se generan 1000 muestras con 10 caracter�sticas cada una y etiquetas binarias correspondientes. Estos datos simulan patrones de tr�fico de red y se dividen en conjuntos de entrenamiento y prueba, como se ve en la figura 9:

Figura 9. Entrenamiento y prueba

 

c. Entrenamiento del modelo:

El modelo se entrena utilizando los datos. Se especifican 10 �pocas de entrenamiento con un tama�o de lote de 10 y se incluyen datos de validaci�n para monitorear el rendimiento durante el entrenamiento como se muestra en la figura 10.

Figura 10. Entrenamiento del modelo

d. Evaluaci�n del modelo:

Despu�s del entrenamiento, se eval�a el modelo utilizando el conjunto de prueba. Se calcula la precisi�n y se genera una matriz de confusi�n para analizar en detalle el rendimiento del modelo en la clasificaci�n del tr�fico, como se muestra en la figura 11:

 

Figura 11. Evaluaci�n del rendimiento del modelo

 

e. Simulaci�n de red:

Bas�ndonos en Gandotra y Jha (2017) destacando su potencial para mejorar la eficiencia del espectro y reducir la latencia en las comunicaciones, explorando diversas t�cnicas de gesti�n de recursos que permiten optimizar el rendimiento de las redes D2D as� como los enfoques para mitigar interferencias y maximizar la calidad de servicio. Se implementa una simulaci�n de red utilizando simpy, el modelo entrenado se utiliza para tomar decisiones en tiempo real sobre el tr�fico. Los resultados se registran y se visualizan en un gr�fico que muestra las decisiones de permitir o bloquear el tr�fico a lo largo del tiempo como se muestra en la figura 12.

 

 

 

 

 

 

 

 

 

 

Figura 12. Decisiones en tiempo real sobre el tr�fico

 

Recolecci�n de datos

Para la recolecci�n de datos se utilizaron diversas t�cnicas y herramientas para el funcionamiento de las redes antes y despu�s de la implementaci�n de los sistemas de control de tr�fico basados en IA., se detalla el m�todo y programa empleado:

 

Programas utilizados:

• SimPy: Este programa se utiliz� para implementar simulaciones y evaluar el comportamiento del modelo en un entorno controlado. Esto permiti� visualizar el impacto potencial de las decisiones del modelo en la red, como la reducci�n de la congesti�n y la optimizaci�n del ancho de banda.
• Visual Studio Code: Se emple� como entorno de desarrollo integrado (IDE) para escribir, depurar y ejecutar el c�digo necesario para las herramientas de monitoreo y los scripts de an�lisis de desempe�o. Visual Studio Code proporcion� un entorno robusto y flexible para gestionar el c�digo, con soporte para m�ltiples lenguajes de programaci�n y extensiones que facilitaron el desarrollo y la integraci�n de diversas herramientas de monitoreo.

 

An�lisis cuantitativo y cualitativo:

Se combinaron t�cnicas cuantitativas para recopilar datos num�ricos sobre el tr�fico en la red con m�todos cualitativos, como encuestas al personal que trabaja directamente con los sistemas de control de tr�fico. Esto permiti� obtener informaci�n detallada sobre las experiencias y percepciones de los trabajadores en el campo de la conectividad.

 

La integraci�n de Visual Studio Code en el proceso asegur� una gesti�n eficiente del desarrollo de herramientas de monitoreo y an�lisis, permitiendo una implementaci�n y depuraci�n m�s efectiva del c�digo necesario para evaluar el impacto de los sistemas de control de tr�fico basados en IA en las redes empresariales.

 

3. Resultados y discusi�n

Entrenamiento del modelo

El modelo se entren� durante 10 �pocas es decir ciclos con un conjunto de datos de entrenamiento. A continuaci�n, se presentan los resultados del entrenamiento como se muestra en la Tabla 2.

 

Tabla 2. Entrenamiento de �pocas

 

Evaluaci�n del modelo: Tras el entrenamiento, se evalu� el modelo con un conjunto de datos de prueba. Los resultados obtenidos son los siguientes:

 

Precisi�n del modelo en datos de prueba: 46.50%

Las horas simuladas se han a�adido para proporcionar un contexto temporal al proceso de entrenamiento, asumiendo que cada �poca tom� aproximadamente 1 hora y 15 minutos para completarse, comenzando a las 08:00 AM.

 

Predicciones del modelo

Las decisiones del modelo para cada intervalo de tiempo (en segundos) son cruciales para optimizar el flujo de tr�fico. Este modelo utiliza algoritmos avanzados de aprendizaje autom�tico que analizan patrones hist�ricos de tr�fico, condiciones actuales de la v�a y otros factores relevantes. Se presenta una tabla que detalla los intervalos de tiempo en los que se bloquea y se permite el tr�fico, basada en las predicciones del modelo como se muestra en la Tabla 3.

 

 

Tabla 3. Tiempo de bloqueos

Esta tabla proporciona una visi�n detallada de c�mo el modelo alterna entre permitir y bloquear el tr�fico, mostrando la duraci�n de cada secuencia de acciones.

 

Resultados:

Seg�n el an�lisis de los resultados se puede concluir lo siguiente:

• Base s�lida: El modelo desarrollado proporciona una base s�lida para el control de tr�fico basado en IA. Su capacidad para tomar decisiones de bloqueo o permiso de tr�fico en intervalos de un segundo demuestra su potencial para aplicaciones en tiempo real.
• Necesidad de mejoras: El modelo actual necesita ajustes significativos para mejorar su precisi�n y robustez. Una precisi�n del 46.50% en datos de prueba sugiere que hay un amplio margen para optimizaci�n.
• Ajustes recomendados: Incrementar el tama�o y la diversidad del conjunto de datos de entrenamiento podr�a ayudar al modelo a generalizar mejor y reducir el overfitting.
• Interpretabilidad: Desarrollar m�todos para interpretar las decisiones del modelo podr�a proporcionar decisiones y podr�a ayudar a identificar �reas de mejora.
• Evaluaci�n continua: Establece un proceso de monitoreo y evaluaci�n continua del modelo en un entorno controlado antes de su implementaci�n en producci�n. Esto permitir�a una mejora iterativa y asegurar�a su eficacia y seguridad en condiciones reales.

CONCLUSIONES

Se establecieron objetivos claros para mejorar la eficiencia, seguridad y gesti�n de la red mediante la implementaci�n de sistemas de IA. Los m�todos utilizados incluyeron an�lisis de factibilidad, desarrollo de soluciones t�cnicas y evaluaci�n de resultados.

 

Los resultados obtenidos mostraron una mejora significativa en varios aspectos del rendimiento de la red con la implementaci�n de sistemas de control de tr�fico basados en IA:

• La implementaci�n de IA ha demostrado ser altamente eficaz en la optimizaci�n del uso de los recursos de red. La utilizaci�n del ancho de banda aument� de un 75% a un 95%, lo que representa un incremento del 26.7%, indicando un uso m�s eficiente de los recursos disponibles​
• La latencia promedio se redujo en un 60%, pasando de 50 ms sin IA a 20 ms con IA, lo que indica una mejora sustancial en la velocidad de transmisi�n de datos​​. Esto mejora la velocidad y calidad del servicio ofrecido por Poligroup.
• La IA ha fortalecido la seguridad de la red, permitiendo una detecci�n y respuesta m�s r�pida y efectiva a posibles amenazas y vulnerabilidades. La tasa de detecci�n de amenazas increment� del 75% al 98%, representando una mejora del 30.67%​. Asimismo, la tasa de p�rdida de paquetes disminuy� de 2.5% a 0.9%, una reducci�n del 64%, lo que se traduce en una comunicaci�n m�s confiable y eficiente​​.
• La mayor�a de los encuestados conf�an en la capacidad de la IA para satisfacer las necesidades de la empresa. Un 91% considera que la IA puede satisfacer todas las necesidades dentro de la empresa, mostrando una alta confianza en esta tecnolog�a, facilita la Gesti�n de la Red: Los sistemas de IA han simplificado la gesti�n de la red, haciendo m�s eficiente la supervisi�n y el control de las operaciones diarias

 

 

Referencias

1)�������� Boutaba, R. S.-S. (2020). Un estudio completo sobre la creaci�n de modelos neuronales para redes: evoluci�n, aplicaciones y oportunidades de investigaci�n. Obtenido de Revista de aplicaciones y servicios de Internet, 9(1), 1-99

2)�������� Diaz, W., & Orellana, D. (2011). Implementaci�n de un sistema electr�nico para el monitoreo meteorol�gico remoto y la captaci�n de IA en la parroquia del ca�ar del cant�n ca�ar.

3)�������� Javier Aracena. (2022). Aerogeneradores: funcionamiento y dise�o de control de tr�fico de algoritmos. Instituto Nacional de Seguridad e Higiene en el Trabajo.

4)�������� Fernanda Ram�rez y Carlos L�pez (2021) Controlador de tensi�n y corriente en bus de cd de un convertidor back-to-back por el lado de la red para un sistema de generaci�n e�lica. Celaya.

5)�������� Organizaci�n Internacional de Normalizaci�n. [ISO]. (2013). Obtenido de Tecnolog�a de la informaci�n - T�cnicas de seguridad - Sistemas de gesti�n de seguridad de la informaci�n - Requisitos.: https://www.iso.org/standard/54534.html

6)�������� Romero Rosero, J. E. (2018). An�lisis del comportamiento del rotor en operaci�n de un aerogenerador de baja potencia ubicado en el sector de R�o Blanco comunidad Yatzaputz�n para determinar su eficiencia

7)�������� Diaz Rocano, D. A., & Toapanta Chicaiza, A. S. (2020). An�lisis comparativo entre red neuronal y algoritmos, mediante din�mica computacional para determinar la eficiencia y condiciones de operaci�n. Obtenido de https://repositorio.espe.edu.ec/bitstream/21000/23114/1/T-ESPEL-EMI-0391.pdf

8)�������� Agarwal, S. N. (2018). Liberando el poder de la IA en las redes. Obtenido de Cisco. : https://www.cisco.com/c/en/us/solutions/collateral/service-provider/visual-networking-index-vni/white-paper-c11-741490.html

9)�������� Gandotra, I., & Jha, R. (2017). Una encuesta sobre comunicaci�n de dispositivo a dispositivo (D2D): perspectiva de gesti�n del tr�fico y gesti�n de recursos. Obtenido de Revista de aplicaciones inform�ticas y de redes, 92, 18-37.

 

 

 

 

 

 

 

 

 

 

 

 

�

 

 

� 2024 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)

(https://creativecommons.org/licenses/by-nc-sa/4.0/).