Análisis de Métodos de Inteligencia Artificial para el Ajuste Automático del Ancho de Banda en Redes Inalámbricas

Autores/as

DOI:

https://doi.org/10.29019/enfoqueute.1105

Palabras clave:

Tráfico, Internet, Machine Learning, Aprendizaje Supervisado, Calidad de Servicio

Resumen

El aumento exponencial del tráfico en Internet, se debe principalmente a la proliferación de servicios como el streaming de audio y video, a la aparición de aplicaciones que requieren mucho ancho de banda para trabajar de forma óptima y generalmente al proceso de digitalización de servicios, en este contexto la gestión del ancho de banda juega un papel fundamental, la cual se traduce en una mejor experiencia para los usuarios.  La congestión de tráfico produce que el intercambio de información se vuelva deficiente, es por ello que se ha investigado técnicas como el ajuste automático de ancho de banda, el cual gestiona el ancho de banda de acuerdo a la demanda de tráfico, por ello en el presente documento se hace un estudio acerca del ajuste automático de ancho de banda, la forma en cómo la Inteligencia Artificial se integra con las redes de computadoras, finalmente se realizará una comparación varios métodos de machine learning,  catalogados dentro del aprendizaje supervisado, realizando varios experimentos determinado que Random Forest es el método más efectivo para predecir el ajuste automático de ancho de banda, seguido de Nayve Bayes, Logistic Regressión, y Support Vectorial Machine (SMV), en contra parte K -vecino más cercano (KNN) y red neuronal no demuestra una efectividad considerable, cada experimento se lo realizó tomando en cuenta la Calidad de Servicio (QoS).

Descargas

Los datos de descargas todavía no están disponibles.

Citas

[1] T. Alalibo, O. Sunny and E. Promise, "Bandwidth Optimization of Wireless Networks Using," marzo 2020. [Online]. Available: https://www.irejournals.com/formatedpaper/1702018.pdf.

[2] S. C. Madanapalli, H. H. Gharakhieli and V. Sivaraman, "Inferring Netflix User Experience from Broadband Network Measurement," 5 Agosto 2019. [Online]. Available: 10.23919/TMA.2019.8784609.

[3] S. Rai and A. Kumar, "Dynamic Bandwidth Allocation in Optical Networks Using Machine Learning," julio 2021. [Online]. DOI: https://doi.org/10.17605/OSF.IO/5UKBM.

[4] A. A. Suham and H. H. Karar, "Optimization of Resource and Bandwidth Allocation in Wireless Networks Performance Analysis using Artificial Intelligence," 2020. [Online]. Available: https://repository.atu.edu.iq/uploads/repo_file_7_23_10_21_51.pdf.

[5] J. Cao, Z. Ma, J. Xie, X. Zhu, F. Dong and Boliu, "Towards Tenant Demand-Aware Bandwidth Allocation Strategy in Cloud Data Center," abril 2020. [Online]. Available: https://www.sciencedirect.com/science/article/abs/pii/S0167739X17311834.

[6] K. Lin, C. Li, D. Tian, A. Ghoneim, M. S. Hossain and S. O. Amin, "Artificial-Intelligence-Based Data Analytics for Cognitive Communication in Heterogeneous Wireless Networks," junio 2019. [Online]. DOI: https://doi.org/10.1109/MWC.2019.1800351.

[7] B. L. Khaled, C. Wei, S. Yuanming, Z. Jun and A. Z. Ying-Jun, "The Roadmap to 6G – AI Empowered," 19 julio 2019. [Online]. DOI:

https://doi.org/10.48550/arXiv.1904.11686

[8] T. Sowmya and A. Mary, "A comprehensive review of AI based intrusion detection system," agosto 2023. [Online]. Available: https://www.sciencedirect.com/science/article/pii/S2665917423001630#sec3.

[9] J. Zhao, Z. Su, Y. Yang and T. Xu, "ANN/Random forest based performance monitoring in high-speed short-reach optical interconnections," Octubre 2024. [Online]. DOI: https://doi.org/10.1016/j.yofte.2024.103941.

[10] Wezen, "QoS, qué es y cuál es su importancia en la gestión IT," 15 agosto 2023. [Online]. Available: https://www.wezengroup.com/qos-cual-es-su-importancia-en-la-gestion-it/.

[11] VASExperts, "Cómo utilizar QoS para garantizar la calidad del acceso a Internet," 23 enero 2023. [Online]. Available: https://vasexperts.com/es/blog/quality-of-service/how-to-use-qos-to-ensure-the-internet-access-quality/.

[12] D. Young, "Conference Call Bandwidth Consumption. [Dataset].," (2020). . [Online]. Available: https://www.kaggle.com/datasets/dikamsiyoung/conference-call-bandwidth-consumption/data.

[13] Union International Telecommunication, "International Internet bandwidth per Internet user, kb/s. [Dataset].," 2016. [Online]. Available: https://www.theglobaleconomy.com/Slovenia/Internet_bandwidth/.

[14] K. Raghunath, "5g network metrics high traffic event. [Dataset].," 18 Agosto 2023. [Online]. DOI: https://doi.org/10.21227/1ryt-wb82.

[15] L. Mei, J. Gou, Y. Cai, H. Cao and L. Yong, "Realtime Mobile Bandwidth and Handoff Predictions in 4G/5G Networks," 27 Abril 2021. [Online]. Available: DOI: https://doi.org/10.48550/arXiv.2104.12959

[16] O. Schmitz, "Orange Data Mining: Aprendizaje automático de código abierto y visualización de datos," 9 mayo 2023. [Online]. Available: https://www.linkedin.com/pulse/orange-data-mining-aprendizaje-autom%C3%A1tico-de-c%C3%B3digo-y-schmitz-/.

[17] M. Amer, "Métricas de evaluación de clasificación: precisión, exactitud, recuperación y F1 explicadas visualmente," 7 junio 2022. [Online]. Available: https://cohere.com/blog/classification-eval-metrics.

[18] Deepchecks, "Comprensión de las métricas de puntuación F1, precisión, ROC-AUC y PR-AUC para modelos," 13 junio 2024. [Online]. Available: https://deepchecks.com/f1-score-accuracy-roc-auc-and-pr-auc-metrics-for-models/.

[19] M. Tech, "¿Qué es el coeficiente de correlación de Matthews (MCC)?," 13 diciembre 2022. [Online]. Available: https://medium.com/@CuttiE_MarU/what-is-matthews-correlation-coefficient-mcc-bb07a94162ba.

Descargas

Publicado

2025-01-01

Cómo citar

Carrillo, M., Torres Tandazo, R. V., & Barba Guaman, L. R. (2025). Análisis de Métodos de Inteligencia Artificial para el Ajuste Automático del Ancho de Banda en Redes Inalámbricas. Enfoque UTE, 16(1), 45–52. https://doi.org/10.29019/enfoqueute.1105

Número

Vol. 16 Núm. 1 (2025)

Sección

Misceláneos

Licencia

Derechos de autor 2024 Los Autores

Creative Commons License

Esta obra está bajo una licencia Creative Commons Reconocimiento 3.0 Unported.

Los artículos e investigaciones publicadas por la Universidad UTE, se realizan en régimen de Acceso Abierto [Open Access] en formato electrónico. Esto significa que todo el contenido está disponible de forma gratuita sin costo para el usuario o su institución. Los usuarios pueden leer, descargar, copiar, distribuir, imprimir, buscar o enlazar los textos completos de los artículos, o usarlos para cualquier otro propósito legal, sin necesidad de pedir permiso previo al editor o al autor. Esto está de acuerdo con la definición de acceso abierto de la Iniciativa de Acceso Abierto de Budapest (BOAI). Al enviar un artículo a cualquiera de las revistas científicas de la Universidad UTE, el o los autores aceptan estas condiciones.

La UTE aplica la licencia Creative Commons Attribution (CC-BY) a los artículos de sus revistas científicas. En virtud de esta licencia de acceso abierto, como autor usted acuerda que cualquier persona puede reutilizar su artículo en su totalidad o en parte para cualquier propósito, de forma gratuita, incluso para fines comerciales. Cualquiera puede copiar, distribuir o reutilizar el contenido siempre y cuando el autor y la fuente original estén correctamente citados. Esto facilita la libertad de reutilización y también asegura que el contenido pueda ser extraído sin barreras para necesidades de investigación.

 

Esta obra está bajo una Creative Commons Attribution 3.0 International (CC BY 3.0).

 

Además, la Revista Enfoque UTE garantiza y declara que los autores conservan siempre todos los derechos de autor y todos los derechos de publicación sin restricciones [© Los Autores].  El reconocimiento (BY) permite cualquier explotación de la obra, incluyendo una finalidad comercial, así como la creación de obras derivadas, la distribución de las cuales también está permitida sin ninguna restricción.