Predicción de consumo de ancho de banda en la red de la FPUNE, utilizando RNA

Abstract

El presente trabajo se enfoca en el desarrollo de modelos de Redes Neuronales Artificiales (RNA) para predecir el consumo de ancho de banda en la red de la Facultad Politécnica de la Universidad Nacional del Este (FPUNE). La optimización del tráfico de red es esencial para garantizar un rendimiento adecuado y la disponibilidad de recursos. Se pretendió obtener modelos predictores precisos que permitan a los administradores de red tomar medidas proactivas para mejorar la calidad del servicio. El trabajo tuvo como objetivo desarrollar y evaluar varios modelos predictores basados en RNA para anticipar el consumo de ancho de banda y seleccionar el más preciso. Se planteo que un modelo de RNA podría generar predicciones precisas, facilitando la gestión proactiva de los recursos de red. Para validar esta hipótesis, se recolectaron y reprocesaron datos históricos de tráfico, y se entrenaron los modelos utilizando aprendizaje supervisado. Luego, se evaluaron mediante métricas de precisión, como Error Porcentual Absoluto Medio (MAPE) y el Coeficiente de Determinación (R²). Los resultados muestran que uno de los modelos predice con precisión los picos de consumo, facilitando la planificación de recursos y la prevención de congestiones. Con un MAPE bajo y un R² satisfactorio, se concluye que este tipo de modelo puede ayudar a optimizar el uso del ancho de banda y mejorar la experiencia de los usuarios en la red de la FPUNE.