Predicción de fallas en redes de comunicación mediante redes neuronales recurrentes

Resumen

En el contexto de la creciente dependencia de los sistemas digitales, se identificó la necesidad de anticipar fallas en redes de comunicación, debido al impacto que estas generan en la continuidad operativa de servicios críticos. Se observó que los sistemas tradicionales de monitoreo presentan un enfoque reactivo, lo cual resultó ineficiente frente a las exigencias de entornos altamente automatizados. Por ello, se planteó como objetivo principal el desarrollo de un modelo predictivo basado en redes neuronales recurrentes (RNN), específicamente diseñado para detectar comportamientos anómalos y anticipar eventos de desconexión en redes de telecomunicaciones. Para alcanzar este propósito, se adoptó una metodología de tipo cuantitativa, experimental y aplicada. Se instalaron sondas de monitoreo en una red real de un proveedor de internet rural, lo que permitió recopilar datos operacionales en tiempo real, tales como latencia, pérdida de paquetes, uso de CPU y estado de puertos. Posteriormente, estos datos fueron tratados, normalizados y utilizados para entrenar un modelo RNN de tipo LSTM. El modelo desarrollado logró una precisión del 94 % y evidenció una alta sensibilidad para detectar fallas inminentes. Durante su validación, fue capaz de anticipar eventos críticos, replicando de forma precisa el comportamiento de la red antes de las interrupciones. Se concluyó que esta propuesta fortaleció la resiliencia operativa, mejoró la gestión de redes y facilitó la toma de decisiones preventivas. El enfoque basado en inteligencia artificial demostró ser eficaz para reducir el impacto de las caídas y optimizar el desempeño de las infraestructuras digitales.