Aprendizaje automático para el análisis de tráfico de datos en la detección de fallas en redes de telecomunicaciones, 2024
Authors
Loading...
Date
2025
Directors
Journal Title
Journal ISSN
Volume Title
Publisher
Quevedo: UTEQ
Abstract
Este estudio aplica aprendizaje automático para anticipar fallas en enlaces de telecomunicaciones a partir del tráfico entre Ventanas y otras localidades de la provincia de Los Ríos durante 2024. Se construyó una etiqueta de “falla inminente” con una ventana futura de 30 minutos, basada en registros de Link Downs o, cuando no estuvieron disponibles, en caídas pronunciadas del caudal (total_bps). Se seleccionaron variables numéricas sin fuga y se normalizaron con RobustScaler. Para exploración y priorización de eventos se usaron métodos no supervisados (Isolation Forest, One-Class SVM, LOF, elipse de covarianza y error de reconstrucción con PCA), junto con un ensamblado por promedio z. La predicción binaria se abordó con regresión logística, Random Forest, Gradient Boosting y LinearSVC, entrenados con cortes temporales y una ventana de prueba reciente. La evaluación consideró ROC-AUC, PR-AUC, precisión, recall y F1; además, se revisó la tasa de falsas alarmas por hora y el tiempo medio de detección. Los resultados indican que el esquema ayuda a priorizar incidentes y a orientar acciones del centro de control para reducir la indisponibilidad.
Description
This work applies machine learning to anticipate failures in telecom links using 2024 traffic between Ventanas and nearby sites in Los Ríos. A 30-minute look-ahead failure label was built from Link Downs logs or, when absent, from sharp throughput drops (total_bps). Feature selection removed leakage-prone fields and scaling used RobustScaler. Unsupervised detectors (Isolation Forest, One-Class SVM, LOF, Elliptic Envelope, and PCA reconstruction error), plus a z-score ensemble, supported exploration and event triage. Binary prediction used Logistic Regression, Random Forest, Gradient Boosting, and LinearSVC trained with time-ordered splits and a recent test window. Evaluation covered ROC-AUC, PR-AUC, precision, recall, and F1; operational checks included false alarms per hour and mean time to detection. The pipeline anticipates incipient failures and assists control-room actions to lower service downtime.
Keywords
Tráfico de red, Aprendizaje automático, Modelos supervisados, Detección de anomalías
Citation
Vaca Vargas, David Adrián (2025). Aprendizaje automático para el análisis de tráfico de datos en la detección de fallas en redes de telecomunicaciones, 2024. Quevedo. UTEQ. 129 Paginas