Pago en línea
A través de un trabajo colaborativo entre la Universidad del Cauca y Unicomfacauca, se publicó el artículo científico titulado “Diagnóstico de fallos en redes basadas en IP mediante algoritmos de aprendizaje incremental y métodos de flujo de datos”, en la revista MDPI catalogada en el cuartil Q1, máxima categoría internacional.
Nuestra docente y líder del Grupo de Investigación MIND, PhD. Ángela María Rodríguez Vivas, es coautora de la investigación publicada, la cual se trabajó en colaboración con investigadores del Grupo de Ingeniería Telemática de la Universidad del Cauca. “La investigación explora el aprendizaje incremental para diagnóstico de fallas de red, yendo más allá del aprendizaje automático tradicional”, afirma la investigadora Ángela Rodríguez.
El artículo científico presenta un nuevo método para detectar fallas en redes basadas en IP de manera más rápida, continua y sin interrumpir su funcionamiento. Esta propuesta buscar hacer que los sistemas de comunicación sean más estables y seguros.
El objetivo de la investigación se basó en desarrollar una forma de identificar fallos en tiempo real, incluso cuando la red cambia constantemente o cuando las fallas no son visibles directamente desde su origen. Para esto, los autores emplearon técnicas de aprendizaje incremental, una rama de la inteligencia artificial que permita que los sistemas aprendan poco a poco con cada dato nuevo que reciben.
La metodología implementada constó de los siguientes pasos:
- Recolección de datos: se recogieron mediciones de parámetros del tráfico de red desde distintos puntos de monitoreo de una red real.
- Modelo incremental : se estructuró un modelo que consta de módulos para: identificar, recolectar y estructurar los datos para análisis. Diagnosticar fallas usando aprendizaje incremental y técnicas de flujo de datos.
- Evaluación del rendimiento: se creó y utilizó un conjunto de datos obtenido del monitoreo de la red, el cual se usó para evaluar el desempeño del modelo incremental.
Entre los principales resultados, el estudio demostró que las fallas que ocurren dentro de la red generan señales visibles en otros puntos, lo que permite detectarlas sin alterar su operación. Además, el modelo logró identificar anomalías de manera constante y precisa, incluso en situaciones donde la red presentaba cambios bruscos en la cantidad o tipo de tráfico.
Con esta publicación, los autores aportan una herramienta innovadora para mejorar la confiabilidad de las redes modernas y facilitar la gestión de infraestructuras tecnológicas cada vez más complejas.
