ALGORITMOS SUPERVISADOS PARA LA PREDICCIÓN DEL ANCHO DE BANDA DE LAS APLICACIONES EN AMAZON WEB SERVICE DESDE UNA PYME RURAL

Ramiro Osorio Diaz; Martha Yaneth Segura Ruiz; Mauricio Alonso Villalba

Ramiro Osorio Diaz Uniagustiniana http://orcid.org/0000-0003-0007-9452
Martha Yaneth Segura Ruiz Uniagustiniana https://orcid.org/0000-0002-1572-1447
Mauricio Alonso Villalba Uniagustiniana https://orcid.org/0000-0002-1850-1634

Resumen

Este artículo presenta una metodología para medir el comportamiento del ancho de banda realizando predicciones del tráfico de red que se conecta a la nube en empresas pequeñas y medianas de zonas rurales de difícil acceso en Colombia, con el fin de optimizar en el tiempo los recursos de red y asegurar la calidad del servicio en las aplicaciones web. Se realiza un estudio comparativo de tres algoritmos de redes neuronales que modelan una red neuronal multicapa, seleccionando el que tenga un error mínimo que se aproxime a cero, el algoritmo seleccionado se entrena a partir de una fuente de datos para predecir el tráfico de red que se conecta a la nube.

Es necesario analizar el comportamiento de la red para garantizar que las aplicaciones web que se encuentran en la nube transfiriendo información como datos, imágenes, sonidos, videos, entre otros, algunos en tiempo real y que generan alto tráfico, funcionen con calidad. Tener una visión general del tráfico que fluye a través de la red permite generar una planificación de la capacidad de la red cuando se administran recursos limitados como en el caso de pequeñas y medianas empresas de zonas rurales. Como producto del análisis de la investigación se desarrolla un prototipo de software libre que realiza las mediciones y predicciones en las áreas rurales. Los resultados de la implementación indican que el enfoque propuesto es superior a otros métodos de predicción en términos de precisión y predicción.

DOI: http://dx.doi.org/10.21017/rimci.2023.v10.n20.a138

Biografía del autor/a

Ramiro Osorio Diaz, Uniagustiniana

Magister en telecomunicaciones móviles. Especialista en Redes de Alta Velocidad y Distribuidas. Ingeniero Civil. Docente Facultad de Ingeniería, Uniagustiniana.

Martha Yaneth Segura Ruiz, Uniagustiniana

Magister en administración y dirección de empresas. Especialista en Diseño y Construcción de Soluciones Telemáticas. Especialista en Ingeniería de Software. Ingeniera de Sistemas. Docente Facultad de Ingeniería, Uniagustiniana.

Mauricio Alonso Villalba, Uniagustiniana

Especialista en Docencia y Pedagogía Universitaria. Ingeniero de Sistemas. Docente Facultad de Ingeniería, Uniagustiniana.

Citas

McCluskey, P., «Feedforward and recurrent neural networks and genetic programs for stock market and time series forecasting», Master of Science, Brown University. (1993).

Piedra, N., Chicaiza J., López J. and Garcia, J. «Study of the Application of Neural Networks in Internet Traffic Engineering», Hdl.handle.net, [Online]. Available: http://hdl.handle.net/10525/1028. (2008).

Colombia alcanzó 7,67 millones de conexiones fijas en el tercer trimestre de 2020. (n.d.). Retrieved May 6, 2023, from https://www. larepublica.co/economia/colombia-alcanzo-767-millones-deconexiones-fijas-en-el-tercer-trimestrede-2020-3120559

Z. De and D. Acceso, “PROMOCIÓN DE LA CONECTIVIDAD A INTERNET FIJO EN Página 2 de 81 PROMOCIÓN DE LA CONECTIVIDAD A INTERNET FIJO EN ZONAS DE DIFICIL ACCESO.

Sahrani, M. N., Zan, M. M. M., Yassin, I. M., Zabidi, A., & Ali, M. S. A. M. (2017). Artificial Neural Network non-linear auto regressive moving average (NARMA) model for internet traffic prediction. Journal of Telecommunication, Electronic and Computer Engineering, 9(1–3), 145–149.Sancho, F. (23 de abril de 2017). Entrenamiento de Redes Neuronales: mejorando el Gradiente Descendiente [Entrada de Blog]. Recuperado de: http://www.cs.us.es/~fsancho/?e=165.

Mena-Oreja, J., & Gozalvez, J. (2017). Predicción de la Velocidad del Tráfico Basada en Redes Neuronales Convolucionales.

Yadegaridehkordi, E., Nizam Bin Md Nasir, M. H., Fazmidar Binti Mohd Noor, N., Shuib, L., & Badie, N. (2018). Predicting the adoption of cloud-based technology using fuzzy analytic hierarchy process and structural equation modelling approaches. Applied Soft Computing, 66, 77–89. https://doi.org/10.1016/J.ASOC.2017.12.051.

Taylor, S. J. E., Kiss, T., Anagnostou, A., Terstyanszky, G., Kacsuk, P., Costes, J., & Fantini, N. (2018). The CloudSME simulation platform and its applications: A generic multi-cloud platform for developing and executing commercial cloud-based simulations. Future Generation Computer Systems, 88, 524–539. https://doi.org/10.1016/j.future. 2018.06.006

Abdullah, S. A., & Al-Ashoor, A. (2020). An artificial deep neural network for the binary classification of network traffic. International Journal of Advanced Computer Science and Applications, 11(1), 402-408.

Aibin, M. (2018). Traffic prediction based on machine learning for elastic optical networks. Optical Switching and Networking, 30, 33–39. https://doi.org/10.1016/j.osn.2018.06.001

Nanda, S., & Hacker, T. J. (2017). TAG: Traffic-Aware Global Live Migration to Enhance User Experience of Cloud Applications. In 2017 IEEE International Conference on Cloud Computing Technology and Science (CloudCom) (pp. 202–209). IEEE. https://doi.org/10.1109/CloudCom.2017.13

Desarrollo e innovación en ingeniería [recurso electrónico]/ Edgar Serna M., ed. — 4a. ed. — Medellín: Instituto Antioqueño de Investigación, Pag 27-36— (Ingeniería y ciencia), DOI: http://doi.org/10.5281/zenodo.3387679. (2019)

Calvo,D.<https://www.diegocalvo.es/definicionde-red-neuronal/> [Artículo publicado el 12 de Julio de 2017]

< http://neupy.com/pages/home.html/>

<https://platzi.com/blog/librerias-de-machinelearning-tensorflow-scikit-learnpythorch-y-keras/>[Artículo publicado en 2018].

<https://aprendeia.com/introduccion-a-numpypython-1/> [Artículo publicado el 21de septiembre de 2018].