Definición de un modelo de clasificación de tráfico en redes definidas por software

Autores
Núñez Agurto, Alberto Daniel
Año de publicación
2025
Idioma
español castellano
Tipo de recurso
tesis doctoral
Estado
versión aceptada
Colaborador/a o director/a de tesis
Marrone, Luis Armando
Fuertes Diaz, Walter
Descripción
El crecimiento exponencial de nuevas aplicaciones y servicios en Internet exige una mayor asignación de ancho de banda y calidad de servicio. Esta diversificación de las aplicaciones de Internet y la rápida evolución de las infraestructuras de red han complicado significativamente la gestión de redes. En este contexto, la clasificación eficaz del tráfico se ha vuelto fundamental para gestionar los recursos de red y cumplir con los requisitos de calidad de servicio y seguridad. Sin embargo, los métodos tradicionales de clasificación de tráfico, basados en la inspección profunda de paquetes, no logran satisfacer las exigencias actuales de escalabilidad, seguridad y privacidad. Las redes definidas por software han emergido como una solución prometedora ante estos desafíos. Al separar el plano de control del plano de datos, las SDN proporcionan una visión global del tráfico de red a través de un controlador centralizado. Esta arquitectura ofrece ventajas significativas, como la simplificación del análisis del tráfico, capacidades de programación directa y la posibilidad de ajustar dinámicamente los flujos de tráfico para satisfacer los requisitos cambiantes de la red. Sin embargo, es importante señalar que las SDN también enfrentan desafíos significativos en términos de seguridad, que pueden poner en riesgo la disponibilidad de datos y servicios. A pesar de estos retos, su capacidad para adaptarse a los requisitos cambiantes de la red y su potencial para integrar tecnologías avanzadas las posicionan como una solución crucial en el panorama actual de las redes. La integración de técnicas de aprendizaje automático junto con las características de las SDN ha permitido incorporar inteligencia a las redes. Esta combinación conduce a una optimización y mejora en la gestión y mantenimiento de la red, superando las limitaciones de los métodos tradicionales. Las SDN, con su capacidad para proporcionar una visión completa de la red y ofrecer funciones de programabilidad directa, crean un entorno ideal para la aplicación de estas técnicas avanzadas de aprendizaje. En este contexto, esta investigación proporciona, en una primera instancia, una revisión sistemática de la literatura sobre la clasificación de tráfico en redes definidas por software utilizando técnicas de aprendizaje automático. Además, se analizan y organizan los trabajos seleccionados, sobre la base de la categorización de las clases de tráfico y las técnicas de aprendizaje automático empleadas, para extraer conclusiones de investigación significativas. Por último, se identifican nuevos retos y futuras líneas de investigación sobre este tema. A partir de la revisión sistemática de la literatura, esta investigación definió un modelo de clasificación de tráfico que aborda tanto los tipos de aplicaciones como los ataques a la red, utilizando técnicas de aprendizaje profundo para mejorar la calidad del servicio y la seguridad en redes definidas por software. Para construir los modelos de clasificación, se empleó la metodología SEMMA, y se entrenaron con cuatro algoritmos: LSTM, BiLSTM, GRU y BiGRU, utilizando características seleccionadas de dos conjuntos de datos públicos. Se seleccionaron los dos mejores clasificadores para su implementación en un entorno de simulación, validando así su funcionalidad y potencial para su despliegue en entornos reales. Los resultados destacan la notable eficacia del modelo GRU en la clasificación del tráfico, superando los métodos más avanzados y demostrando la efectividad de los modelos de aprendizaje automático para la clasificación de tráfico en redes definidas por software.
Doctor en Ciencias Informáticas
Universidad Nacional de La Plata
Facultad de Informática
Materia
Ciencias Informáticas
Redes definidas por software
clasificación de tráfico
clasificación basada en aplicaciones
aprendizaje automático
aprendizaje profundo.
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/181815

id SEDICI_a74fbf1e44c11d326ea3ddffd1ab1246
oai_identifier_str oai:sedici.unlp.edu.ar:10915/181815
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Definición de un modelo de clasificación de tráfico en redes definidas por softwareNúñez Agurto, Alberto DanielCiencias InformáticasRedes definidas por softwareclasificación de tráficoclasificación basada en aplicacionesaprendizaje automáticoaprendizaje profundo.El crecimiento exponencial de nuevas aplicaciones y servicios en Internet exige una mayor asignación de ancho de banda y calidad de servicio. Esta diversificación de las aplicaciones de Internet y la rápida evolución de las infraestructuras de red han complicado significativamente la gestión de redes. En este contexto, la clasificación eficaz del tráfico se ha vuelto fundamental para gestionar los recursos de red y cumplir con los requisitos de calidad de servicio y seguridad. Sin embargo, los métodos tradicionales de clasificación de tráfico, basados en la inspección profunda de paquetes, no logran satisfacer las exigencias actuales de escalabilidad, seguridad y privacidad. Las redes definidas por software han emergido como una solución prometedora ante estos desafíos. Al separar el plano de control del plano de datos, las SDN proporcionan una visión global del tráfico de red a través de un controlador centralizado. Esta arquitectura ofrece ventajas significativas, como la simplificación del análisis del tráfico, capacidades de programación directa y la posibilidad de ajustar dinámicamente los flujos de tráfico para satisfacer los requisitos cambiantes de la red. Sin embargo, es importante señalar que las SDN también enfrentan desafíos significativos en términos de seguridad, que pueden poner en riesgo la disponibilidad de datos y servicios. A pesar de estos retos, su capacidad para adaptarse a los requisitos cambiantes de la red y su potencial para integrar tecnologías avanzadas las posicionan como una solución crucial en el panorama actual de las redes. La integración de técnicas de aprendizaje automático junto con las características de las SDN ha permitido incorporar inteligencia a las redes. Esta combinación conduce a una optimización y mejora en la gestión y mantenimiento de la red, superando las limitaciones de los métodos tradicionales. Las SDN, con su capacidad para proporcionar una visión completa de la red y ofrecer funciones de programabilidad directa, crean un entorno ideal para la aplicación de estas técnicas avanzadas de aprendizaje. En este contexto, esta investigación proporciona, en una primera instancia, una revisión sistemática de la literatura sobre la clasificación de tráfico en redes definidas por software utilizando técnicas de aprendizaje automático. Además, se analizan y organizan los trabajos seleccionados, sobre la base de la categorización de las clases de tráfico y las técnicas de aprendizaje automático empleadas, para extraer conclusiones de investigación significativas. Por último, se identifican nuevos retos y futuras líneas de investigación sobre este tema. A partir de la revisión sistemática de la literatura, esta investigación definió un modelo de clasificación de tráfico que aborda tanto los tipos de aplicaciones como los ataques a la red, utilizando técnicas de aprendizaje profundo para mejorar la calidad del servicio y la seguridad en redes definidas por software. Para construir los modelos de clasificación, se empleó la metodología SEMMA, y se entrenaron con cuatro algoritmos: LSTM, BiLSTM, GRU y BiGRU, utilizando características seleccionadas de dos conjuntos de datos públicos. Se seleccionaron los dos mejores clasificadores para su implementación en un entorno de simulación, validando así su funcionalidad y potencial para su despliegue en entornos reales. Los resultados destacan la notable eficacia del modelo GRU en la clasificación del tráfico, superando los métodos más avanzados y demostrando la efectividad de los modelos de aprendizaje automático para la clasificación de tráfico en redes definidas por software.Doctor en Ciencias InformáticasUniversidad Nacional de La PlataFacultad de InformáticaMarrone, Luis ArmandoFuertes Diaz, Walter2025-06-12info:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/acceptedVersionTesis de doctoradohttp://purl.org/coar/resource_type/c_db06info:ar-repo/semantics/tesisDoctoralapplication/pdfhttp://sedici.unlp.edu.ar/handle/10915/181815https://doi.org/10.35537/10915/181815spainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by/4.0/Creative Commons Attribution 4.0 International (CC BY 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:49:37Zoai:sedici.unlp.edu.ar:10915/181815Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:49:38.193SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Definición de un modelo de clasificación de tráfico en redes definidas por software
title Definición de un modelo de clasificación de tráfico en redes definidas por software
spellingShingle Definición de un modelo de clasificación de tráfico en redes definidas por software
Núñez Agurto, Alberto Daniel
Ciencias Informáticas
Redes definidas por software
clasificación de tráfico
clasificación basada en aplicaciones
aprendizaje automático
aprendizaje profundo.
title_short Definición de un modelo de clasificación de tráfico en redes definidas por software
title_full Definición de un modelo de clasificación de tráfico en redes definidas por software
title_fullStr Definición de un modelo de clasificación de tráfico en redes definidas por software
title_full_unstemmed Definición de un modelo de clasificación de tráfico en redes definidas por software
title_sort Definición de un modelo de clasificación de tráfico en redes definidas por software
dc.creator.none.fl_str_mv Núñez Agurto, Alberto Daniel
author Núñez Agurto, Alberto Daniel
author_facet Núñez Agurto, Alberto Daniel
author_role author
dc.contributor.none.fl_str_mv Marrone, Luis Armando
Fuertes Diaz, Walter
dc.subject.none.fl_str_mv Ciencias Informáticas
Redes definidas por software
clasificación de tráfico
clasificación basada en aplicaciones
aprendizaje automático
aprendizaje profundo.
topic Ciencias Informáticas
Redes definidas por software
clasificación de tráfico
clasificación basada en aplicaciones
aprendizaje automático
aprendizaje profundo.
dc.description.none.fl_txt_mv El crecimiento exponencial de nuevas aplicaciones y servicios en Internet exige una mayor asignación de ancho de banda y calidad de servicio. Esta diversificación de las aplicaciones de Internet y la rápida evolución de las infraestructuras de red han complicado significativamente la gestión de redes. En este contexto, la clasificación eficaz del tráfico se ha vuelto fundamental para gestionar los recursos de red y cumplir con los requisitos de calidad de servicio y seguridad. Sin embargo, los métodos tradicionales de clasificación de tráfico, basados en la inspección profunda de paquetes, no logran satisfacer las exigencias actuales de escalabilidad, seguridad y privacidad. Las redes definidas por software han emergido como una solución prometedora ante estos desafíos. Al separar el plano de control del plano de datos, las SDN proporcionan una visión global del tráfico de red a través de un controlador centralizado. Esta arquitectura ofrece ventajas significativas, como la simplificación del análisis del tráfico, capacidades de programación directa y la posibilidad de ajustar dinámicamente los flujos de tráfico para satisfacer los requisitos cambiantes de la red. Sin embargo, es importante señalar que las SDN también enfrentan desafíos significativos en términos de seguridad, que pueden poner en riesgo la disponibilidad de datos y servicios. A pesar de estos retos, su capacidad para adaptarse a los requisitos cambiantes de la red y su potencial para integrar tecnologías avanzadas las posicionan como una solución crucial en el panorama actual de las redes. La integración de técnicas de aprendizaje automático junto con las características de las SDN ha permitido incorporar inteligencia a las redes. Esta combinación conduce a una optimización y mejora en la gestión y mantenimiento de la red, superando las limitaciones de los métodos tradicionales. Las SDN, con su capacidad para proporcionar una visión completa de la red y ofrecer funciones de programabilidad directa, crean un entorno ideal para la aplicación de estas técnicas avanzadas de aprendizaje. En este contexto, esta investigación proporciona, en una primera instancia, una revisión sistemática de la literatura sobre la clasificación de tráfico en redes definidas por software utilizando técnicas de aprendizaje automático. Además, se analizan y organizan los trabajos seleccionados, sobre la base de la categorización de las clases de tráfico y las técnicas de aprendizaje automático empleadas, para extraer conclusiones de investigación significativas. Por último, se identifican nuevos retos y futuras líneas de investigación sobre este tema. A partir de la revisión sistemática de la literatura, esta investigación definió un modelo de clasificación de tráfico que aborda tanto los tipos de aplicaciones como los ataques a la red, utilizando técnicas de aprendizaje profundo para mejorar la calidad del servicio y la seguridad en redes definidas por software. Para construir los modelos de clasificación, se empleó la metodología SEMMA, y se entrenaron con cuatro algoritmos: LSTM, BiLSTM, GRU y BiGRU, utilizando características seleccionadas de dos conjuntos de datos públicos. Se seleccionaron los dos mejores clasificadores para su implementación en un entorno de simulación, validando así su funcionalidad y potencial para su despliegue en entornos reales. Los resultados destacan la notable eficacia del modelo GRU en la clasificación del tráfico, superando los métodos más avanzados y demostrando la efectividad de los modelos de aprendizaje automático para la clasificación de tráfico en redes definidas por software.
Doctor en Ciencias Informáticas
Universidad Nacional de La Plata
Facultad de Informática
description El crecimiento exponencial de nuevas aplicaciones y servicios en Internet exige una mayor asignación de ancho de banda y calidad de servicio. Esta diversificación de las aplicaciones de Internet y la rápida evolución de las infraestructuras de red han complicado significativamente la gestión de redes. En este contexto, la clasificación eficaz del tráfico se ha vuelto fundamental para gestionar los recursos de red y cumplir con los requisitos de calidad de servicio y seguridad. Sin embargo, los métodos tradicionales de clasificación de tráfico, basados en la inspección profunda de paquetes, no logran satisfacer las exigencias actuales de escalabilidad, seguridad y privacidad. Las redes definidas por software han emergido como una solución prometedora ante estos desafíos. Al separar el plano de control del plano de datos, las SDN proporcionan una visión global del tráfico de red a través de un controlador centralizado. Esta arquitectura ofrece ventajas significativas, como la simplificación del análisis del tráfico, capacidades de programación directa y la posibilidad de ajustar dinámicamente los flujos de tráfico para satisfacer los requisitos cambiantes de la red. Sin embargo, es importante señalar que las SDN también enfrentan desafíos significativos en términos de seguridad, que pueden poner en riesgo la disponibilidad de datos y servicios. A pesar de estos retos, su capacidad para adaptarse a los requisitos cambiantes de la red y su potencial para integrar tecnologías avanzadas las posicionan como una solución crucial en el panorama actual de las redes. La integración de técnicas de aprendizaje automático junto con las características de las SDN ha permitido incorporar inteligencia a las redes. Esta combinación conduce a una optimización y mejora en la gestión y mantenimiento de la red, superando las limitaciones de los métodos tradicionales. Las SDN, con su capacidad para proporcionar una visión completa de la red y ofrecer funciones de programabilidad directa, crean un entorno ideal para la aplicación de estas técnicas avanzadas de aprendizaje. En este contexto, esta investigación proporciona, en una primera instancia, una revisión sistemática de la literatura sobre la clasificación de tráfico en redes definidas por software utilizando técnicas de aprendizaje automático. Además, se analizan y organizan los trabajos seleccionados, sobre la base de la categorización de las clases de tráfico y las técnicas de aprendizaje automático empleadas, para extraer conclusiones de investigación significativas. Por último, se identifican nuevos retos y futuras líneas de investigación sobre este tema. A partir de la revisión sistemática de la literatura, esta investigación definió un modelo de clasificación de tráfico que aborda tanto los tipos de aplicaciones como los ataques a la red, utilizando técnicas de aprendizaje profundo para mejorar la calidad del servicio y la seguridad en redes definidas por software. Para construir los modelos de clasificación, se empleó la metodología SEMMA, y se entrenaron con cuatro algoritmos: LSTM, BiLSTM, GRU y BiGRU, utilizando características seleccionadas de dos conjuntos de datos públicos. Se seleccionaron los dos mejores clasificadores para su implementación en un entorno de simulación, validando así su funcionalidad y potencial para su despliegue en entornos reales. Los resultados destacan la notable eficacia del modelo GRU en la clasificación del tráfico, superando los métodos más avanzados y demostrando la efectividad de los modelos de aprendizaje automático para la clasificación de tráfico en redes definidas por software.
publishDate 2025
dc.date.none.fl_str_mv 2025-06-12
dc.type.none.fl_str_mv info:eu-repo/semantics/doctoralThesis
info:eu-repo/semantics/acceptedVersion
Tesis de doctorado
http://purl.org/coar/resource_type/c_db06
info:ar-repo/semantics/tesisDoctoral
format doctoralThesis
status_str acceptedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/181815
https://doi.org/10.35537/10915/181815
url http://sedici.unlp.edu.ar/handle/10915/181815
https://doi.org/10.35537/10915/181815
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by/4.0/
Creative Commons Attribution 4.0 International (CC BY 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by/4.0/
Creative Commons Attribution 4.0 International (CC BY 4.0)
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844616356658413568
score 13.070432