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
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/181815
Ver los metadatos del registro completo
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 |