Por favor, use este identificador para citar o enlazar este ítem: http://cicese.repositorioinstitucional.mx/jspui/handle/1007/4245
Enrutamiento inteligente orientado a la Calidad de Servicio en redes definidas por software
Quality of Service-oriented intelligent routing in software defined networks
JOSE ENRIQUE GONZALEZ TREJO
RAUL RIVERA RODRIGUEZ
Andrey Chernykh
Acceso Abierto
Atribución
Enrutamiento, Redes Definidas por Software, Optimización, Algoritmos Evolutivos, Redes Neuronales de Grafos
Routing, Optimization, Software Designer Network, Evolutionary Algorithms, Graph Neuronal Network
Las redes de telecomunicaciones enfrentan un crecimiento exponencial en el tráfico de datos, impulsado por aplicaciones de alto consumo como el streaming, las videoconferencias y los servicios en la nube. Esta creciente demanda ejerce una presión considerable sobre la infraestructura de red tradicional, la cual no fue diseñada para gestionar cargas de tráfico tan variables y exigentes. Esta situación genera problemas críticos de latencia, pérdida de paquetes y fluctuaciones en el retardo (jitter), afectando directamente la calidad de servicio (QoS) y comprometiendo los Acuerdos de Nivel de Servicio (SLA) de los proveedores de internet. Las Redes Definidas por Software (SDN) han surgido como una solución innovadora al separar el plano de control del plano de datos, permitiendo una administración centralizada y dinámica. Sin embargo, el enrutamiento en SDN sigue limitado por métodos tradicionales como OSPF (Open Shortest Path First), que selecciona rutas solo en función de la distancia, sin considerar aspectos como la congestión o el ancho de banda disponible, lo cual restringe la capacidad de SDN para optimizar los recursos en condiciones de alta demanda. Para abordar estas limitaciones, este trabajo propone dos métodos para mejorar el desempeño del enrutamiento: en primer lugar, el uso de algoritmos evolutivos, como MOEA/D y MOCell, que evalúan múltiples métricas de la red, tales como ancho de banda, latencia y pérdida de paquetes, permitiendo optimizar rutas que maximizan el rendimiento y minimizan los cuellos de botella; el segundo enfoque implementa de Redes Neuronales de Grafos (GNN) como un método adicional para mejorar la selección de rutas mediante su capacidad de modelado de la topología de la red, lo que permite anticipar problemas de congestión y ajustar dinámicamente las rutas. A través de GNN, se exploran mejoras en la rapidez de convergencia y en la adaptabilidad de la red, aprovechando sus capacidades predictivas para responder a demandas de QoS. La propuesta se validó en topologías multidominio simuladas en Mininet bajo diferentes condiciones de tráfico. Los resultados muestran que los algoritmos evolutivos alcanzan hasta un 50% de mejora en la transmisión de tráfico, además de reducir de manera significativa la pérdida de paquetes y optimizar la latencia en flujos críticos, en comparación con OSPF. A su vez, el enfoque con GNN muestra que su integración en la administración de rutas permite una mejora superior al 23% en precisión y ...
Telecommunication networks face exponential growth in data traffic, driven by high-consumption applications such as streaming, video conferencing, and cloud services, placing significant pressure on a traditional network infrastructure not designed to handle such fluctuating and demanding loads. This situation leads to critical issues like latency, packet loss, and jitter variability, directly affecting the Quality of Service (QoS) and compromising Service Level Agreements (SLA) of internet service providers. Software Defined Networking (SDN) has emerged as an innovative solution that decouples the control plane from the data plane, enabling centralized and dynamic management. However, SDN routing is still limited by traditional methods such as Open Shortest Path First (OSPF), which selects routes solely based on distance without considering factors like congestion or available bandwidth. This limitation restricts SDN's ability to optimize resources under high-demand conditions. This work proposes two methods to address these limitations and enhance routing performance. The first approach leverages evolutionary algorithms, such as MOEA/D and MOCell, which evaluate multiple network metrics such as bandwidth, latency, and packet loss, enabling route optimization that maximizes performance and minimizes bottlenecks. The second approach implements Graph Neural Networks (GNN) as an additional method to improve route selection through network topology modeling capabilities, which allow for congestion anticipation and dynamic route adjustments. Through GNNs, improvements in convergence speed and network adaptability are explored, utilizing their predictive capabilities to meet QoS demands. The proposed methods were validated in multi-domain topologies simulated in Mininet under diverse traffic conditions. The results show that evolutionary algorithms achieve up to a 50% improvement in traffic throughput while significantly reducing packet loss and optimizing latency in critical flows compared to OSPF. Additionally, the GNN-based approach demonstrates that integrating GNNs into route management leads to an improvement of over 23% in accuracy and efficiency, positioning it as a viable option for optimizing SDN network performance in high-demand scenarios. These findings highlight that incorporating evolutionary algorithms and GNNs in SDN routing not only enhances traffic management efficiency but also establishes a new standard for adaptability and resilience in...
CICESE
2025
Tesis de doctorado
Español
González Trejo, J.E. 2025. Enrutamiento inteligente orientado a la Calidad de Servicio en redes definidas por software. Tesis de Doctorado en Ciencias. Centro de Investigación Científica y de Educación Superior de Ensenada, Baja California.100 pp.
CONDUCTIVIDAD
Aparece en las colecciones: Tesis - Ciencias de la Computación

Cargar archivos:


Fichero Descripción Tamaño Formato  
tesis_José Enrique González Trejo_2025.pdfDescripción completa de la tesis3.76 MBAdobe PDFVisualizar/Abrir