Análisis de demanda de ancho de banda en los servicios de internet de RedUNAM
Contenido principal del artículo
Resumen
El crecimiento en la demanda en los servicios de red ha elevado su importancia ya que éstos soportan procesos clave de las organizaciones, lo que crea la necesidad de contar con una perspectiva futura fiable para la contratación y renovación de servicios de internet. Este escenario y el surgimiento de diferentes modelos para el estudio y pronóstico de datos que permiten el análisis del comportamiento futuro usando información con estructura de series de tiempo, ha favorecido la implementación de estrategias que entregan resultados en un menor tiempo. Tomando como modelo la mejora continua de las buenas prácticas de servicios de tecnologías de información, en el Departamento de Monitoreo de la Red, conocido como NOC RedUNAM, se propuso analizar el comportamiento de los datos recolectados referentes al consumo de ancho de banda de los enlaces de internet que integran la RedUNAM, los cuales cuentan con las características de series de tiempo. Con el objetivo de obtener información fiable del consumo futuro esperado de los servicios de internet, se probaron diferentes algoritmos de análisis que consideran las condiciones que afectan a la demanda de los servicios en la Universidad Nacional Autónoma de México (horarios, eventos extraordinarios, periodos escolares, entre otros). Considerando esta necesidad, se seleccionó el que mejor aceptó la influencia de los cambios de comportamiento cotidiano en los enlaces de datos. En consecuencia, se enfocó el análisis en algoritmos que dieran mayor importancia a las variables consideradas relevantes para el pronóstico de demanda de los enlaces de red, así como el comportamiento general de la operación de ésta. Para este ejercicio, se probaron distintos modelos, incluyendo regresión simple, promedios móviles integrados y otras técnicas. Finalmente,se seleccionó el algoritmo que ofreció el mejor margen de confiabilidad, permitiendo considerar aceptable el pronóstico para las condiciones de los datos de red recolectados.
Descargas
Detalles del artículo

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Este trabajo tiene la licencia CC BY-NC-ND 4.0
Citas
Anand, P., Sharma, M., & Saroliya, Α. (2024). “A Comparative Analysis of Artificial Neural Networks in Time Series Forecasting Using Arima Vs Prophet”, International Conference on Communication, Computer Sciences and Engineering (IC3SE), Department of computer Science Engineering, Mody University of Science and Technology, Sikar, Rajasthan. https://ieeexplore-ieee-org.pbidi.unam.mx:2443/document/10593482 DOI: https://doi.org/10.1109/IC3SE62002.2024.10593482
Asirim, Ö. E., Aşirim, A., & Salepçioğlu, M. A. (2024). Performance of Prophet in stock-price forecasting: Comparison with ARIMA and MLP networks. 2024 Sixth International Conference on Intelligent Computing in Data Sciences (ICDS) (pp. 1–7). IEEE. https://doi.org/10.1109/ICDS62089.2024.10756299 DOI: https://doi.org/10.1109/ICDS62089.2024.10756299
Fierro Torres, C. A., Castillo Pérez, V. H., & Torres Saucedo, C. I. (2022). Análisis comparativo de modelos tradicionales y modernos para pronóstico de la demanda: enfoques y características. RIDE Revista Iberoamericana Para La Investigación Y El Desarrollo Educativo, 12(24). https://doi.org/10.23913/ride.v12i24.1203 DOI: https://doi.org/10.23913/ride.v12i24.1203
Huang, C., & Petukhina, A. (2022). Applied time series analysis and forecasting with Python. Springer. https://link-springer-com.pbidi.unam.mx:2443/book/10.1007/978-3-031-13584-2 DOI: https://doi.org/10.1007/978-3-031-13584-2
Niamjoy, P., & Phumchusri, N. (2020). Forecasting inbound tour daily demand with multi seasonality pattern: A case study of a tour operator in Thailand. Proceedings of the 2020 IEEE 7th International Conference on Industrial Engineering and Applications (ICIEA) (pp. 1044–1048). IEEE. https://doi.org/10.1109/ICIEA49774.2020.9101918 DOI: https://doi.org/10.1109/ICIEA49774.2020.9101918
Xu, Y., Zheng, S., Zhu, Q., Wong, K.-C., Wang, X., & Lin, Q. (2024). A complementary fused method using GRU and XGBoost models for long-term solar energy hourly forecasting. Expert Systems with Applications, 254, 124286. https://doi.org/10.1016/j.eswa.2024.124286 DOI: https://doi.org/10.1016/j.eswa.2024.124286
Xue, X., Deng, S., & Wang, Y. (2024). Optimization design of predictive response based on time series forecast model LSTM in broadband high current feedback regulation. 2024 Asia-Pacific Conference on Software Engineering, Social Network Analysis and Intelligent Computing (SSAIC) (pp. 237–241). IEEE. https://doi.org/10.1109/SSAIC61213.2024.00051 DOI: https://doi.org/10.1109/SSAIC61213.2024.00051
Zheng, Y., Liu, Y., Jiang, Z., Tang, Q., & Xiang, Y. (2022). Wind power forecasting based on Prophet model. En 2022 IEEE/IAS Industrial and Commercial Power System Asia (I&CPS Asia) (pp. 1544–1548). IEEE. https://doi.org/10.1109/ICPSAsia55496.2022.9949918 DOI: https://doi.org/10.1109/ICPSAsia55496.2022.9949918