La gestión de la red es una de las tareas más costosas para las empresas operadoras de telecomunicaciones. En consecuencia, hay una tendencia de delegar la gestión de la red en la propia red. Esto se conoce como Autonomic Networking. Pero, hoy en día, el diagnóstico de fallos sigue siendo una tarea no-autónoma. Tradicionalmente, este proceso se ha llevado a cabo por expertos humanos apoyados por sistemas de monitorización para la detección de alarmas o síntomas. Pero, incluso con esos sistemas, la tarea de diagnóstico es fundamentalmente un proceso manual.

El aumento constante en el tamaño y la complejidad de la red hace que el diagnóstico de fallos sea una tarea fundamental para el negocio que debe ser gestionada de manera rápida y fiable. Para llevarla a cabo, se requieren ingenieros altamente cualificados, pero incluso estas personas no siempre son capaces de hacer frente a la creciente heterogeneidad y complejidad de las redes, ya que el diagnóstico es un proceso difícil, requiere mucho tiempo y, por lo tanto, es una tarea costosa. En consecuencia, los operadores tienen el objetivo de automatizar totalmente el diagnóstico de fallos para reducir el coste de operación y mejorar la experiencia de los clientes a través de la operación automatizada de los procesos de diagnóstico estandarizados.

Con el fin de solventar las limitaciones mencionadas anteriormente y avanzar en el desarrollo de técnicas de diagnóstico automático para redes SDN, este proyecto tiene como objetivo generar diferentes técnicas de monitorización y diagnóstico basadas en técnicas de inteligencia artificial que permitan al sistema aprender o adaptarse a los cambios y a la evolución de la red. Para ello se plantean estudiar y evaluar diferentes técnicas de computación evolutiva o técnicas de aprendizaje automático.

Por un lado, las técnicas de computación evolutiva son técnicas muy atractivas y utilizadas en la literatura para resolver diferentes problemas de optimización, lo cual resulta interesante para evaluar y/o monitorizar el estado de la red y así poder detectar diferentes anomalías en tiempo real. Por otro lado, las técnicas de aprendizaje automático ofrecen la capacidad al sistema de aprender del entorno con datos recolectados con anterioridad, lo cual permite adaptar el comportamiento del sistema si el entorno se ve modificado por factores externos.

Proyecto TSI-100102-2016-12 financiado por el Ministerio de Industria, Energía y Turismo.