Desarrollo de un Sistema de Control de Tráfico basado en SDN utilizando el algoritmo Decision Tree (DT) para identificar flujos elefante y autogestionar el tráfico en redes L2L con alta carga de tráfico para una empresa del sector retail

El presente trabajo propone la automatización de la gestión de flujos elefantes en el tráfico entre redes L2L configuradas con entornos SDN para una organización del sector retail, usando el algoritmo árbol de decisión con la finalidad de mejorar la eficiencia de las transacciones y así mejorar la experiencia en el uso de las aplicaciones del negocio para clientes, usuarios y proveedores en momentos de alta congestión en el ancho de banda. El proyecto está basado en técnicas de recopilación de información, entrenamiento de datos usando principios de Machine Learning, codificación del modelo usando el entorno de desarrollo y librerías de aprendizaje automático de Python e implementación del modelo en infraestructuras de red con SDN. El proyecto permite la identificación de flujos elefantes utilizando el algoritmo DT con la finalidad de redireccionar el tráfico en función de parámetros definidos para los enlaces entre sucursales y sede principal. También, permite reasignar de manera automática el ancho de banda para garantizar la transferencia adecuada del tráfico crítico. Además. el proyecto permite reducir el porcentaje de pérdida de paquetes en los enlaces L2L para garantizar la disponibilidad de las aplicaciones del negocio. Por último, permite mantener el porcentaje de datagramas fuera de orden en niveles que permitan la transferencia adecuada de la información en momentos de alta saturación de la red.This project proposes the automation of the management of elephant flows in traffic between L2L networks configured with SDN environments for an organization in the retail sector, using the decision tree algorithm in order to improve the efficiency of transactions and thus improve the experience in the use of business applications for customers, users and providers at times of high bandwidth congestion. The project is based on information gathering techniques, data training using Machine Learning principles, model coding using the Python machine learning development environment and libraries, and model implementation in network infrastructures with SDN. The project enables the identification of elephant flows using the DT algorithm to redirect traffic based on defined parameters through the links between branches and the main office. It also enables automatic reallocation of bandwidth to ensure the proper transfer of critical traffic. Furthermore, the project reduces the percentage of packet loss on L2L links to ensure the availability of business applications. Finally, it helps to maintain the percentage of out-of-order datagrams at levels that allow proper information transfer during times of high network saturation.

Authors

• Fuentes Rivera Espiritu, Carlos
• Medina Vargas, Dangelo Yearly

• Arboles de Decisión
• Machine Learning
• Librerías de Aprendizaje Automático
• SDN
• Flujo Elefante
• Latencia
• Decision Trees
• Machine Learning Libraries
• Elephant Flow
• Latency

Identifier

hdl:10757/685772

OAI identifier oai:identifier

oai:repositorioacademico.upc.edu.pe:10757/685772