Neuropredictor de tráfico en redes ATM

Abstract

La presente investigación surge por la inquietud de conocer un mecanismo efectivo para controlar el tráfico en las redes ATM y poder evitar el problema de la congestión. Basados en un estudio realizado por Ahmed A. Tarraf, Ibrahim W. Habib, Tarek N. Saadawi y Samir A. Ahmed en 1996, consideramos que las Redes Neuronales pueden ser una solución óptima a dicho problema, gracias a las características que estas poseen. Para esta investigación se planteó como objetivo general simular una Red Neuronal para la predicción del tráfico en redes ATM, y de esta manera proporcionar una técnica que vigile el tráfico y evite la congestión. Este objetivo se logró, siguiendo la metodología de los talleres de investigación de la Facultad de Ingeniería de Sistemas de la UNAB y se utilizó el lenguaje de programación Turbo C. Después de haber realizado la investigación y los estudios necesarios para adquirir los conocimientos requeridos, se desarrolló el neuropredictor de tráfico. El cual es una red neuronal con 3 capas: entrada, oculta y salida; entrenada con el algoritmo backpropagation. Se comprobó que las redes neuronales son un mecanismo efectivo para describir en forma adecuada la Función de Distribución Probabilística del proceso de llegada de paquetes a la red, lo cual permite que el neuropredictor se adapte a las diferentes variaciones del tráfico existente en esta. El modelo de red neuronal usado en el simulador es un descriptor de tráfico ATM, el cual predice el tráfico por medio del aprendizaje de la relación entre las variaciones del tráfico pasadas y futuras.