Doctorado en Ingeniería · 2026
Desarrollo de un sistema adaptativo para el balanceo de tráfico en centros de datos mediante controladores SDN y metodologías KDN
El aumento del tráfio interno en centros de datos, que incluye flujos pequeños (mice) y flujos grandes (elephants), crea situaciones dinámicas de congestión que mecanismos tradicionales de balanceo de tráfico, como ECMP y DRILL, no gestionan de una manera óptima. El presente trabajo está basado en la metodología de redes definidas por conocimiento (KDN), en la cual sugiere que los controladores de redes definidas por software (SDN) pueden alcanzar capacidades de observación, aprendizaje y decisión adaptativa. Se desarrolló un sistema de control inteligente basado en Deep Q-Learning (DQN) en la cual un agente previamente entrenado, elige las rutas mínimas en una topología FatTree utilizando información del estado de los enlaces. Con esto se logra un mejor balanceo del tráfico y tiempo de finalización de flujos (FCT). Su rendimiento se evalúa con diferentes niveles de tráfico que incluyen procesos ON/OFF con flujos mice y elephants, y comparándolo con ECMP y DRILL.
Texto completo 101 páginas con texto
Leer la tesis completa Ficha en el repositorio
Contenido
- PLANTEAMIENTO DEL PROBLEMAp. 14
- JUSTIFICACIÓNp. 16
- OBJETIVOSp. 18
- Objetivo generalp. 18
- Objetivos específicosp. 18
- HIPÓTESISp. 19
- MARCO TEÓRICO Y ESTADO DEL ARTEp. 20
- Centros de datos de alta demandap. 20
- Arquitecturas y topologías de red para centros de datosp. 20
- Perfiles de tráfico en centros de datos realesp. 23
- Técnicas de balanceo de tráficop. 23
- Redes definidas por software (SDN)p. 25
- Redes definidas por conocimiento (KDN)p. 26
- Propuestas para el balanceo de tráfico en KDNp. 29
- Simuladores y plataformas experimentales para redesp. 33
- Revisión crítica y brechas detectadasp. 34
- METODOLOGÍAp. 36
- Enfoque de investigaciónp. 36
- Arquitectura general del sistema propuestop. 36
- Diseño del entorno de simulaciónp. 38
- Solución basada en aprendizaje por refuerzo e implementación mediante DQNp. 40
- Fases de implementaciónp. 45
- Métricas de evaluaciónp. 47
- DESARROLLO DEL SISTEMA PROPUESTOp. 50
- Arquitectura del sistemap. 50
- Entorno de simulaciónp. 50
- Gestión del tráficop. 54
- Aprendizaje por refuerzop. 57
- Simulación por modelop. 67
- Procesamiento estadístico y análisis comparativop. 73
- RESULTADOSp. 75
- Configuración experimentalp. 75
- Representación gráfica de resultadosp. 77
- Escenario 1: Régimen de tráfico bajop. 78
- Escenario 2: Régimen de tráfico mediop. 80
- Escenario 3: Régimen de tráfico altop. 82
- Síntesis de resultados experimentalesp. 84
- Análisis estadístico mediante intervalos de confianza (t-Student)p. 85
- Pruebas de significancia estadísticap. 87
- Análisis de escalabilidad y retardos no modeladosp. 89
- CONCLUSIONESp. 91
- REFERENCIASp. 94
- TABLA Ip. 29
- TABLA IIp. 88
- FIG. 1 TOPOLOGÍA FATTREEp. 21
- FIG. 2 TOPOLOGÍA BCUBEp. 22
- FIG. 3 TOPOLOGÍA JELLYFISHp. 22
- FIG. 4 ARQUITECTURA DEL SISTEMAp. 37
- FIG. 5 FUNCIONAMIENTO INTERNO DEL ENTORNO DE SIMULACIÓNp. 39
- FIG. 6 DISTRIBUCIÓN DE FLUJOS (SEMILLA 101)p. 55
- FIG. 7 DISTRIBUCIÓN DE FLUJOS (SEMILLA 102)p. 56
- FIG. 8 DISTRIBUCIÓN DE FLUJOS (SEMILLA 103)p. 56
- FIG. 9 RESULTADOS DE BALANCEO CON TRÁFICO BAJO (LAMBDA = 100)p. 78
- FIG. 10 RESULTADOS DE FCT CON TRÁFICO BAJO (LAMBDA = 100)p. 79
- FIG. 11 RESULTADOS DE BALANCEO CON TRÁFICO MEDIO (LAMBDA = 200)p. 80
- FIG. 12 RESULTADOS DE FCT CON TRÁFICO MEDIO (LAMBDA = 200)p. 81
- FIG. 13 RESULTADOS DE BALANCEO CON TRÁFICO ALTO (LAMBDA = 250)p. 82
- FIG. 14 RESULTADOS DE FCT CON TRÁFICO ALTO (LAMBDA = 250)p. 83
- FIG. 15 GRÁFICA DE INTERVALOS T-STUDENT PARA EL BALANCEOp. 86
- FIG. 16 GRÁFICA DE INTERVALOS T-STUDENT PARA EL FCTp. 87