Browsing by Subject "AIOps"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Prototipo de identificación y clasificación de anomalías provenientes en Logfiles de la red CORE-MPLS de EMCALI para el evento de Potencia Óptica de la interfaz de comunicación
    (Pontificia Universidad Javeriana Cali, 2026) Zapato Castaño, William; Cano Salgado, Daniel; Mora Cardona, Mario Julián
    El presente proyecto desarrolló un prototipo AIOps para la predicción anticipada de eventos de degradación de potencia óptica en las interfaces de la red CORE-MPLS de EMCALI E.I.C.E. E.S.P., mediante el análisis de registros de sistema (syslogs) utilizando técnicas de aprendizaje automático y aprendizaje profundo. La problemática central radica en que la gestión tradicional del Centro de Operaciones de Red (NOC) opera de forma reactiva, detectando fallas en las interfaces ópticas solo después de producirse, con el consecuente impacto en los Acuerdos de Nivel de Servicio (SLA) y en la continuidad de los servicios de telecomunicaciones. El objetivo general fue construir un prototipo funcional capaz de clasificar anomalías en archivos de log de la red CORE-MPLS de EMCALI para apoyar la toma de decisiones proactiva del equipo de soporte técnico. La metodología siguió el marco de referencia ASUM-DM (Analytics Solutions Unified Method for Data Mining), estructurado en ocho fases que abarcaron desde la comprensión del negocio y la ingeniería de características hasta la construcción de un prototipo de reporte operativo. A partir de aproximadamente 192,000 líneas de syslogs crudos se construyeron 67,187 ventanas temporales de 60 segundos con 14 características de ingeniería, incluyendo estadísticos móviles de eventos, telemetría óptica (potencia Rx/Tx en dBm) y derivadas temporales de anomalías. Se evaluaron cinco modelos (ARIMA, Regresión Logística, XGBoost, Isolation Forest y LSTM) bajo un esquema estricto de separación temporal que garantizó la ausencia de filtración de información futura (data leakage). Los resultados demostraron la superioridad del modelo LSTM para capturar la dinámica temporal secuencial de los eventos de red, alcanzando un Recall del 90\% sobre el conjunto de prueba, detectando 135 de 150 eventos positivos. En la interfaz con mayor densidad de telemetría óptica (XGigabitEthernet3/0/0), el modelo obtuvo un F1-Score del 61.54\% (Precisión: 50\%, Recall: 80\%), proporcionando una ventana de anticipación aproximada de una hora para la ejecución de acciones preventivas. El prototipo fue entregado como un paquete Python modular con interfaz de línea de comandos (CLI) que genera reportes operativos en formato HTML, demostrando la viabilidad técnica del enfoque propuesto y aportando evidencia preliminar de su viabilidad operativa sobre el escenario evaluado.