Técnicas de aprendizaje automático para la gestión de recursos en redes de acceso ópticas

Abstract

Este Trabajo de Fin de Grado aborda la aplicación de técnicas de inteligencia artificial para la optimización de la gestión de recursos en redes de acceso ópticas basadas en la tecnología EPON (Ethernet Passive Optical Networks). En particular, se ha desarrollado e implementado un modelo de red neuronal profunda capaz de predecir de forma dinámica el ancho de banda máximo asignable a cada ONU ciclo tras ciclo en escenarios 1G-EPON y 10G-EPON. El proceso incluyó la generación de un dataset representativo mediante simulaciones, entrenamiento, integración en el módulo de la OLT (Optical Line Terminal) del simulador y validación del propio modelo mediante el análisis del retardo y el ancho de banda otorgado a cada usuario Adicionalmente, se han incorporado nuevas funcionalidades al simulador con el fin de aumentar su realismo y su capacidad de análisis. Entre estas mejoras destacan la implementación de un nuevo generador de tráfico Pareto, la introducción de perfiles de usuarios con diferentes SLA y la adaptación del simulador EPON para soportar arquitecturas 25G-EPON. Estas actualizaciones permiten analizar con mayor fidelidad el comportamiento de redes de nueva generación, contribuyendo a la evaluación de estrategias avanzadas de asignación dinámica de recursos.

This Final Degree Project explores the use of artificial intelligence techniques to optimize resource management in optical access networks based on EPON technology. A deep neural network model has been designed and implemented to dynamically predict the maximum bandwidth that can be allocated to each final user on a cycle-bycycle basis in both 1G-EPON and 10G-EPON environments. The methodology comprised the generation of a representative dataset through simulation, training and validation of the model, and its integration into the OLT module of the simulator. Performance was assessed by analyzing delay and the bandwidth assigned to each user, confirming the model’s effectiveness under different load conditions. Beyond the development of the AI model, several enhancements were introduced into the simulator to increase its realism and analytical scope. These include the implementation of a new Pareto-based traffic generator, the incorporation of user profiles with differentiated Service Level Agreements (SLAs), and the extension of the platform to support emerging 25G-EPON infrastructures. Together, these improvements provide a more accurate framework for evaluating the performance of next generation access networks and pave the way for advanced strategies in dynamic resource allocation.