Definición de un modelo de clasificación de tráfico en redes definidas por software

Autores
Núñez Agurto, Alberto Daniel
Año de publicación
2026
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
El crecimiento exponencial de aplicaciones y servicios en Internet ha incrementado la demanda de ancho de banda y calidad de servicio, complejizando la gestión de redes. En este contexto, la clasificación eficiente del tráfico es fundamental para optimizar recursos y garantizar desempeño y seguridad. No obstante, los métodos tradicionales basados en inspección profunda de paquetes presentan limitaciones de escalabilidad, privacidad y eficiencia frente a entornos dinámicos y cifrados. Las redes definidas por software (SDN) emergen como una alternativa al separar los planos de control y de datos, proporcionando una visión global del tráfico y capacidades de programabilidad directa. La integración de técnicas de aprendizaje automático en este entorno permite incorporar inteligencia a la red, mejorando la detección y clasificación del tráfico. En este contexto, la presente investigación propone un modelo de clasificación basado en aprendizaje profundo que aborda tanto aplicaciones como ataques de red. Mediante la metodología SEMMA, se entrenaron cuatro modelos: LSTM, BiLSTM, GRU y BiGRU, utilizando características extraídas de dos conjuntos de datos públicos. Los resultados experimentales, validados en un entorno de simulación, evidencian el desempeño superior del modelo GRU, confirmando la viabilidad y efectividad de la propuesta y su contribución a la mejora de la calidad de servicio y la seguridad en entornos SDN.
Red de Universidades con Carreras en Informática
Facultad de Informática
Materia
Ciencias Informáticas
Redes definidas por software
Clasificación de tráfico
Clasificación basada en aplicaciones
Aprendizaje automático
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/195834
Acceder
id SEDICI_4b8d0c1722caf0269d9d57ff2f3162c7
oai_identifier_str oai:sedici.unlp.edu.ar:10915/195834
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Definición de un modelo de clasificación de tráfico en redes definidas por softwareNúñez Agurto, Alberto DanielCiencias InformáticasRedes definidas por softwareClasificación de tráficoClasificación basada en aplicacionesAprendizaje automáticoEl crecimiento exponencial de aplicaciones y servicios en Internet ha incrementado la demanda de ancho de banda y calidad de servicio, complejizando la gestión de redes. En este contexto, la clasificación eficiente del tráfico es fundamental para optimizar recursos y garantizar desempeño y seguridad. No obstante, los métodos tradicionales basados en inspección profunda de paquetes presentan limitaciones de escalabilidad, privacidad y eficiencia frente a entornos dinámicos y cifrados. Las redes definidas por software (SDN) emergen como una alternativa al separar los planos de control y de datos, proporcionando una visión global del tráfico y capacidades de programabilidad directa. La integración de técnicas de aprendizaje automático en este entorno permite incorporar inteligencia a la red, mejorando la detección y clasificación del tráfico. En este contexto, la presente investigación propone un modelo de clasificación basado en aprendizaje profundo que aborda tanto aplicaciones como ataques de red. Mediante la metodología SEMMA, se entrenaron cuatro modelos: LSTM, BiLSTM, GRU y BiGRU, utilizando características extraídas de dos conjuntos de datos públicos. Los resultados experimentales, validados en un entorno de simulación, evidencian el desempeño superior del modelo GRU, confirmando la viabilidad y efectividad de la propuesta y su contribución a la mejora de la calidad de servicio y la seguridad en entornos SDN.Red de Universidades con Carreras en InformáticaFacultad de Informática2026-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf1203-1212http://sedici.unlp.edu.ar/handle/10915/195834spainfo:eu-repo/semantics/altIdentifier/isbn/978-631-6904-02-7info:eu-repo/semantics/reference/hdl/10915/195432info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2026-06-23T11:17:11Zoai:sedici.unlp.edu.ar:10915/195834Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292026-06-23 11:17:11.813SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Definición de un modelo de clasificación de tráfico en redes definidas por software
title Definición de un modelo de clasificación de tráfico en redes definidas por software
spellingShingle Definición de un modelo de clasificación de tráfico en redes definidas por software
Núñez Agurto, Alberto Daniel
Ciencias Informáticas
Redes definidas por software
Clasificación de tráfico
Clasificación basada en aplicaciones
Aprendizaje automático
title_short Definición de un modelo de clasificación de tráfico en redes definidas por software
title_full Definición de un modelo de clasificación de tráfico en redes definidas por software
title_fullStr Definición de un modelo de clasificación de tráfico en redes definidas por software
title_full_unstemmed Definición de un modelo de clasificación de tráfico en redes definidas por software
title_sort Definición de un modelo de clasificación de tráfico en redes definidas por software
dc.creator.none.fl_str_mv Núñez Agurto, Alberto Daniel
author Núñez Agurto, Alberto Daniel
author_facet Núñez Agurto, Alberto Daniel
author_role author
dc.subject.none.fl_str_mv Ciencias Informáticas
Redes definidas por software
Clasificación de tráfico
Clasificación basada en aplicaciones
Aprendizaje automático
topic Ciencias Informáticas
Redes definidas por software
Clasificación de tráfico
Clasificación basada en aplicaciones
Aprendizaje automático
dc.description.none.fl_txt_mv El crecimiento exponencial de aplicaciones y servicios en Internet ha incrementado la demanda de ancho de banda y calidad de servicio, complejizando la gestión de redes. En este contexto, la clasificación eficiente del tráfico es fundamental para optimizar recursos y garantizar desempeño y seguridad. No obstante, los métodos tradicionales basados en inspección profunda de paquetes presentan limitaciones de escalabilidad, privacidad y eficiencia frente a entornos dinámicos y cifrados. Las redes definidas por software (SDN) emergen como una alternativa al separar los planos de control y de datos, proporcionando una visión global del tráfico y capacidades de programabilidad directa. La integración de técnicas de aprendizaje automático en este entorno permite incorporar inteligencia a la red, mejorando la detección y clasificación del tráfico. En este contexto, la presente investigación propone un modelo de clasificación basado en aprendizaje profundo que aborda tanto aplicaciones como ataques de red. Mediante la metodología SEMMA, se entrenaron cuatro modelos: LSTM, BiLSTM, GRU y BiGRU, utilizando características extraídas de dos conjuntos de datos públicos. Los resultados experimentales, validados en un entorno de simulación, evidencian el desempeño superior del modelo GRU, confirmando la viabilidad y efectividad de la propuesta y su contribución a la mejora de la calidad de servicio y la seguridad en entornos SDN.
Red de Universidades con Carreras en Informática
Facultad de Informática
description El crecimiento exponencial de aplicaciones y servicios en Internet ha incrementado la demanda de ancho de banda y calidad de servicio, complejizando la gestión de redes. En este contexto, la clasificación eficiente del tráfico es fundamental para optimizar recursos y garantizar desempeño y seguridad. No obstante, los métodos tradicionales basados en inspección profunda de paquetes presentan limitaciones de escalabilidad, privacidad y eficiencia frente a entornos dinámicos y cifrados. Las redes definidas por software (SDN) emergen como una alternativa al separar los planos de control y de datos, proporcionando una visión global del tráfico y capacidades de programabilidad directa. La integración de técnicas de aprendizaje automático en este entorno permite incorporar inteligencia a la red, mejorando la detección y clasificación del tráfico. En este contexto, la presente investigación propone un modelo de clasificación basado en aprendizaje profundo que aborda tanto aplicaciones como ataques de red. Mediante la metodología SEMMA, se entrenaron cuatro modelos: LSTM, BiLSTM, GRU y BiGRU, utilizando características extraídas de dos conjuntos de datos públicos. Los resultados experimentales, validados en un entorno de simulación, evidencian el desempeño superior del modelo GRU, confirmando la viabilidad y efectividad de la propuesta y su contribución a la mejora de la calidad de servicio y la seguridad en entornos SDN.
publishDate 2026
dc.date.none.fl_str_mv 2026-04
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/195834
url http://sedici.unlp.edu.ar/handle/10915/195834
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-631-6904-02-7
info:eu-repo/semantics/reference/hdl/10915/195432
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
1203-1212
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1868982612315340800
score 13.265058

Publicaciones similares