Algoritmos supervisados para la predicción de fallos en la red LAN de la UPSE

Abstract

En redes universitarias como la de la Universidad Estatal Península de Santa Elena, la gestión LAN sigue siendo reactiva, sin historial ni alertas tempranas. Este estudio propone aplicar algoritmos supervisados de aprendizaje automático, seleccionados con base en evidencia científica, para construir y evaluar un modelo predictivo de fallos a partir de telemetría SNMP obtenida mediante Zabbix. Se utilizó una metodología combinada de Investigación en Ciencias del Diseño (DSR) y CRISP–DM, con ventanas de 60 minutos sobre 7571 ejemplos (729 fallos y 6 842 normales). Se compararon dos modelos: Random Forest, entrenado con características estadísticas, y una red neuronal convolucional unidimensional, aplicada sobre secuencias multivariadas. Random Forest alcanzó una exactitud del 96,88 %, mientras que la red neuronal logró un recall del 73,10 %. Los resultados demuestran su complementariedad y evidencian que la combinación de ambos modelos favorece una gestión proactiva de la red institucional, reduciendo los tiempos de respuesta ante incidencias.