Detección, predicción y restauración de Anomalías y Fallas en la Red con modelos de Inteligencia Artificial (IA)

Abstract

El presente trabajo desarrolla un sistema completo de detección, predicción y restauración automática de anomalías en redes de telecomunicaciones mediante técnicas de aprendizaje automático. El sistema se implementa sobre el Network Anomaly Dataset (Kaggle/UPM, 2024), un conjunto de datos real de 1001 muestras capturadas en una infraestructura de routers Cisco IOS XR virtuales, con cinco métricas de red: throughput, congestión, pérdida de paquetes, latencia y jitter. Se analizan cuatro tipos de anomalía: congestión de red, pérdida de paquetes elevada, alta latencia y jitter extremo. Para cada tipo se implementan tres capas funcionales. La primera es la detección no supervisada, basada en un Autoencoder con ventanas temporales de 20 pasos, un Isolation Forest y un One-Class SVM, todos entrenados exclusivamente sobre muestras normales. La segunda es la predicción supervisada, implementada mediante una red neuronal recurrente LSTM que procesa secuencias temporales y produce una probabilidad de anomalía para el instante siguiente. La tercera es la restauración automática, que activa acciones correctivas específicas por tipo de anomalía: redirección de tráfico para la congestión, retransmisión selectiva ARQ para la pérdida de paquetes, priorización QoS DSCP para la latencia alta, y estabilización del buffer de jitter para el jitter extremo. Los resultados muestran que la LSTM obtiene un AUC-ROC de 1.0 en las anomalías de pérdida de paquetes y jitter extremo, y que ambos modelos producen cero falsos positivos en la validación cruzada sobre segmentos normales. La validación adicional mediante logs en formato Cisco IOS XR confirma la correspondencia entre los eventos detectados y los mensajes de diagnóstico reales de los routers. Se concluye que la combinación de modelos no supervisados y supervisados con restauración automática adaptada al tipo de anomalía es un enfoque técnicamente viable para la monitorización autónoma de redes.This work develops a complete system for automatic detection, prediction and restoration of anomalies in telecommunications networks using machine learning techniques. The system is implemented on the Network Anomaly Dataset (Kaggle/UPM, 2024), a real dataset of 1001 samples captured in a Cisco IOS XR virtual router infrastructure, with five network metrics: throughput, congestion, packet loss, latency and jitter. Four types of anomalies are analysed: network congestion, high packet loss, high latency and extreme jitter. For each type, three functional layers are implemented. The first is unsupervised detection, based on an Autoencoder with 20-step temporal windows, an Isolation Forest and a One-Class SVM, all trained exclusively on normal samples. The second is supervised prediction, implemented through a recurrent LSTM neural network that processes temporal sequences and produces an anomaly probability for the next instant. The third is automatic restoration, which activates anomaly-specific corrective actions: traffic shaping for congestion, selective ARQ retransmission for packet loss, QoS DSCP prioritisation for high latency, and jitter buffer stabilisation for extreme jitter. Results show that the LSTM achieves an AUC-ROC of 1.0 for packet loss and extreme jitter anomalies, and that both models produce zero false positives in cross-validation on normal segments. Additional validation through Cisco IOS XR format logs confirms the correspondence between detected events and real router diagnostic messages. It is concluded that combining unsupervised and supervised models with anomaly-type-adapted automatic restoration is a technically viable approach for autonomous network monitoring.