Publicación: Despliegue de VPN L2 y L3 sobre una red MPLS con monitoreo y optimización basados en inteligencia artificial y aprendizaje de máquina
Portada
Descargar PDF 
Vista en línea Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autores
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor
Tipo de Material
Fecha
Citación
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
El presente proyecto tuvo como propósito el diseño y la implementación de redes privadas virtuales (VPN) de capa 2 y 3 sobre una infraestructura MPLS virtualizada en el emulador GNS3, utilizando routers Cisco con capacidades de segmentación basadas en VRF y BGP. Su objetivo principal consistió en garantizar la escalabilidad y el aislamiento del tráfico, emulando entornos equivalentes a los de proveedores de servicios. La topología MPLS fue completamente virtualizada y configurada con el protocolo de enrutamiento OSPF para el establecimiento de label switched paths (LSP), sobre los cuales se implementaron VPNv4 mediante BGP. El sistema fue complementado con la integración del software de monitoreo Zabbix, a través del cual se recolectaron métricas de latencia, pérdida de paquetes, disponibilidad e interrupciones de interfaz, almacenadas para su análisis posterior. A partir de estos datos, se desarrolló un modelo predictivo de aprendizaje automático, tipo árbol de decisión, entrenado sobre el histórico de caídas de interfaz para estimar la probabilidad de falla de cada enlace. Dicho modelo generó predicciones con su probabilidad asociada en un horizonte de doce horas, información utilizada por un módulo de optimización para ajustar dinámicamente los costos OSPF, lo que favoreció rutas más estables. Además, se integró un asistente inteligente basado en Google Gemini, encargado de analizar problemas registrados por Zabbix y proponer causas y recomendaciones automáticas ante incidentes detectados. Los resultados demostraron una operación estable de las VPNs, una reducción en los tiempos de convergencia y una mejora en la resiliencia del servicio. Asimismo, la aplicación combinada de aprendizaje automático e inteligencia artificial fortaleció la capacidad predictiva y de diagnóstico del sistema, permitiendo una gestión más eficiente y proactiva de la red.
Resumen en inglés
The purpose of this project was the design and implementation of Layer 2 and Layer 3 Virtual Private Networks (VPNs) over a virtualized MPLS infrastructure in the GNS3 emulator, using Cisco routers with segmentation capabilities based on VRF and BGP. Its main objective was to ensure scalability and traffic isolation, emulating environments equivalent to those used by service providers. The MPLS topology was fully virtualized and configured with the OSPF routing protocol for the establishment of label switched paths (LSPs), over which VPNv4 services were implemented using BGP. The system was complemented by the integration of the Zabbix monitoring software, through which metrics such as latency, packet loss, availability, and interface interruptions were collected and stored for further analysis. Based on these data, a machine learning predictive model based on a decision tree algorithm was developed and trained on historical interface failure data to estimate the probability of failure for each link. This model generated predictions with associated probabilities within a twelve-hour forecast window. The resulting information was then used by an optimization module to dynamically adjust OSPF costs, favoring more stable routing paths. In addition, an intelligent assistant based on Google Gemini was integrated to analyze issues reported by Zabbix and automatically suggest possible causes and recommendations for detected incidents. The results demonstrated stable VPN operation, reduced convergence times, and improved service resilience. Likewise, the combined application of machine learning and artificial intelligence strengthened the system’s predictive and diagnostic capabilities, enabling more efficient and proactive network management.
