Modelo ARIMA para pronosticar valores de tráfico en una red de datos Wi-Fi

An ARIMA model for forecasting Wi-Fi data network traffic values

El presente artículo de investigación científica y tecnológica tiene por objetivo demostrar que las series de tiempo son una excelente herramienta para el modelamiento de tráfico de datos en redes Wi-Fi. Para lograr este objetivo se utilizó la metodología de Box-Jenkins, la cual se describe. El modelamiento de tráfico Wi-Fi a través de modelos correlacionados como las series de tiempo, permiten ajustar gran parte de la dinámica del comportamiento de los datos en una ecuación y con base en esto estimar valores futuros de tráfico. Lo anterior es una ventaja para la planeación de cobertura, reservación de recursos y la realización de un control más oportuno y eficiente en forma integrada a diferentes niveles de la jerarquía funcional de la red de datos Wi-Fi. Como resultado de la investigación se obtuvo un modelo de tráfico ARIMA de orden 6, el cual realizó pronósticos de tráfico con valores del error cuadrático medio relativamente pequeños, para un periodo de 18 días.

Introducción

A lo largo de los últimos 100 años de desarrollo de las redes de comunicación se han propuesto diferentes modelos de tráfico, cada uno de ellos útil en el contexto particular propuesto. Sin embargo, en la actualidad se ha demostrado que el tráfico de datos está muy correlacionado. Los fenómenos de correlación hacen que la variabilidad se extienda a lo largo de muchas escalas de tiempo, comprometiendo así la validez de las técnicas de control diseñadas para los modelos de tráfico tradicionales. Por lo tanto, ha sido necesario desarrollar modelos adicionales más complejos que puedan representar estas correlaciones y considerar las características reales del tráfico, especialmente las correlaciones en los tiempos entre las llegadas, que están totalmente ausentes en los modelos no correlacionados (Alzate, 2004).

Las redes de comunicación modernas no disponen actualmente de una herramienta fiable que permita predecir el tráfico para las próximas 24 o 48 horas; esto plantea la siguiente pregunta (Grossglausser y Bolot, 1999), (Pajouh, 2002), "¿Se puede desarrollar un modelo estadístico que pueda estimar las predicciones relativas al tráfico Wi-Fi futuro?"

El objetivo principal de una serie temporal es desarrollar modelos estadísticos que expliquen el comportamiento de una variable aleatoria que cambia a lo largo del tiempo y que permita realizar estimaciones futuras de dicha variable aleatoria (Correa, 2004).

Los modelos de tráfico basados en series temporales son, por tanto, beneficiosos para la planificación de la cobertura, la reserva de recursos, la supervisión de la red, la detección de anomalías y la elaboración de modelos de simulación más precisos, ya que pueden predecir el tráfico en una escala temporal determinada (Papadopouli, Shen, Raftopuulos, Ploumidis y Hernández, 2004).

En cuanto a la planificación de las necesidades futuras de cualquier sistema, la precisión de la predicción del tráfico es realmente importante a la hora de definir la capacidad futura requerida y planificar cualquier cambio. Un modelo de series temporales bastante preciso puede predecir varios años en el futuro, lo que supone una ventaja a la hora de planificar las necesidades futuras (Fillatre, Marakov y Vaton, 2003).