Análisis comparativo de los protocolos Round Robin y redes neuronales recurrentes (RNN) para balanceo de carga en redes SDN

Abstract

El crecimiento del tráfico digital y la complejidad de las infraestructuras de red han evidenciado las limitaciones de los algoritmos de balanceo de carga estáticos frente a entornos dinámicos y multiprotocolo, lo que justifica la necesidad de explorar soluciones adaptativas basadas en inteligencia artificial; en este contexto, el presente trabajo tiene como objetivo analizar el desempeño del balanceo de carga basado en redes neuronales para redes SDN en un entorno controlado de simulación. La metodología empleada sigue un modelo en cascada estructurado en cuatro fases: revisión teórica del estado del arte, diseño e implementación de ambos controladores, Round Robin y una red neuronal bidireccional de memoria a largo y corto plazo (LSTM), sobre la plataforma Mininet con el controlador Ryu y el protocolo OpenFlow 1.3, diseño de diez escenarios de prueba con inyección de tráfico heterogéneo (HTTP, VoIP y streaming), y análisis comparativo de métricas estandarizadas bajo ITU-T Y.1540 y RFC 2544 (latencia IPTD, pérdida de paquetes IPLR, variación de retardo IPDV y throughput). Los resultados demuestran que el controlador Bi-LSTM reduce la desviación estándar de uso de CPU entre servidores de un 43.39% a un 4.18% en tráfico mixto concurrente; contiene la saturación de CPU en un 75.49% frente al 99.95% registrado por Round Robin en escenarios de estrés crítico; sostiene una tasa de pérdida de paquetes del 0.0% donde el método estático alcanza el 1.43%; y mantiene una latencia media de 1.11 ms frente a 1.20 ms en pruebas de estabilidad prolongada. Se concluye que la arquitectura LSTM supera significativamente al protocolo Round Robin en eficiencia, equidad de distribución, resiliencia ante fallos y continuidad de servicio, validando su viabilidad operativa en entornos SDN.