https://hdl.handle.net/20.500.12008/30 Reúne las tesis de Maestría y Doctorado 2026-05-19T15:21:01Z https://hdl.handle.net/20.500.12008/55022 Título: BleTree : Protocolo para extender la cobertura de BLE en redes de sensores con aplicación al monitoreo de calidad del aire Autor: Díaz, Leandro Resumen: Esta tesis comienza con la implementación de redes Bluetooth Low Energy (BLE) y BLE Mesh para el desarrollo de un sistema para el monitoreo de la calidad del aire en ambientes interiores mediante la medición de concentraciones de CO2, temperatura y humedad. Esta aplicación se llevó a cabo en el marco de un proyecto interdisciplinario enfocado en el estudio de dichas variables en centros educativos. Para ello, se desplegaron tres redes IoT capaces de realizar mediciones de estas variables: una red destinada a evaluar el nivel de CO2 en distintos puntos de un salón, y dos redes, una en cada escuela, para medir el CO2 en todos los salones. El sistema implementado emplea dos protocolos de comunicación distintos según el tipo de aplicación. Para el análisis del CO2 en diferentes puntos de un mismo salón se utilizó el protocolo BLE, debido a su simplicidad y alcance suficiente. En cambio, para la medición en todos los salones de dos escuelas se empleó BLE Mesh, dado su mayor alcance y capacidad de cubrir áreas extensas. El hardware se basó en el microcontrolador nRF52840, alimentado por tres pilas AA, e integró sensores de bajo consumo para las variables mencionadas. Se fabricaron 65 dispositivos con un costo unitario aproximado de 57 dólares. El firmware fue desarrollado utilizando nRF Connect SDK y Zephyr. Los datos recolectados se almacenan en una Raspberry Pi, que actúa como nodo base y servidor web, utilizando el framework Flask, permitiendo la visualización en tiempo real de las condiciones ambientales. Se instalaron tablets conectadas al servidor web para visualizar los niveles de CO2 y permitir la toma de decisiones sobre ventilación en tiempo real. Durante la implementación de estas redes se identificaron diversas limitaciones, lo que motivó la exploración y el desarrollo de un protocolo de bajo consumo denominado BLETree. Este protocolo, basado en la tecnología BLE, está orientado a extender su cobertura para aplicaciones IoT manteniendo un bajo consumo energético y una estructura escalable. Este protocolo surge como respuesta a las limitaciones observadas en implementaciones previas de redes IoT basadas en BLE y BLE Mesh, donde la primera presenta un alcance restringido debido a su topología en estrella, mientras que la segunda implica un consumo elevado al requerir nodos repetidores con sus radios permanentemente activas. La propuesta combina las ventajas de ambas tecnologías mediante una arquitectura en árbol que permite operar todos los nodos con alimentación a baterías, facilitando su uso en entornos con disponibilidad energética limitada. El protocolo fue desarrollado también sobre nRF Connect SDK y Zephyr, empleando una estructura modular organizada en capas funcionales de conexión, descubrimiento, enrutamiento y transporte. La formación del árbol se basa en los conceptos de multirrol y multilink, permitiendo que cada nodo actúe simultáneamente como central y periférico. Esta característica posibilita la creación dinámica de una red jerárquica en la que los nodos se conectan según criterios de distancia, números de saltos, calidad de enlace (RSSI) y número de conexiones activas. El proceso de establecimiento y mantenimiento de la topología fue diseñado para minimizar el tiempo de radio activa, reduciendo significativamente el consumo energético. Comparando las tres implementaciones, BLE, BLE Mesh y BLETree, los resultados experimentales muestran que BLETree alcanza una cobertura significativamente mayor que BLE, manteniendo un consumo energético del mismo orden de magnitud. El consumo promedio medido fue de aproximadamente 84 µA en los nodos intermedios, 11 µA en los nodos hoja y 54 µA en el nodo raíz, valores muy inferiores a los observados en BLE Mesh, donde los nodos repetidores superan los 5 mA. Si bien la topología en árbol introduce una mayor latencia, esta se mantiene dentro de niveles adecuados para aplicaciones de monitoreo ambiental con baja frecuencia de muestreo. Los resultados obtenidos confirman que BLETree puede operar de forma estable y autosuficiente, validando su potencial como solución de comunicación IoT eficiente en energía y de cobertura extendida. Finalmente, de manera independiente a las tres implementaciones mencionadas, se recopiló una base de datos con mediciones continuas de CO2, temperatura y humedad durante más de dos años. Esta base ha sido utilizada por el equipo de Mecánica de los Fluidos para realizar diversos análisis y publicaciones científicas. Dichos antecedentes constituyeron la base y motivación para el desarrollo del protocolo BLETree, consolidando una línea de investigación centrada en redes IoT de bajo consumo y monitoreo ambiental. 2026-01-01T00:00:00Z https://hdl.handle.net/20.500.12008/54812 Título: Learning-based resource allocation for fair and efficient mobile networks Autor: Randall Carlevaro, Martín Resumen: This thesis explores the application of artificial intelligence to resource allocation in wireless networks. Next-generation cellular systems, with 5G already deployed and 6G under development, drastically increase both the capacity and complexity of the network, demanding more careful design for improved resource utilization and operational efficiency. Traditional methods based on network overprovisioning are no longer sufficient. The use of mid- and high-frequency bands introduces new challenges in urban environments and densely populated areas. Likewise, classical resource allocation schemes based on fixed rules struggle to ensure both efficiency, fairness, and adaptability. To address these limitations, modern networks increasingly rely on intelligent management mechanisms capable of dynamically adapting to heterogeneous traffic conditions, with the dual objective of maintaining service quality and reducing operational costs. This work focuses precisely on time–frequency resource allocation by base stations, considering two complementary levels: user association at the inter-cell level and internal resource scheduling at the intra-cell level. The first part of this thesis considers the user association problem, which seeks to determine to which base station a mobile device should connect upon entering the network. Differently from previous efforts, the focus is on fairness and stability in a dynamic setting where users arrive randomly and have finite session durations. To this end, the fair user association problem is formalized and studied under realistic system dynamics, including user departures and the possibility of admission rejection. The problem is modeled as a partially observable Markov Decision Process, with several variants reflecting different modeling assumptions and optimization objectives. Reinforcement learning techniques are employed, leveraging graph neural networks to exploit the relational structure of the network and to learn decentralized yet stable association policies. A principled method is proposed to incorporate fairness criteria into the decision-making process, adapted to partially observable states and time-varying user populations. The proposed approach is validated using real data from a 5G network in Paris, demonstrating improvements in both load balancing and user experience. In the second part of the thesis, we examine the problem of resource distribution within a base station. The 5G standard defines three service categories: enhanced Mobile Broadband (eMBB), massive Machine-Type Communications (mMTC), and Ultra-Reliable Low-Latency Communications (URLLC). This work focuses on the coexistence of eMBB and URLLC services, where URLLC traffic has strict latency and reliability requirements and is granted priority access to spectrum resources, potentially preempting resources previously allocated to eMBB users. Given that these services operate on different time scales, the proposed approach combines classical optimization techniques with supervised learning methods to design resource allocation policies that satisfy URLLC requirements while minimizing the performance degradation experienced by eMBB users. The proposed solutions contribute to the advancement of artificial intelligence applied to resource management in wireless networks. Efficient resource optimization is not only desirable but necessary given the growing pressure on the planet’s natural resources. This thesis emphasizes the use of machine learning not only to maximize efficiency, but also as a means to promote fairness in access to shared resources.; Esta tesis explora la aplicación de la inteligencia artificial a la asignación de recursos en redes inalámbricas. Los sistemas celulares de próxima generación, con 5G ya desplegado y 6G en desarrollo, incrementan significativamente tanto la capacidad como la complejidad de la red, lo que exige un diseño más cuidadoso orientado a una mejor utilización de los recursos y a una mayor eficiencia operativa. Los enfoques tradicionales basados en el sobredimensionamiento de la red ya no resultan suficientes. El uso de bandas de frecuencia medias y altas introduce nuevos desafíos, en particular en entornos urbanos y áreas densamente pobladas. Asimismo, los esquemas clásicos de asignación de recursos basados en reglas fijas tienen dificultades para garantizar simultáneamente eficiencia, equidad y adaptabilidad. Para superar estas limitaciones, las redes modernas incorporan mecanismos de gestión inteligente capaces de adaptarse dinámicamente a condiciones de tráfico heterogéneas, con el doble objetivo de mantener la calidad de servicio y reducir los costos operativos. Este trabajo se centra precisamente en la asignación de recursos tiempo-frecuencia por parte de las estaciones base, considerando dos niveles complementarios: la asociación de usuarios a nivel intercelda y la planificación interna de recursos a nivel intracelda. La primera parte de esta tesis aborda el problema de asociación de usuarios, cuyo objetivo es determinar a qué estación base debe conectarse un dispositivo móvil al ingresar a la red. A diferencia de trabajos previos, el enfoque se pone en la equidad y la estabilidad en un entorno dinámico donde los usuarios llegan de forma aleatoria y tienen sesiones de duración finita. Con este fin, se formaliza el problema de asociación justa de usuarios y se estudia bajo dinámicas de sistema realistas, incluyendo la salida de usuarios y la posibilidad de rechazo en la admisión. El problema se modela como un Proceso de Decisión de Markov parcialmente observable, con varias variantes que reflejan diferentes supuestos de modelado y objetivos de optimización. Se emplean técnicas de aprendizaje por refuerzo, aprovechando redes neuronales basadas en grafos para explotar la estructura relacional de la red y aprender políticas de asociación descentralizadas y estables. Se propone un método principiado para incorporar criterios de equidad en el proceso de toma de decisiones, adaptado a estados parcialmente observables y a poblaciones de usuarios dinámicas. El enfoque propuesto se valida utilizando datos reales de una red 5G en París, mostrando mejoras tanto en el balance de carga como en la experiencia de los usuarios. En la segunda parte de la tesis se examina el problema de distribución de recursos dentro de una estación base. El estándar 5G define tres categorías de servicio: banda ancha móvil mejorada (eMBB), comunicaciones masivas de tipo máquina (mMTC) y comunicaciones ultra confiables y de baja latencia (URLLC). Este trabajo se centra en la coexistencia de servicios eMBB y URLLC, donde el tráfico URLLC presenta requisitos estrictos de latencia y confiabilidad y recibe prioridad en el acceso al espectro, pudiendo incluso reasignar recursos previamente asignados a usuarios eMBB. Dado que estos servicios operan en diferentes escalas temporales, la tesis combina técnicas clásicas de optimización con métodos de aprendizaje supervisado para diseñar políticas de asignación de recursos que cumplan con los requisitos de URLLC minimizando, al mismo tiempo, la degradación del desempeño de los usuarios eMBB. En conjunto, las soluciones propuestas contribuyen al avance de la aplicación de la inteligencia artificial a la gestión de recursos en redes inalámbricas. La optimización eficiente de recursos no es solamente un objetivo deseable, sino una necesidad ante la creciente presión sobre los bienes naturales del planeta. Esta tesis enfatiza el uso de técnicas de aprendizaje automático no solo para maximizar la eficiencia, sino también como medio para promover la equidad en el acceso a los recursos compartidos. 2026-01-01T00:00:00Z https://hdl.handle.net/20.500.12008/54443 Título: OVIS System : A research platform for online and embedded monitoring of sheep behavior Autor: Cabrera, Varinia Resumen: This thesis presents the design, implementation, and evaluation of the OVIS system, a research system for online behavioral monitoring of sheep in extensive livestock systems. The OVIS system includes a custom made collar, referred to as the OVIS device, capable of collecting motion and location data, running an embedded classification algorithm, and transmitting processed information to the OVIS cloud server through Narrowband IoT (NB-IoT). The resulting architecture enables remote behavior analysis without requiring proprietary infrastructure or raw data transmission. In this work, the signal processing pipeline is presented as a proof of concept, intended to illustrate the potential of the developed tool rather than as a finalized, production solution. The OVIS device features Actinius’ Icarus IoT Board, which includes an nRF9160 System in Package (from Nordic Semiconductor) with NB-IoT and Global Navigation Satellite System (GNSS) capabilities. The Icarus IoT Board incorporates the LIS2DH12 three-axis accelerometer from STMicroelectronics and a power management circuit, based on the BQ24074 chip from Texas Instruments, allowing the device to be powered from various sources: three solar panels (totaling 2.8 W), a 2500 mAh Lithium Polymer (LiPo) rechargeable battery, and a micro-B USB port. The embedded software, referred to as the OVIS application, was built on Zephyr Real Time Operating System (RTOS) and adapted from a Nordic Semiconductor application. It is responsible for periodically acquiring location data, accelerometer readings, battery level, and cellular signal strength. The OVIS application implements online behavior classification using a Random Forest (RF) algorithm, which was trained on a Personal Computer (PC) and translated into C code using Emlearn (a tool to convert trained machine learning models into C code). This enables on-animal inference, meaning that behavior is classified directly on the device worn by the animal. The inference is done by computing signal features over acceleration windows and classifying behaviors on-device, which are then transmitted to be available online. In this context, online classification refers to the ability to transmit raw sensor data for live, server based classification, or to transmit already classified behaviors so that they become available on a computer or server with minimal delay. The OVIS application can transmit both raw and processed data via NB-IoT to the OVIS cloud server for further storage, analysis, and visualization. Designed with autonomy in mind, it incorporates low power modes. The OVIS application also supports system scalability, enabling future integration of additional sensors and a low transmission mode where only processed data and location data are sent at extended intervals, significantly reducing bandwidth and power consumption. In normal operation, the OVIS device demonstrated over 11 days of autonomy without solar input, with potential for more than 150 days in a low transmission mode. The OVIS cloud server was built using AWS services, including IoT Core, Lambda, and DynamoDB, to ensure secure, scalable communication between the OVIS devices and the OVIS cloud server. Message Queuing Telemetry Transport (MQTT) over ransport Layer Security (TLS) ensures secure, low latency transmission of data, which is then processed and made accessible through a responsive web interface built with NextJS 13. The OVIS cloud server supports visualization of battery levels, predicted behaviors, and GNSS locations over selectable time periods, allowing users to monitor animals individually or at flock level. The OVIS classifier aims to distinguish three distinct locomotion classes: still, walking, and running. The evaluation of the OVIS classifier was done in three stages. First, an embedded version trained using a public dataset and tested with OVIS data (i.e., data collected in the present work by the OVIS device), achieved an overall accuracy of 81%. To improve performance, a second model was trained and tested on the PC using exclusively OVIS data, reaching 84% accuracy. Finally, a third version for binary classification (still vs. movement) was also was trained and tested on the PC with OVIS data, achieving 86% accuracy. Although classification of walking and running remained challenging due to the inherent difficulty in distinguishing dynamic behaviors under natural grazing conditions, the classification algorithm successfully fulfilled its role as a proof of concept. Thirty OVIS devices were manufactured, and a subset of them was evaluated in laboratory and on-farm scenarios. The mechanical design was developed to ensure durability, proper fit, and animal comfort under extensive grazing conditions. The collar worn enclosure (3D printed in polyethylene terephthalate glycol modified with transparent polycarbonate windows) was iteratively refined to withstand impacts, moisture, and long term outdoor exposure. Adjustable straps and multiple sizes enabled secure attachment across sheep morphologies, while design features such as neutral coloring, USB protection, and antenna placement supported usability and signal performance. Compared to state of the art and commercial systems, the OVIS system stands out for its modular design, on-animal classification, cloud based architecture, and its possibility to extend autonomy through solar panels. Unlike most alternatives, it relies exclusively on public cellular infrastructure, reducing deployment barriers. Moreover, it supports future enhancements, including additional sensors, extensions to the behavior classification algorithm, and cloud-device collaboration. Despite these strengths, some challenges remain. NB-IoT coverage in rural Uruguay is inconsistent, leading to packet losses exceeding 40% in some areas. Furthermore, GNSS accuracy is limited by signal quality and modem transmission constraints. These issues motivate future exploration of advanced filtering strategies, and differential GNSS correction. In conclusion, this work provides a foundation for a flexible behavioral monitoring system tailored to the needs of extensive livestock farming. The OVIS system integrates an embedded device equipped with sensors and reliable connectivity, and a user friendly cloud server. This system enables autonomous, scalable monitoring, supporting both scientific investigations and practical flock management. Continued development and optimization of the OVIS system could transform it into a viable long term solution for deployments in agriculture and animal science. These developments include: behavior classifier refinement, cost reduction strategies, enhanced autonomy via solar harvesting or a low transmission mode, improved data logging under poor connectivity conditions (e.g., SD card buffering), and simplified collar management through remote configuration and firmware updates.; Esta tesis presenta el diseño, la implementación y la evaluación del sistema OVIS, un sistema de investigación para el monitoreo de comportamiento online de ovinos en sistemas de ganadería extensiva. El sistema OVIS incluye un collar diseñado a medida, denominado dispositivo OVIS, capaz de recolectar datos de movimiento y localización, ejecutar un algoritmo de clasificación embebido y transmitir información procesada al servidor en la nube de OVIS a través de Narrowband IoT (NB-IoT). La arquitectura resultante permite el análisis remoto del comportamiento sin requerir infraestructura propietaria ni la transmisión de datos crudos. En este trabajo, el procesamiento de señales se presenta como una prueba de concepto, destinado a ilustrar el potencial de la herramienta desarrollada más que como una solución final de producción. El dispositivo OVIS incorpora la placa Icarus IoT Board de Actinius, que incluye un nRF9160 (de Nordic Semiconductor) con capacidades de NB-IoT y Sistema Global de Navegación por Satélite (GNSS). La Icarus IoT Board integra el acelerómetro triaxial LIS2DH12 de STMicroelectronics y un circuito de gestión de energía basado en el chip BQ24074 de Texas Instruments, lo que permite alimentar el dispositivo a partir de diversas fuentes: tres paneles solares (con una potencia total de 2.8 W), una batería recargable de Polímero de Litio (LiPo) de 2500 mAh y un puerto USB micro-B. El software embebido, denominado aplicación OVIS, fue desarrollado sobre el Sistema Operativo en Tiempo Real (RTOS) Zephyr y adaptado a partir de una aplicación de Nordic Semiconductor. Es responsable de adquirir periódicamente datos de localización, lecturas del acelerómetro, nivel de batería e intensidad de la señal celular. La aplicación OVIS implementa clasificación de comportamiento en línea utilizando un algoritmo de Random Forest (RF), que fue entrenado en una Computadora Personal (PC) y traducido a código C mediante Emlearn (una herramienta para convertir modelos de aprendizaje automático entrenados a código C). Esto habilita la inferencia on-animal, es decir, que el comportamiento se clasifica directamente en el dispositivo que lleva el animal. La inferencia se realiza mediante el cálculo de características de la señal sobre ventanas de aceleración y la clasificación del comportamiento en el propio dispositivo, cuyos resultados luego se transmiten para estar disponibles online. En este contexto, la clasificación online se refiere a la capacidad de transmitir datos crudos de sensores para su clasificación en vivo basada en el servidor, o de transmitir comportamientos ya clasificados para que estén disponibles en una computadora o un servidor con un retardo mínimo. La aplicación OVIS puede transmitir tanto datos crudos como procesados vía NB-IoT al servidor OVIS para su posterior almacenamiento, análisis y visualización. Diseñada con la autonomía como objetivo, incorpora modos de bajo consumo. La aplicación OVIS también soporta la escalabilidad del sistema, permitiendo la futura integración de sensores adicionales y un modo de baja transmisión en el que solo se envían datos procesados y datos de localización a intervalos extendidos, reduciendo significativamente el uso de ancho de banda y el consumo energético. En operación normal, el dispositivo OVIS demostró más de 11 días de autonomía sin aporte solar, con potencial para superar los 150 días en un modo de baja transmisión. El servidor OVIS fue construido utilizando servicios de AWS, incluyendo IoT Core, Lambda y DynamoDB, para garantizar una comunicación segura y escalable entre los dispositivos OVIS y el servidor OVIS. El protocolo Message Queuing Telemetry Transport (MQTT) sobre Transport Layer Security (TLS) asegura la transmisión segura y de baja latencia de los datos, que luego son procesados y puestos a disposición a través de una interfaz web de tipo responsiva desarrollada con NextJS 13. El servidor OVIS permite la visualización de niveles de batería, comportamientos clasificados y datos de ubicación en períodos de tiempo seleccionables, permitiendo a los usuarios monitorear animales de forma individual o a nivel de majada. El clasificador OVIS tiene como objetivo distinguir tres clases de locomoción diferentes: quieto, caminando y corriendo. La evaluación del clasificador OVIS se realizó en tres etapas. En primer lugar, una versión embebida entrenada utilizando un conjunto de datos público y evaluada con datos OVIS (es decir, datos recolectados en el presente trabajo por el dispositivo OVIS) alcanzó una precisión global del 81 %. Para mejorar el desempeño, un segundo modelo fue entrenado y evaluado en la PC utilizando exclusivamente datos OVIS, alcanzando una precisión del 84 %. Finalmente, una tercera versión para clasificación binaria (quieto vs. movimiento) también fue entrenada y evaluada en la PC con datos OVIS, alcanzando una precisión del 86 %. Si bien la clasificación de caminar y correr resultó desafiante debido a la dificultad inherente de distinguir comportamientos dinámicos bajo condiciones naturales de pastoreo, el algoritmo de clasificación cumplió exitosamente su rol como prueba de concepto. Se fabricaron treinta dispositivos OVIS, y un subconjunto de ellos fue evaluado en escenarios de laboratorio y en campo. El diseño mecánico fue desarrollado para garantizar durabilidad, ajuste adecuado y confort animal bajo condiciones de pastoreo extensivo. El encapsulado del collar (impreso en 3D en tereftalato de polietileno modificado con glicol, con ventanas transparentes de policarbonato) fue refinado iterativamente para resistir impactos, humedad y exposición prolongada al aire libre. Correas ajustables y múltiples tamaños permitieron una sujeción segura para distintas morfologías ovinas, mientras que características de diseño como coloración neutra, protección del puerto USB y ubicación de la antena favorecieron la usabilidad y el desempeño de la señal. En comparación con el estado del arte y con sistemas comerciales, el sistema OVIS se destaca por su diseño modular, la clasificación on-animal, su arquitectura basada en la nube y la posibilidad de extender la autonomía mediante paneles solares. A diferencia de la mayoría de las alternativas, se apoya exclusivamente en infraestructura celular pública, reduciendo las barreras de despliegue. Además, soporta mejoras futuras, incluyendo sensores adicionales, extensiones del algoritmo de clasificación de comportamiento y colaboración de procesamiento nube-dispositivo. A pesar de estas fortalezas, persisten algunos desafíos. La cobertura NB-IoT en zonas rurales de Uruguay es inconsistente, lo que conduce a pérdidas de paquetes que superan el 40 % en algunas áreas. Asimismo, la precisión GNSS está limitada por la calidad de la señal y las restricciones de transmisión del módem. Estos aspectos motivan la exploración futura de estrategias avanzadas de filtrado y corrección GNSS diferencial. En conclusión, este trabajo proporciona una base para un sistema flexible de monitoreo de comportamiento ovino adaptado a las necesidades de la ganadería extensiva. El sistema OVIS integra un dispositivo embebido equipado con sensores y conectividad confiable, y un servidor en la nube fácil de usar. Este sistema permite un monitoreo autónomo y escalable, apoyando tanto investigaciones científicas como la gestión práctica de majadas. El desarrollo y la optimización del sistema OVIS podrían transformarlo en una solución viable a largo plazo para despliegues en agricultura y ciencias animales. Estos desarrollos incluyen: refinamiento del clasificador de comportamiento, estrategias de reducción de costos, mejora de la autonomía mediante cosecha solar o un modo de baja transmisión, registro de datos mejorado bajo condiciones de conectividad deficiente (por ejemplo, almacenamiento en búfer mediante tarjeta SD) y una gestión simplificada de collares mediante configuración remota y actualizaciones de firmware. Descripción: Director de tesis y Director académico : Julián Oreggioni 2026-01-01T00:00:00Z https://hdl.handle.net/20.500.12008/54419 Título: Adaptación dinámica de network slicing en transporte de redes 5G mediante SDN : Diseño, implementación y análisis experimental Autor: Bertrand, Pablo Resumen: Este trabajo presenta el diseño, implementación y evaluación de un testbed 5G orientado al estudio de la asignación dinámica de recursos en el dominio de transporte, combinando técnicas de network slicing y software-defined networking. El objetivo es analizar cómo distintos mecanismos de adaptación pueden modificar el ancho de banda de segmentos de red con diferentes requerimientos de servicio, para aprovechar los recursos no utilizados por la red sin dejar de cumplir con los niveles de servicio establecidos. El testbed integra un núcleo 5G, nodos de acceso radio y una población configurable de dispositivos de usuario, junto con un plano de transporte programable y controlado por software. La arquitectura, totalmente basada en herramientas de código abierto, permite escalar el número de nodos de acceso y de segmentos de red, y proporciona un entorno unificado para monitorear, clasificar y manipular flujos en tiempo real. La primera contribución del trabajo es la construcción y documentación de esta plataforma, que reproduce el comportamiento de una red 5G y permite evaluar la asignación de recursos y la respuesta dinámica ante cambios de carga. Sobre esta infraestructura se desarrollan dos mecanismos alternativos de adaptación. El enfoque reactivo, basado en umbrales simples, ajusta los recursos de cada segmento por escalones ante variaciones de consumo. El enfoque predictivo usa modelos de aprendizaje automático, entrenados con datos obtenidos del sistema a partir de tráfico realista, para anticipar el throughput de corto plazo. Se diseñan funciones de pérdida asimétricas para orientar que los eventuales errores por la aleatoriedad se den por sobre-estimación y se analiza su impacto en el ancho de banda reservado (para aprovechar el excedente) y la proporción de sub-predicción (para cumplir las garantías del servicio prioritario). Los modelos desarrollados se integran en un ciclo operativo de medición, predicción y reconfiguración ejecutado cada segundo. Los resultados confirman que el sistema aísla correctamente el tráfico entre segmentos y que los modelos predictivos permiten estimar el throughput de corto plazo en segmentos con demanda variable, respondiendo a los cambios en la carga del transporte sin afectar al resto de la red. Además, el escalamiento a múltiples nodos y a un mayor número de dispositivos muestra que el testbed puede servir para evaluar estrategias de gestión distribuida de recursos. 2025-01-01T00:00:00Z