Modelo Bayesiano y de Cadenas de Markov para la Detección de Fallas en el Servicio de Internet: Caso Más Fiber Home
Resumen
La calidad del servicio de Internet es un factor determinante para la experiencia del usuario y la eficiencia operativa de los proveedores. Por ello en esta investigación se aplica modelos probabilísticos para mejorar el servicio de internet. El objetivo principal fue analizar los reportes técnicos generados por los usuarios, identificando patrones recurrentes y estimando probabilidades condicionales que orienten la toma de decisiones técnicas, adoptando un enfoque cuantitativo de tipo descriptivo-aplicado, tomando como base una muestra de 1.320 reportes registrados en la plataforma interna de atención de la empresa Más FiberHome, durante enero a mayo 2025. Se clasificaron los tipos de fallas, codificando los estados del sistema, y elaborando una matriz de transición que permitió modelar la evolución del servicio, aplicando el modelo de cadenas de Markov. Luego, se aplicó la inferencia bayesiana para establecer relaciones causales entre síntomas y fallas reportadas. Los resultados indicaron que las fallas en la fibra óptica explican más del 50 % de los casos de desconexión total, mientras que la congestión de red es la principal causa de lentitud en la navegación. Estos hallazgos permiten implementar mejoras técnicas enfocadas y con base en evidencia. En conclusión, el modelo propuesto resulta eficaz para optimizar la gestión operativa de proveedores locales de Internet.
Descargas
Citas
Bobbio, A. (2001). Mapping fault trees into Bayesian networks. Reliability Engineering & System Safety.
Boudali, A., & Dugan, J. (2005). Bayesian network approach to solve dynamic fault trees. IEEE.
Das, D., Imteyaz, M., & Bapat, J. (2021). A data-augmented Bayesian network for node failure prediction in optical networks. doi: https://arxiv.org/abs/2102.03618
Don, M. G., et al. (2019). Dynamic process fault detection and diagnosis based on a combined approach of hidden Markov and Bayesian network model. Chemical Engineering Science, 207, 1256–1271.
El‑Awady, A., et al. (2021). Integration of simulation and Markov chains to support Bayesian networks. Reliability Engineering & System Safety.
Hurtado‑Cortés, L. L. (2016). Detección y diagnóstico de fallas mediante técnicas de inteligencia artificial. Redalyc.
Liu, N. (2022). Fault detection and diagnosis using Bayesian network model. Process Safety and Environmental Protection, 164, 15–26.
Murphy, K. (2002). Dynamic Bayesian Networks: Representation, inference and learning. University of California.
Ocaña‑Riola, R. (2009). Modelos de Markov aplicados a la investigación. Revista Española de Salud Pública, SciELO.
Oviedo Bayas, B. W. (2021). Redes bayesianas aplicadas a la predicción de errores en redes definidas por software. Revista Científica, SciELO.
Pathmika, M., Khan, F., & Don Pathmika, G. (2019). Dynamic process fault detection and diagnosis based on a combined approach of hidden Markov and Bayesian network model. Chemical Engineering Science, 1193–1205. doi:https://doi.org/10.1016/j.ces.2019.07.001
Portinale, L., et al. (2014). Dynamic Bayesian networks for reliability analysis. International Journal of Approximate Reasoning.
Rebello, S., Yu, H., & Ma, L. (2018). An integrated approach for system functional reliability assessment using Dynamic Bayesian Network and Hidden Markov Model. Reliability Engineering & System Safety, 102–110. doi: https://doi.org/10.1016/j.ress.2018.07.011
Sainz, R. T. (2023). Redes bayesianas como herramienta para la detección de fallos. Dialnet.
Salem, A., & Woldegebreal, D. (2022). Review of Markov chain and its applications in telecommunication systems. En T. S. Bissyandé, e-Infrastructure and e-Services for Developing Countries: AFRICON 2022 (págs. 366–385). Springer. doi: https://doi.org/10.1007/978-3-031-06374-9_24
Soleimani, M., Campean, F., & Neagu, D. (2021). Integration of Hidden Markov Modelling and Bayesian Network for fault detection and prediction of complex engineered systems. Reliability Engineering & System Safety, 215, 107808. https://doi.org/10.1016/j.ress.2021.107808
Tarcsay, B., Bárkányi, Á., Németh, S., Chován, T., Lovas, L., & Egedy, A. (2019). Risk Based Fault Detection Using Bayesian Networks Based on Failure Mode and Effect Analysis. Sensors, 24(11), 3511. doi: https://doi.org/10.3390/s24113511
Tarcsay, B. L., et al. (2024). Risk‑based fault detection using Bayesian networks. Sensors, 24(11), 3511.
https://doi.org/10.3390/s24113511
Terán Bustamante, A., et al. (2019). Gestión de la tecnología e innovación mediante redes bayesianas. SciELO México.
Zhu, S., et al. (2015). Hidden Markov induced dynamic Bayesian network. Scientific Reports, 5, 17841.
Derechos de autor 2026 Cristian Stalin Sancho López , Paquita Alejandra Cuadros García, Jessica Pilar Alejandro Becerra, Johanna Elizabeth Córdova Cueva , Ruben Darío Castro Velazques
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
.png)
.png)
1.png)
