Inteligencia Artificial en Redes Inalámbricas: Arquitecturas CNN y su Potencial para Optimizar el Enrutamiento Dinámico Empresarial

Autores/as

Palabras clave:

Redes neuronales convolucionales, optimización de enrutamiento dinámico, redes inalámbricas empresariales, inteligencia artificial aplicada, arquitecturas CNN, análisis correlacional

Resumen

Las redes inalámbricas empresariales enfrentan desafíos sin precedentes debido al crecimiento exponencial del tráfico de datos, demandando enfoques sofisticados para optimización de enrutamiento dinámico que trasciendan limitaciones de algoritmos tradicionales, esta investigación analizó comparativamente arquitecturas de redes neuronales convolucionales más relevantes para identificar aquellas con mayor potencial en procesamiento de datos de redes inalámbricas empresariales, examinando metodologías de inteligencia artificial en optimización de enrutamiento dinámico. Se empleó un diseño descriptivo-correlacional integrando análisis documental sistemático de 22 referencias especializadas con técnicas correlacionales multivariadas para caracterizar arquitecturas según criterios técnicos y de aplicabilidad empresarial. Los hallazgos revelan tres categorías distintivas: alta precisión (ResNet, DenseNet) maximizando capacidades técnicas requiriendo recursos extensivos, eficiencia balanceada (EfficientNet) proporcionando compromisos optimizados y ultra-eficiencia (MobileNet), priorizando escalabilidad con 85-90% del rendimiento usando fracción de recursos. Se identificó una correlación significativa entre la complejidad arquitectónica y precisión de clasificación, confirmando trade-offs sistemáticos durante selección tecnológica. Las metodologías de optimización muestran tendencias hacia enfoques híbridos integrando CNN con Graph Neural Networks y aprendizaje por refuerzo. Los resultados proporcionan fundamentos empíricos para adopción informada de tecnologías de inteligencia artificial, facilitando decisiones que balancean consideraciones técnicas y operacionales según contextos organizacionales específicos.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Chen, B., Zhu, D., Wang, Y., & Zhang, P. (2022). An Approach to Combine the Power of Deep Reinforcement Learning with a Graph Neural Network for Routing Optimization. Electronics (Switzerland), 11(3). https://doi.org/10.3390/electronics11030368

Coleri, S., Onalan, A. G., & di Renzo, M. (2024). Integrating Optimization Theory with Deep Learning for Wireless Network Design. http://arxiv.org/abs/2412.08761

Dueñas Santos, C. L., Mezher, A. M., Astudillo León, J. P., Cárdenas Barrera, J., Castillo Guerra, E., & Meng, J. (2023). ML-RPL: Machine learning-based routing protocol for wireless smart grid networks. IEEE Access, 11, 57401–57414. https://doi.org/10.1109/ACCESS.2023.3283208

Fauvel, K., Chen, F., & Rossi, D. (2023). A Lightweight, Efficient and Explainable-by-Design Convolutional Neural Network for Internet Traffic Classification. http://arxiv.org/abs/2202.05535

Inkawhich, M., Inkawhich, N., Davis, E., Li, H., & Chen, Y. (2021). The Untapped Potential of Off-the-Shelf Convolutional Neural Networks. http://arxiv.org/abs/2103.09891

Jang, J., & Yang, H. (2023). A Runtime Switchable Multi-Phase Convolutional Neural Network for Resource-Constrained Systems. IEEE Access, 11, 62449–62461. https://doi.org/10.1109/ACCESS.2023.3287998

Jin, Y., Daoutis, M., Girdzijauskas, S., & Gionis, A. (2024). Open World Learning Graph Convolution for Latency Estimation in Routing Networks. http://arxiv.org/abs/2207.14643

Li, G., Müller, M., Qian, G., Delgadillo, I. C., Abualshour, A., Thabet, A., & Ghanem, B. (2023a). DeepGCNs: Making GCNs Go as Deep as CNNs. IEEE Transactions on Pattern Analysis and Machine Intelligence, 45(6), 6923–6939. https://doi.org/10.1109/TPAMI.2021.3074057

Li, J., Ye, M., Huang, L., Deng, X., Qiu, H., & Wang, Y. (2023b). An Intelligent SDWN Routing Algorithm Based on Network Situational Awareness and Deep Reinforcement Learning. http://arxiv.org/abs/2305.10441

Li, Z., Liu, F., Yang, W., Peng, S., & Zhou, J. (2021). A Survey of Convolutional Neural Networks: Analysis, Applications, and Prospects. IEEE Transactions on Neural Networks and Learning Systems, 33(12), 6999–7019. https://doi.org/10.1109/TNNLS.2021.3084827

Liu, X., Yu, J., Liu, Y., Gao, Y., Mahmoodi, T., Lambotharan, S., & Tsang, D. H. K. (2022). Distributed Intelligence in Wireless Networks. http://arxiv.org/abs/2208.00545

Lu, Y., Li, Y., Zhang, R., Chen, W., Ai, B., & Niyato, D. (2024). Graph Neural Networks for Wireless Networks: Graph Representation, Architecture and Evaluation. http://arxiv.org/abs/2404.11858

Manataki, M., Papadopoulos, N., Schetakis, N., & Di Iorio, A. (2023). Exploring Deep Learning Models on GPR Data: A Comparative Study of AlexNet and VGG on a Dataset from Archaeological Sites. Remote Sensing, 15(12). https://doi.org/10.3390/rs15123193

Naseer, I., Akram, S., Masood, T., Jaffar, A., Khan, M. A., & Mosavi, A. (2022). Performance Analysis of State-of-the-Art CNN Architectures for LUNA16. Sensors, 22(12). https://doi.org/10.3390/s22124426

Perry, Y., Frujeri, F. V., Hoch, C., Kandula, S., Menache, I., Schapira, M., & Tamar, A. (2023). A Deep Learning Perspective on Network Routing. http://arxiv.org/abs/2303.00735

Taye, M. M. (2023). Theoretical Understanding of Convolutional Neural Network: Concepts, Architectures, Applications, Future Directions. Computation, 11(3). https://doi.org/10.3390/computation11030052

Wang, J., Liu, Y., Du, H., Niyato, D., Kang, J., Zhou, H., & Kim, D. I. (2024). Empowering Wireless Networks with Artificial Intelligence Generated Graph. http://arxiv.org/abs/2405.04907

Wang, P. (2024). The Integrated Development of Wireless Networks and AI. Applied and Computational Engineering, 112(1), 108–114. https://doi.org/10.54254/2755-2721/2024.17917

Yang, L. I., Zhang, S., Ren, X., Zhu, J., Huang, J., Pengcheng, H. E., Shen, K., Yao, Z., Gong, J., Chang, T., Shi, Q., & Luo, Z. (2022). Real-World Wireless Network Modeling and Optimization: From Model/Data-Driven Perspective. Chinese Journal of Electronics, 31(6), 991–1012. https://doi.org/10.1049/cje.2022.00.191

Zhang, S., Yin, B., & Cheng, Y. (2021). Topology Aware Deep Learning for Wireless Network Optimization. http://arxiv.org/abs/1912.08336

Descargas

Publicado

2025-10-01

Cómo citar

Molina-Izurieta, R. E., Caisaguano-Caisaguano, L. A., Plazas-Durán, A. R., Chávez-Naranjo, M. de los Ángeles, & Decimavilla-Alarcón, D. C. (2025). Inteligencia Artificial en Redes Inalámbricas: Arquitecturas CNN y su Potencial para Optimizar el Enrutamiento Dinámico Empresarial. Revista UGC, 3(S3), 202–213. Recuperado a partir de https://universidadugc.edu.mx/ojs/index.php/rugc/article/view/242

Número

Vol. 3 Núm. S3 (2025): Retos, innovaciones y perspectivas multidisciplinarias en investigación y práctica universitaria (Octubre)

Sección

Artículos

Licencia

Derechos de autor 2025 Rosa Elizabeth Molina-Izurieta, Luis Arturo Caisaguano-Caisaguano, Alex Rafael Plazas-Durán, María de los Ángeles Chávez-Naranjo, Diana Carolina Decimavilla-Alarcón

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.

Los autores que publican en la Revista UGC están de acuerdo con los siguientes términos:

1. Derechos de Autor

Los autores conservan los derechos de autor sobre sus trabajos sin restricciones. Los autores otorgan a la revista el derecho de primera publicación. Para ello, ceden a la revista, de forma no exclusiva, los derechos de explotación (reproducción, distribución, comunicación pública y transformación). Los autores pueden establecer otros acuerdos adicionales para la distribución no exclusiva de la versión de la obra publicada en la revista, siempre que exista un reconocimiento de su publicación inicial en esta revista.

© Los autores.

2. Licencia

Los trabajos se publican en la revista bajo la licencia de Atribución-NoComercial-CompartirIgual 4.0 Internacional de Creative Commons (CC BY-NC-SA 4.0). Los términos se pueden consultar en: https://creativecommons.org/licenses/by-nc-sa/4.0/deed.es

Esta licencia permite:

  • Compartir: copiar y redistribuir el material en cualquier medio o formato.
  • Adaptar: remezclar, transformar y crear a partir del material.

Bajo los siguientes términos:

  • Atribución: ha de reconocer la autoría de manera apropiada, proporcionar un enlace a la licencia e indicar si se ha hecho algún cambio. Puede hacerlo de cualquier manera razonable, pero no de forma tal que sugiera que el licenciador le da soporte o patrocina el uso que se hace.
  • NoComercial: no puede utilizar el material para finalidades comerciales.
  • CompartirIgual: si remezcla, transforma o crea a partir del material, debe difundir su creación con la misma licencia que la obra original.

No hay restricciones adicionales. No puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otros hacer cualquier cosa que la licencia permita.