Inteligencia Artificial en Redes Inalámbricas: Arquitecturas CNN y su Potencial para Optimizar el Enrutamiento Dinámico Empresarial
Palabras clave:
Redes neuronales convolucionales, optimización de enrutamiento dinámico, redes inalámbricas empresariales, inteligencia artificial aplicada, arquitecturas CNN, análisis correlacionalResumen
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
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
Cómo citar
Número
Sección
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
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.
