Técnicas de Inteligencia Artificial para Detección de Fallas en Redes Móviles y Ópticas Artificial Intelligence Techniques for Fault Detection in Mobile and Optical Networks
Barra lateral del artículo
Contenido principal del artículo
Resumen
Las redes móviles y las redes ópticas constituyen la base de los servicios de telecomunicaciones modernos, por lo que la detección temprana de fallas es esencial para asegurar la continuidad operativa y la calidad de servicio. Los enfoques tradicionales de supervisión, apoyados en umbrales fijos y reglas estáticas, resultan insuficientes ante el crecimiento del tráfico y la complejidad de las arquitecturas. En este contexto, el objetivo de este trabajo es analizar de manera sistemática las técnicas de inteligencia artificial aplicadas a la detección de fallas y anomalías en redes móviles y ópticas. Se realizó una revisión sistemática (PRISMA 2020) de artículos publicados entre enero de 2020 y febrero de 2026 (búsqueda ejecutada en febrero de 2026) en Scopus e IEEE Xplore. Tras el proceso de selección, se incluyeron 21 estudios que aplican métodos de aprendizaje automático y aprendizaje profundo a tareas de detección, clasificación y localización de fallas en redes ópticas (OTDR: optical time-domain reflectometry; SOP: state of polarization; SOPAS: state of polarization angular speed; DDM: digital diagnostic monitoring) y en redes móviles y en el núcleo 5G (KPIs: key performance indicators; logs operativos). La literatura revisada sugiere una transición desde técnicas clásicas de aprendizaje automático (ML) hacia arquitecturas profundas (autoencoders, LSTM/BiLSTM, CNN, modelos híbridos y enfoques basados en grafos). En varios estudios se informan mejoras en métricas de detección (p. ej., precisión y reducción de falsas alarmas) y, en algunos casos, capacidad de localización. Entre las tendencias reportadas se incluyen modelos ligeros para despliegue y estrategias autosupervisadas y de aprendizaje activo. Persisten desafíos vinculados a escasez de datos reales etiquetados, generalización entre entornos y necesidad de explicabilidad en contextos operativos.
Descargas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Citas
Abdelli, K., Cho, J. Y., Azendorf, F., Griesser, H., Tropschug, C., & Pachnicke, S. (2022). Machine-learning-based anomaly detection in optical fiber monitoring. Journal of Optical Communications and Networking, 14(5), 365–375. https://doi.org/10.1364/JOCN.451289
Abdelli, K., Tropschug, C., Griesser, H., & Pachnicke, S. (2023). Fault Monitoring in Passive Optical Networks using Machine Learning Techniques. International Conference on Transparent Optical Networks, 2023-July. https://doi.org/10.1109/ICTON59386.2023.10207489
Ahasan, M. R., Haque, M. S., Akram, M. R., Momen, M. F., & Alam, M. G. R. (2022). Deep Learning Autoencoder based Anomaly Detection Model on 4G Network Performance Data. 2022 IEEE World AI IoT Congress, AIIoT 2022, 232–237. https://doi.org/10.1109/AIIOT54504.2022.9817338
Asok, A., & Pournami, S. S. (2023). Using Machine Learning Technique, Tracing the Actual Location of Faults in Underground Optical Networks. 9th International Conference on Smart Computing and Communications: Intelligent Technologies and Applications, ICSCC 2023, 45–49. https://doi.org/10.1109/ICSCC59169.2023.10335071
Battal, E., Ozkan, G., Savas, K., & Cakar, T. (2023). Fault Detection Model Using Measurement Data in Fiber Optic Internet Lines. 4th International Informatics and Software Engineering Conference - Symposium Program, IISEC 2023. https://doi.org/10.1109/IISEC59749.2023.10391036
Hosseini, S. E., Pervez, S., & Ansari, M. (2025). Enhancing Network Stability: Anomaly Detection in Performance Issues Within Mobile Networks. International Conference on Applied Electronics. https://doi.org/10.1109/AE66163.2025.11197789
Issa, A., Kandil, N., & Hakem, N. (2023). Deep Learning-based Anomaly Detection for 5G Core Mobility Management. 2023 5th International Conference on Advances in Computational Tools for Engineering Applications, ACTEA 2023, 25–29. https://doi.org/10.1109/ACTEA58025.2023.10194147
Johari, S. S., Tornatore, M., Shahriar, N., Boutaba, R., & Saleh, A. (2026). Active Learning for Transformer-Based Fault Diagnosis in 5G and Beyond Mobile Networks. IEEE Transactions on Network and Service Management. https://doi.org/10.1109/TNSM.2025.3622149
Lakshmi, G., & Brindha, S. (2024). Mitigating Environmental Impacts on Optical Fiber Fault Detection Using Machine Learning. 4th International Conference on Power, Energy, Control and Transmission Systems: Harnessing Power and Energy for an Affordable Electrification of India, ICPECTS 2024. https://doi.org/10.1109/ICPECTS62210.2024.10780193
Li, Y. J., Li, J. Y., Kao, H. Y., & Tsai, Y. L. (2024). Fiber Optical Module Anomaly Detection Using Graph Deep Learning Model. Proceedings of the 2024 IEEE International Conference on Computer, Information, and Telecommunication Systems, CITS 2024. https://doi.org/10.1109/CITS61189.2024.10607993
Malik, G., Dipto, I. C., Masood, M. U., Mohamed, M. C., Straullu, S., Bhyri, S. K., Galimberti, G. M., Pedro, J., Napoli, A., Wakim, W., & Curri, V. (2025). Intelligent Detection of Overlapping Fiber Anomalies in Optical Networks Using Machine Learning. LEOS Summer Topical Meeting. https://doi.org/10.1109/SUM65312.2025.11121809
Malik, G., Masood, M. U., Cheruvakkadu Mohamed, M., Straullu, S., Bhyri, S. K., Maria Galimberti, G., Pedro, J., Napoli, A., Wakim, W., & Curri, V. (2025). Machine Learning for Predictive Multi-Event Detection in Fiber Optic Systems. 2025 IEEE International Conference on Machine Learning for Communication and Networking, ICMLCN 2025. https://doi.org/10.1109/ICMLCN64995.2025.11140455
Nakamura, K., & Higashino, T. (2025). A New Fault Detection Method Using Machine Learning in Analog Radio-on-Fiber MIMO Transmission System. IEICE Communications Express, 14(05), 174–176. https://doi.org/10.23919/COMEX.2025XBL0015
Patel, R., Narmawala, S., Mahida, N., Gupta, R., Tanwar, S., & Shahinzadeh, H. (2024). ML-based Optical Fibre Fault Detection in Smart Surveillance and Traffic Systems. 15th International Conference on Information and Knowledge Technology, IKT 2024, 216–221. https://doi.org/10.1109/IKT65497.2024.10892793
Sadighi, L., Karlsson, S., Natalino, C., & Furdek, M. (2026). ML-Based State of Polarization Analysis to Detect Emerging Threats to Optical Fiber Security. IEEE Transactions on Network and Service Management. https://doi.org/10.1109/TNSM.2025.3607022
Vinh, T. Q., Quan, D. V., Thanh, D. N., Trung, L. Q., & Huong, T. T. (2024). An Efficient Lightweight Anomaly Detection for 5G Core Network. Digest of Technical Papers - IEEE International Conference on Consumer Electronics. https://doi.org/10.1109/ICCE59016.2024.10444414
Yuan, Y., Yang, J., Duan, R., Chih-Lin, I., & Huang, J. (2020). Anomaly Detection and Root Cause Analysis Enabled by Artificial Intelligence. 2020 IEEE Globecom Workshops, GC Wkshps 2020 - Proceedings. https://doi.org/10.1109/GCWKSHPS50303.2020.9367508
Zhu, T., Narusue, Y., & Morikawa, H. (2024). Fault Diagnosis Using Hybrid Transfer Learning for VNF-based 5G Core Networks. 2024 IEEE Conference on Network Function Virtualization and Software Defined Networks, NFV-SDN 2024. https://doi.org/10.1109/NFV-SDN61811.2024.10807503.