Este artículo presenta un marco innovador para el enrutamiento adaptativo en redes ópticas coherentes que combina aprendizaje por refuerzo y asignación espectral dinámica. La propuesta permite optimizar de forma autónoma decisiones de enrutamiento y la asignación de ancho de banda en tiempo real, con el objetivo de mejorar la transmisión de alta capacidad y la resistencia de la red frente a las limitaciones de los algoritmos estáticos tradicionales. En simulaciones el sistema muestra un aumento de rendimiento estimado en 30 por ciento y una reducción de la probabilidad de bloqueo en 50 por ciento respecto a esquemas de enrutamiento estático, facilitando una utilización más eficiente de la infraestructura de fibra óptica.

Introducción El crecimiento sostenido de la demanda de ancho de banda exige innovaciones en el enrutamiento de redes ópticas. Los protocolos tradicionales se apoyan en rutas predefinidas y asignaciones espectrales fijas, lo que conduce a una utilización subóptima de los recursos y a mayor vulnerabilidad ante fallos. Proponemos ACONR, Enrutamiento de Red Óptica Coherente Adaptativa, que aplica aprendizaje por refuerzo para ajustar dinámicamente rutas y asignaciones espectrales según variaciones reales del tráfico y del estado de la red. Su componente de asignación espectral dinámica ajusta número de canales, formato de modulación y espaciamiento entre canales para maximizar la eficiencia espectral manteniendo la calidad de servicio.

Fundamento teórico ACONR emplea un agente Q-learning en un entorno multiagente donde cada nodo óptico actúa como agente que aprende políticas de enrutamiento óptimas a partir de una señal de recompensa global. La recompensa integra métricas como rendimiento agregado, probabilidad de bloqueo y consumo energético. El aprendizaje se basa en la actualización iterativa de valores Q que estiman la recompensa futura esperada al tomar una acción en un estado dado. El estado incluye topología de red, demandas de tráfico y relación señal-ruido SNR de cada enlace. Las acciones cubren la selección de siguiente salto y la asignación espectral mediante DSA.

Arquitectura del sistema El sistema ACONR está compuesto por: representación de topología de red en forma de grafo; generador de tráfico que modela llegadas siguiendo una distribución de Poisson; emulador de canal óptico que considera atenuación, dispersión y efectos no lineales; agentes de enrutamiento en cada nodo que usan RL; módulo DSA que asigna recursos espectrales en función de demanda y SNR; y un monitor de desempeño que mide throughput, probabilidad de bloqueo y latencia. La capacidad de canal se selecciona atendiendo al teorema de Shannon Hartley, expresado como C = B log2(1 + SNR), para orientar la elección de formato de modulación y ancho de banda disponible.

Diseño experimental Las pruebas se realizaron mediante simulación de una topología de 16 nodos y 48 enlaces de fibra. Las demandas entre pares de nodos se generaron aleatoriamente con distribución uniforme y llegada Poisson. Los hiperparámetros del algoritmo de aprendizaje se optimizaron mediante búsqueda en cuadrícula para maximizar la señal de recompensa. Se comparó ACONR frente a un algoritmo estático de ruta más corta para evaluar mejoras en throughput, probabilidad de bloqueo y latencia.

Evaluación de desempeño Los resultados mostraron mejoras sustanciales con ACONR: throughput aumentó de 600 Gbps a 780 Gbps, es decir 30 por ciento más; la probabilidad de bloqueo se redujo del 0.15 al 0.075, una reducción relativa del 50 por ciento; y la latencia media descendió aproximadamente 12 por ciento. Estas cifras demuestran que la combinación de aprendizaje por refuerzo y asignación espectral dinámica permite aprovechar mejor la capacidad de la fibra y reducir pérdidas de conexiones por saturación.

Escalabilidad y trabajo futuro La arquitectura está pensada para escalar mediante distribución de agentes RL en nodos individuales, permitiendo aprendizaje en paralelo y adaptación en tiempo real. Líneas futuras incluyen técnicas DSA más sofisticadas, uso de aprendizaje federado para colaboración entre dominios de red y la incorporación de modelos de RL profundo para manejar espacios de estado y acción de mayor dimensionalidad. También se evaluará el despliegue en entornos híbridos con servicios cloud para offload de cómputo y coordinación centralizada cuando sea necesario.

Verificación y robustez La convergencia del algoritmo Q-learning se verificó observando la estabilización de los valores Q tras múltiples episodios de simulación. La modelización física del canal óptico se validó incorporando parámetros reales de atenuación y dispersión y evaluando sensibilidad frente a errores de estimación de SNR. El sistema mostró robustez frente a variaciones de tráfico y fallos de enlaces al redistribuir flujos y reasignar espectro dinámicamente.

Aplicaciones prácticas y comercialización ACONR es aplicable a dorsales de operadores, data centers y entornos 5G donde la optimización de ancho de banda y resiliencia son críticas. Su diseño lo hace idóneo para integración con servicios cloud y plataformas de gestión de red. En Q2BSTUDIO, empresa especializada en desarrollo de software y aplicaciones a medida, ofrecemos servicios para llevar soluciones como ACONR desde prototipo hasta implantación productiva. Como especialistas en inteligencia artificial y ciberseguridad, podemos desarrollar la plataforma a la medida del cliente y asegurar su despliegue en infraestructuras seguras y escalables.

Q2BSTUDIO combina experiencia en software a medida, servicios cloud AWS y Azure, inteligencia de negocio y agentes IA para crear soluciones integrales. Si desea explorar implementaciones de IA para redes o soluciones de software a medida y aplicaciones a medida adaptadas a sus necesidades, o quiere integrar modelos de aprendizaje por refuerzo con despliegue cloud, podemos ayudar. También ofrecemos servicios de inteligencia artificial y soluciones IA para empresas, servicios de ciberseguridad y pentesting, y plataformas de inteligencia de negocio con Power BI para maximizar el valor de los datos.

Conclusión El enrutamiento adaptativo con aprendizaje por refuerzo y asignación espectral dinámica representa un avance significativo para redes ópticas coherentes. ACONR demuestra que la combinación de decisiones locales aprendidas y control espectral dinámico puede incrementar el throughput, reducir bloqueos y mejorar la latencia. La solución es viable para despliegue comercial y puede integrarse con servicios de cloud, inteligencia de negocio y ciberseguridad para ofrecer una solución completa y segura. Q2BSTUDIO está preparada para desarrollar e implementar proyectos de este tipo, aportando experiencia en IA, agentes IA, aplicaciones a medida, servicios cloud aws y azure, ciberseguridad y power bi para su organización.