Monitoreo Inteligente de Enrutadores Mikrotik® en ISPs: Detección de Anomalías para la Gestión de Redes
DOI:
https://doi.org/10.29057/esti.v11iEspecial.16168Palabras clave:
Enrutador MikroTik, Proveedores de Servicios de Internet (ISP), Monitoreo de redes, Diagnóstico de fallas, Gestión escalable de redesResumen
Los Proveedores de Servicios de Internet (ISP por sus siglas en inglés) dependen de infraestructuras de enrutadores eficientes y confiables para garantizar el rendimiento de la red y la satisfacción de los clientes. Sin embargo, los enfoques tradicionales de monitoreo suelen carecer de mecanismos de detección de anomalías en tiempo real que permitan la identificación temprana de enrutadores con problemas. Este trabajo presenta el diseño e implementación de un programa de monitoreo enfocado en enrutadores MikroTik®, ampliamente utilizados en entornos ISP debido a su flexibilidad y relación costo-beneficio. El sistema propuesto integra la recolección automatizada de datos, la evaluación del estado y técnicas de detección de anomalías para identificar comportamientos irregulares en los enrutadores, tales como caídas inesperadas, desviaciones de tráfico o inconsistencias en la configuración. Mediante el uso de scripts ligeros y protocolos de comunicación soportados por dispositivos MikroTik®, la solución asegura un consumo mínimo de recursos y una alta escalabilidad para redes de distintos tamaños. Las pruebas experimentales en un entorno simulado de ISP demostraron la efectividad del programa en la detección de anomalías y la reducción del tiempo de diagnóstico en comparación con la supervisión manual. Los resultados sugieren que esta herramienta puede mejorar la eficiencia operativa y las estrategias de mantenimiento proactivo en redes ISP. Como trabajo futuro se plantea la integración de modelos de aprendizaje automático para fortalecer las capacidades predictivas y ampliar la compatibilidad con ecosistemas de enrutadores multi proveedor.
Descargas
Citas
M. S. Elsayed, N.-A. Le Khac, S. Dev, and A. D. Jurcut, “Network Anomaly Detection Using LSTM Based Autoencoder,” in Proc. 23rd Int. Conf. Modeling, Analysis and Simulation of Wireless and Mobile Systems, 2020.
“Anomaly detection in multi-tiered cellular networks using LSTM and 1D CNN,” EURASIP J. Wireless Commun. Netw., vol. 2022, no. 1, pp. 1-13, 2022.
A. Chen, Y. Fu, X. Zheng, and G. Lu, “An Efficient Network Behavior Anomaly Detection using a Hybrid DBN-LSTM Network,” Computers & Security, vol. 120, 2022.
T. Acharya, A. Annamalai, and M. F. Chouikha, “Optimizing the Performance of Network Anomaly Detection Using Bidireccional Long Short-Term Memory (Bi-LSTM) and Over-sampling for Imbalance Network Traffic Data,” Adv. Sci., Technol. Eng. Syst. J., vol. 8, no. 6, pp. 144-154, 2023.
H. Liu and H. Wang, “Real-Time Anomaly Detection of Network Traffic Based on CNN,” Symmetry, vol. 15, no. 6, Art. 1205, 2023.
P. Schummer, A. del Rio, J. Serrano, D. Jimenez, G. Sánchez, and Á. Llorente, “Machine Learning-Based Network Anomaly Detection: Design, Implementation, and Evaluation,” AI, vol. 5, no. 4, pp. 2967-2983, 2024.
W. Yao, “A lightweight anomaly detection model for network traffic,” BMC Bioinformatics, vol. 26, Art. 12215067, 2025.
K. Yang et al., “Fog Intelligence for Network Anomaly Detection,” IEEE Network, vol. 39, no. 1, pp. 112-120, Jan. 2025.
H. Safdari, M. Ghobaei-Arani, and A. Souri, “Anomaly detection and community detection in networks,” J. Big Data, vol. 9, no. 11, pp. 1-24, 2022.
MikroTik, “WireGuard – RouterOS Documentation,” 2025. [Online]. Available: https://help.mikrotik.com/docs/spaces/ROS/pages/69664792/WireGuard
K. Dambis, “WireGuard on MikroTik RouterOS 7,” 2025. [Online]. Available: https://kaspars.net/blog/wireguard-mikrotik-routeros
N. Bispo, “FastAPI vs Django vs Flask — Which Is the Fastest for Building APIs?,” 2025. [Online]. Available: https://developer-service.blog/fastapi-vs-django-drf-vs-flask-which-is-the-fastest-for-building-apis
J. G. Castaño, “GPON: Introducción y fundamentos,” LACNIC 34, Montevideo, Uruguay, 2020. [Online]. Available: https://www.lacnic.net/innovaportal/file/4749/1/lacnic-34-jgc-parte1---gpon-intro-y-fundamentos.pdf
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Guillermo Najera Amézquita , Juan Carlos González Islas, Fernando Esparza Segundo, Kristian Freyri Maya Gress, Omar Samperio Vázquez
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
