Cely Callejas, José DavidHernández Martínez, Jean CarlosLizarazo Prieto, Santiago Enrique2025-03-272025-03-272024-11-19http://hdl.handle.net/11349/94252Este proyecto describe un sistema automatizado de monitorización y alertas para gestionar el porcentaje de uso de Bloques de Recursos Físicos (PRBs) en el enlace descendente y el tráfico de usuarios sobre un número determinado de celdas de red de acceso radio de estaciones base. Con la utilización de Python y diferentes Apis como herramientas de análisis de datos, el sistema analiza condiciones reales de red, extrayendo logs desde una base de datos, al tiempo que realiza un seguimiento de forma continua e ininterrumpida del estado de los PRB y el tráfico en cada celda, con el fin de determinar eficientemente el estado de un gran número de celdas en un tiempo muy corto. La solución genera alertas visuales mediante un gráfico de barras en un dashboard web cuando exista un alto uso de Bloques de Recursos Físicos (PRBs), y, cuando se detecte un bajo uso de Bloques de Recursos Físicos (PRBs). Estas alertas permitirán a los operadores de telecomunicaciones tomar decisiones de manera proactiva sin tener que esperar hasta semanas a que un equipo se dedique a identificar manualmente celda por celda. Además, el proyecto incorpora técnicas de aprendizaje computacional (ML, del inglés) y modelos estadísticos, utilizando la librería Prophet de Meta para realizar predicciones sobre el porcentaje de uso de Bloques de Recursos Físicos (PRBs) en el enlace descendente de las celdas. Estas predicciones permiten anticipar el comportamiento de la red a 30 días o más, facilitando una planificación proactiva y mejorando la capacidad de respuesta ante posibles congestiones o subutilización de los recursos.This project describes an automated monitoring and alerting system to manage the percentage of downlink Physical Resource Blocks (PRBs) usage and user traffic over a given number of base station radio access network cells. Using Python and different APIs as data analysis tools, the system analyzes real network conditions, extracting logs from a database, while continuously and uninterruptedly monitoring the status of PRBs and traffic in each cell, in order to efficiently determine the status of a large number of cells in a very short time. The solution generates visual alerts via a bar graph on a web dashboard when there is a high usage of Physical Resource Blocks (PRBs), and when a low usage of Physical Resource Blocks (PRBs) is detected. These alerts will allow telecom operators to make proactive decisions without having to wait up to weeks for a team to manually identify cell by cell. In addition, the project incorporates machine learning (ML) techniques and statistical models, using Meta's Prophet library to make predictions about the percentage of Physical Resource Blocks (PRBs) usage in the downlink of cells. These predictions allow anticipating the behavior of the network 30 days or more ahead, facilitating proactive planning and improving the response capacity to possible congestion or underutilization of resources.pdfspaComunicación móvil 4GMonitoreo computarizadoAnálisis de datosAprendizaje de máquinaRed de radio accesoDesarrollo de softwarebachelorThesisIngeniería en Telecomunicaciones -- Tesis y disertaciones académicasRedes de telecomunicación -- MonitoreoAprendizaje automático (Inteligencia artificial)Comunicaciones móviles de cuarta generaciónTelecomunicacionesOpenAccess4G mobile communicationComputerized monitoringData analysisMachine LearningRadio Access networkSoftware developmentAbierto (Texto Completo)