RedTrafficModeling

Prototipo educativo para modelar tráfico de red con colas M/M/1 usando simulación de eventos discretos y una interfaz gráfica básica.

Objetivos específicos

• Modelar un fenómeno discreto: número de paquetes por segundo ~ Poisson(λ).
• Modelar un fenómeno continuo: tiempo entre llegadas ~ Exponencial(λ).
• Analizar relación conjunta: protocolo (TCP/UDP) vs tamaño (Pequeño/Grande) con tabla de probabilidad conjunta y marginales/condicionales.
• Aplicar modelos: establecer un umbral (3σ) para detectar anomalías en conteos por segundo.

Objetivo

Tomar un CSV de tráfico (timestamp, tamaño de paquete, protocolo), estimar parámetros de llegada y servicio, y simular una cola M/M/1 para obtener métricas como utilización, esperas y número en sistema.

Conceptos probabilísticos clave

• Proceso de Poisson: cuenta llegadas por unidad de tiempo con tasa λ; los tiempos entre llegadas son exponenciales con media 1/λ.
• Servicio exponencial: tiempos de servicio con tasa μ (media 1/μ). Memoria-libre, útil para modelar variabilidad alta.
• M/M/1: llegadas Poisson (M), servicio exponencial (M), 1 servidor, disciplina FIFO.
• Estabilidad: requiere ρ = λ/μ < 1. Si ρ ≥ 1, la cola tiende a crecer sin cota.
• Fórmulas teóricas (estado estable):
  • L = ρ / (1 - ρ), Lq = ρ² / (1 - ρ)
  • W = 1 / (μ - λ), Wq = ρ / (μ - λ)
  • Ley de Little: L = λ W, Lq = λ Wq

Estructura del proyecto

• src/data/loaders.py: lectura del CSV y estimación de λ y μ.
• src/sim/queue_mm1.py: simulador de eventos discretos para M/M/1.
• src/analysis/statistics.py: utilidades de análisis (Poisson, Exponencial, conjunta, anomalías).
• analysis_cli.py: script de análisis para Fases 2-3, genera gráficos y CSV.
• app.py: interfaz gráfica (Tkinter) para cargar CSV, estimar parámetros y simular.
• network_traffic.csv: ejemplo de datos.

Uso rápido (Windows PowerShell)

1. Asegúrate de tener Python 3.10+ instalado.

2. (Opcional) Crea y activa un venv:

python -m venv .venv ; .\.venv\Scripts\Activate.ps1

3. Instala dependencias (vacío, Tkinter viene con Python en Windows):

pip install -r requirements.txt

4. Ejecuta la app:

python .\app.py

5. Ejecutar análisis (Fases 2-3):

pip install -r requirements.txt
# Si el timestamp no tiene segundos (p.ej., solo minutos), usa jitter para repartir en el minuto
python .\analysis_cli.py .\network_traffic.csv --out .\out --jitter-seconds 60

Se generan:

• out\poisson_counts.png: Histograma de paquetes/s con PMF Poisson superpuesta.
• out\exponential_interarrivals.png: Hist. de interarribos con PDF Exponencial superpuesta.
• out\contingency.csv: Tabla conjunta y probabilidades.
• out\anomalies.csv: Intervalos de 1s marcados como anómalos (k > λ + 3√λ).
• out\summary_metrics.csv: Resumen con λ por conteos, λ por interarribos, índice de dispersión y umbral.

Flujo dentro de la app

1. Abre el CSV (Timestamp,Packet_Size,Protocol).
2. Puedes estimar parámetros:
   • λ (llegadas/seg) se calcula como promedio de llegadas por segundo agregadas por intervalos (default 60s).
   • μ (servicios/seg) se estima a partir de la media de tiempos de servicio. Si no se provee la media en ms, se usa una heurística con tamaño de paquete y un enlace hipotético de 100 Mbps.
3. Ajusta duración de simulación o límite de llegadas y pulsa “Simular”.
4. Observa las métricas empíricas (W, Wq, L, Lq) y la utilización.

Notas sobre datos

• El CSV de ejemplo repite un mismo minuto; para mejores estimaciones de λ, usa ventanas de varios minutos u horas.
• Si conoces la capacidad real del enlace o la media de servicio (en ms), introdúcela para mejorar μ.

Metodología y Fases

Fase 1: Selección y Comprensión del Conjunto de Datos

• network_traffic.csv con columnas: Timestamp (fecha y hora), Packet_Size (bytes), Protocol (6=TCP, 17=UDP).

Fase 2: Análisis con Variables Aleatorias

1. Variable discreta (Paquetes por segundo):
   • Agrupar por segundo y contar paquetes.
   • Calcular λ promedio.
   • Hipótesis: Poisson(λ). Graficar histograma y PMF.
2. Variable continua (Tiempo entre llegadas):
   • Diferencias entre timestamps consecutivos (en s).
   • λ = 1 / media de interarribos. Hipótesis: Exponencial(λ). Graficar hist y PDF.
3. Variables conjuntas (Protocolo x Tamaño):
   • Tamaño: Pequeño ≤ 500, Grande > 500.
   • Tabla conjunta, P(TCP), P(Grande), P(Grande|TCP), independencia si P(Grande|TCP)=P(Grande).

Fase 3: Detección de Anomalías

• Umbral simple: k > λ + 3√λ para marcar segundos anómalos.

Entregables

• Guión para video: docs/video_script.md.
• Plantilla de informe (para exportar a PDF): docs/informe_template.md.

Extensiones posibles

• M/M/c (múltiples servidores), colas con buffer finito (M/M/1/K), prioridades, o llegadas/servicios no-exponenciales (G/G/1) vía simulación.
• Integración con pandas y gráficos.