Aravena Tapia, Alex2026-08-062026-08-062026-08https://repositorio.usm.cl/handle/123456789/78954La creciente demanda de servicios digitales sensibles al retardo exige mecanismos flexibles de asignación de recursos en redes ópticas pasivas (PON), especialmente en el enlace ascendente, donde múltiples unidades ópticas de red comparten el mismo medio. En este contexto, esta memoria desarrolla y valida PonLab Simulator, un framework modular para construir topologías PON, configurar escenarios de simulación, integrar algoritmos de asignación dinámica de ancho de banda (DBA) y visualizar métricas de desempeño. La herramienta incorpora una interfaz gráfica, un motor basado en ciclos de sondeo de 125 µs, soporte para control centralizado mediante redes definidas por software (SDN) y una integración preliminar de agentes de Aprendizaje por Refuerzo Profundo (DRL). La validación experimental consideró una topología residencial G-PON con una OLT y ocho ONUs, operando a 2.5 Gbps en bajada y 1.25 Gbps en subida. Se compararon tres paradigmas de control: el algoritmo heurístico GIANT, un controlador SDN y el agente inteligente Smart-RL. Los resultados mostraron que SDN alcanzó el mayor throughput promedio, con 45.607 MB/s, frente a 42.900 MB/s de GIANT y 20.061 MB/s de DRL. En cambio, Smart-RL obtuvo el mejor desempeño temporal, con un retardo medio de 0.593 ms y un jitter IPDV de 0.069 ms. Estos resultados evidencian que la optimización de redes PON no debe evaluarse solo por el caudal, sino también por latencia y variabilidad temporal. Así, PonLab Simulator constituye una plataforma funcional y extensible para estudiar estrategias DBA heurísticas, centralizadas e inteligentes.The growing demand for delay-sensitive digital services requires flexible resource allocation mechanisms in Passive Optical Networks (PONs), especially in the upstream channel, where multiple Optical Network Units share the same transmission medium. In this context, this thesis develops and validates PonLab Simulator, a modular framework for building PON topologies, configuring simulation scenarios, integrating Dynamic Bandwidth Allocation (DBA) algorithms, and visualizing performance metrics. The tool includes a graphical interface, a simulation engine based on 125 µs polling cycles, support for centralized control through Software-Defined Networking (SDN), and a preliminary integration of Deep Reinforcement Learning (DRL) agents. The experimental validation considered a residential G-PON topology with one OLT and eight ONUs, operating at 2.5 Gbps downstream and 1.25 Gbps upstream. Three control paradigms were compared: the GIANT heuristic algorithm, an SDN controller, and the Smart-RL intelligent agent. The results showed that SDN achieved the highest average throughput, reaching 45.607 MB/s, compared with 42.900 MB/s for GIANT and 20.061 MB/s for DRL. Conversely, Smart-RL obtained the best temporal performance, with an average mean delay of 0.593 ms and an average IPDV jitter of 0.069 ms. These results show that PON optimization should not be assessed only through throughput, but also through latency and temporal variability. Therefore, PonLab Simulator provides a functional and extensible platform for studying heuristic, centralized, and intelligent DBA strategies.111 páginasesAttribution-NonCommercial 4.0 Internationalhttp://creativecommons.org/licenses/by-nc/4.0/Aprendizaje por refuerzo profundoAncho de bandaRedes ópticas pasivasSimulación de redesAgentes definido por softwareAsignación dinámica de ancho de banda35609002924939 Industria, innovación e infraestructura