시뮬레이션에서 딥러닝까지 네트워크 성능 모델링 접근법 조사

본 논문은 유선 네트워크 성능 모델링을 주제로, 1990년대 초부터 현재까지의 주요 연구 흐름을 체계적으로 정리한다. 서론에서는 네트워크 성능 모델링이 인터넷 초기부터 중요한 역할을 해왔으며, 특히 데이터센터와 AI 워크로드의 급증으로 유선 네트워크 모델링의 필요성이 재조명되었다고 설명한다. 기존 연구는 주로 무선·모바일 네트워크에 집중했지만, 이 논문은 유선 네트워크에 초점을 맞추어 기존 조사와 차별성을 둔다. 연구 방법론에서는 IEEE Xplore, ACM Digital Library, ScienceDirect 등 주요 데이터베이스에서 “network modeling”·“network performance” 키워드로 검색하고, INFOCOM, NOMS, SIGCOMM 등 핵심 학술대회·저널을 중심으로 논문을 선정하였다. 선정 기준은 실제 네트워크 성능을 예측·복제할 수 있는 모델이어야 하며, 무선 전용, 검증 전용, 트래픽 예측·이상 탐지 등은 제외하였다. 제2장에서는 네트워크 성능 모델을 네 가지 큰 범주(시뮬레이션, 분석, 머신러닝, 하이브리드)와 세부 속성(입력 스코프, 출력 스코프, 지원 트래픽 유형, 평가 방법)으로 분류하는 새로운 taxonomy를 제시한다. 이 taxonomy는 모델 간 비교와 연구 동향 파악에 유용하도록 설계되었다. 제3장에서는 이산 이벤트 시뮬레이션(DES)을 상세히 다룬다. 전통적인 DES는 패킷 수준의 상세 모델링을 제공하지만 연산 비용이 높아 대규모 네트워크에 적용하기 어려웠다. 이를 해결하기 위해 병렬 DES(PDES)가 제안되었으며, 멀티코어·GPU·클라우드 환경에서의 가속 기법과 구현 사례가 소개된다. 또한, 시뮬레이션 기반 모델의 평가 방법으로는 시뮬레이터 자체의 “ground truth”와 비교하는 방식이 주로 사용된다. 제4장에서는 분석 모델을 다룬다. 큐잉 이론(QT)은 가장 오래된 접근법으로, 네트워크를 일련의 대기열 시스템으로 모델링한다. 그러나 트래픽 분포와 서비스 시간에 대한 강한 가정으로 실제 환경과 차이가 발생한다. 네트워크 계산(NC)은 최악‑경우 보장을 제공하지만, 토폴로지와 동적 라우팅을 충분히 반영하지 못한다. NC의 변형으로는 ADNC(대수 기반), ODNC(최적화 기반), SNC(확률적) 등이 있다. 이들 모델은 수학적 엄밀성을 갖지만, 복잡한 현대 네트워크를 정확히 표현하기엔 한계가 있다. 제5장에서는 머신러닝·딥러닝 모델을 집중적으로 분석한다. 초기 “얕은” ML 모델(선형 회귀, SVM, 랜덤 포레스트 등)은 제한된 피처와 간단한 구조로 빠른 학습·추론을 제공했지만, 복잡한 상호작용을 포착하는 데 한계가 있었다. 2018년 이후 딥러닝, 특히 그래프 신경망(GNN) 기반 모델이 급부상하였다. RouteNet, Gated GNN, Message‑Passing GNN 등은 네트워크 토폴로지를 그래프 형태로 직접 인코딩하고, 흐름‑레벨·시간‑연속적인 성능 예측을 높은 정확도로 수행한다. GNN은 트래픽 매트릭스와 라우팅 정보를 동시에 학습해, 기존 분석 모델이 제공하지 못한 비선형 상관관계를 모델링한다. 또한, 비정형 트래픽, 다양한 TCP 변형, UDP 등 다양한 트래픽 유형을 지원하도록 확장된 모델도 소개된다. 제6장에서는 하이브리드 접근법을 제시한다. 여기서는 DES와 ML을 결합한 가속형 시뮬레이션, 분석 모델 파라미터를 ML이 튜닝하는 방식, DL 기반 예측을 시뮬레이션 결과와 교차 검증하는 프레임워크 등이 포함된다. 예를 들어, 모델‑튜닝된 에뮬레이션은 DES의 높은 정확성을 유지하면서도 실행 시간을 크게 단축한다. 또한, DL‑강화된 시뮬레이션은 시뮬레이션 데이터의 부족 문제를 완화하고, 실제 네트워크 환경에 대한 일반화를 향상시킨다. 제7장에서는 현재 연구 동향과 과제를 논의한다. 주요 트렌드로는 (1) 정확도·해상도·적용성·추론 비용 사이의 균형 문제, (2) DES의 지속적인 지배와 GNN의 급부상, (3) 분석 모델에 대한 관심 감소, (4) 데이터센터와 AI 워크로드에 맞춘 모델링 필요성, (5) 시뮬레이션‑중심 평가 방식의 한계, (6) 이질적인 접근법·평가 방법의 통합 필요성이 제시된다. 특히, GNN이 제공하는 토폴로지 인식 능력과 DES의 상세성 사이의 시너지 효과가 강조된다. 제8장에서는 향후 연구 방향을 제시한다. 첫째, PDES와 GNN을 통합해 대규모 네트워크에서도 실시간 예측이 가능한 프레임워크 개발이 필요하다. 둘째, 분석 모델의 수학적 강점을 DL에 통합해 사전 지식 기반 정규화와 해석 가능성을 높이는 방안이 제시된다. 셋째, ML을 네트워크 자체의 자가‑진화 도구로 활용해 자동 구성·조정 시스템을 구축하는 연구가 기대된다. 넷째, 데이터 중심 설계와 시뮬레이션 데이터 재활용을 통해 라벨링 비용을 절감하고, 실제 운영 데이터와의 격차를 줄이는 방법론이 강조된다. 마지막으로 제9장 결론에서는, 네트워크 성능 모델링이 DES → 분석 → ML → 하이브리드 순으로 진화했으며, 현재는 GNN 기반 딥러닝과 하이브리드 접근법이 연구의 중심에 서 있다고 정리한다. 또한, 모델 선택 시 정확도, 확장성, 데이터 가용성, 평가 방법 등을 종합적으로 고려해야 함을 강조하며, 향후 연구자들에게 제시된 taxonomy와 트렌드 분석이 새로운 모델 설계와 비교 연구에 유용한 기준이 될 것이라고 제언한다.