서론

가상화 기술은 단일 물리적인 서버에 여러 개의 가상 머신(VM)을 구축할 수 있게 하여 컴퓨팅 자원의 효율적인 활용과 유연한 서버 운용이 가능합니다. 또한 네트워크 기능 가상화(NFV)는 라우터, 방화벽, 로드 밸런서 등과 같은 네트워크 기능을 일반 서버에서 실행되는 소프트웨어로 가상화할 수 있게 합니다. 이러한 개발 덕분에, 라우팅 경로 설정 및 VM 배치와 같은 네트워크 구성이 유연하게 제어될 수 있으며 다양한 종류의 가상 네트워크 서비스를 제공할 수 있습니다. 대표적인 서비스 모델은 인프라스트럭처로서의 서비스(IaaS)로, 서버나 저장 공간과 같은 컴퓨팅 자원뿐만 아니라 가상 네트워크 인프라도 제공합니다. 이를 통해 사용자는 물리적 인프라를 구축하거나 유지하지 않고 직접 서비스를 배포할 수 있어 개발 효율성이 크게 향상됩니다.

이러한 가상 네트워크 서비스를 제공하는 과정은 크게 두 단계로 나눌 수 있습니다. 첫 번째 단계는 사용자의 요구사항(인텐트)을 기반으로 리소스 용량, 대역폭, 지연 시간 등의 네트워크 요구사항을 정의하는 것입니다. 두 번째 단계는 데이터 센터에 걸쳐 가상 머신의 배치와 사용자와 VM 사이의 전송 경로를 적절하게 제어하여 정의된 요구사항을 충족시키는 것입니다. 많은 연구들이 최적성과 효율성을 보장하는 제어 방법을 제안함으로써 후자의 단계에 초점을 맞추고 있지만, 인텐트 기반의 요구사항 지정은 여전히 수작업에 크게 의존합니다. 실제로 이 단계가 서비스 제공 시간의 절반 이상을 차지할 수 있습니다. 따라서 요구사항 지정 과정의 자동화는 가상 네트워크 서비스를 신속하게 제공하기 위한 중요한 도전과제입니다.

이러한 도전과제를 해결하기 위해, 사용자의 인텐트에 따라 전반적인 네트워크 운영을 가능하게 하는 유망한 기술로서 인텐트 기반 네트워킹(IBN)이 최근 주목받고 있습니다. 구체적으로, 이는 자연어로 표현된 사용자 인텐트 정보를 바탕으로 네트워크 요구사항을 정의하고 이를 실행하는 과정을 자동화합니다. 이러한 종합적인 자동화는 사용자의 인텐트 정보를 받은 후 제어를 실행하는 시간을 크게 단축시켜 서비스 제공 속도를 높입니다. 사용자는 원하는 결과를 자연어로 표현하기만 하면 최적의 네트워크 서비스를 얻을 수 있어, IBN은 직관적인 가용성과 높은 신뢰성을 제공하고 결국 사용자 만족도를 향상시킵니다. 자동화, 서비스 제공 속도 향상 및 전체 시스템의 신뢰성 보장을 위해 네트워크 운영에 사용자의 인텐트 정보를 통합해야 합니다.

전통적인 IBN에서는 다양한 사용자 의도를 유연하게 해석하기 위한 통계적 접근법이 도입되어 가상 머신 서비스 가능성의 범위가 확장되었습니다. 그러나 순수한 통계 방법은 결과 네트워크 구성의 실현 가능성을 보장하는 데 실패할 수 있어 안전성과 신뢰성이 우려됩니다. 실현 가능성을 보장하기 위해서는 최적화 기반 등 모델 중심의 방법이 여전히 바람직합니다. 이 논문은 통계적 접근법과 모델 중심 접근법 모두의 장점을 통합하고자 합니다. 자연어 처리(NLP) 기술을 활용하여 다양한 사용자 지시사항을 수용하면서도 결과 네트워크 구성의 실현 가능성을 보장하는 새로운 프레임워크를 개발합니다.

이 논문은 NLP를 활용해 가상 네트워크 서비스의 접근성과 직관성을 높이는 프레임워크를 제시합니다. 이전 연구에서 우리는 사용자 상호작용과 가상 네트워크 할당 과정을 연결하는 인터페이스를 설계했습니다 (그림 1 참조). 이를 통해 시스템은 자연어로 표현된 사용자 지시사항을 받아 VM 배치와 라우팅 결정에 통합합니다. 그림 2에서 보듯이 이 인터페이스는 두 가지 주요 구성 요소를 포함합니다: Interpreter 및 Optimizer입니다. Interpreter는 NLP 모델을 사용해 사용자의 채팅을 분석하고 CPU 요구사항과 지연 시간 요구사항 등 네트워크 할당 문제를 구동하는 구조화된 사양 매개변수로 언어 표현을 변환합니다. 다양한 사용자 표현을 수용하기 위해 우리는 두 가지 Interpreter 구조를 개발했습니다: Sentence-BERT 모델과 SVM 분류기를 결합한 것과 대형 언어 모델(LLM)을 활용한 것입니다. 이러한 구현은 정확성과 운영 효율성 사이의 타협점을 제공하며, 계산 비용과 해석 유연성이 다릅니다. Optimizer는 Interpreter에서 파생된 사양을 사용하여 가상 네트워크 할당 문제를 정수 선형 프로그래밍(ILP) 형식으로 해결합니다. 자원, 지연 시간 및 용량 제약 조건을 충족하는 가능한 VM 배치와 라우팅을 계산함으로써 Optimizer는 사용자 인텐트가 안전하고 최적으로 반영되도록 보장합니다. 이 논문은 또한 두 가지 실험을 통해 제안된 프레임워크의 효과성을 검증합니다. 첫 번째 실험에서는 시스템이 자연어 프롬프트에 따라 가상 머신 할당과 라우팅을 반복적으로 조정할 수 있는 능력을 보여주며, 이는 매개변수 업데이트 메커니즘이 최종 네트워크 구성에 어떻게 영향을 미치는지 보여줍니다. 두 번째 실험은 Interpreter의 다양한 인텐트 추출기 구현의 성능을 비교합니다.

style="width:100.0%" />

style="width:100.0%" />

이 논문은 이전 학회 논문의 확장 버전입니다. 학회 논문과의 차이는 다음과 같습니다:

• LLM 기반 Interpreter: 학회 논문에서 사용된 Sentence-BERT 모델과 SVM 분류기 외에, 제한적인 라벨링 데이터로 더 높은 표현력과 적응성을 제공하는 LLM 기반 Interpreter를 구현했습니다.

• 다중 사용자 상황의 중재: 여러 채팅 프롬프트가 동시에 도착하고 서로 충돌할 수 있는 경우 가능한 최대 요청 수를 수용하기 위한 중재 메커니즘을 소개합니다.

• Interpreter의 정량적 평가: Sentence-BERT + SVM Interpreter와 LLM 기반 Interpreter의 의도 추출 정확성, 필요한 훈련 데이터 양 및 계산 시간에 대한 정량적인 비교를 수행했습니다.

이 논문은 다음과 같이 구성됩니다. 관련 연구는 섹션 2에서 제시됩니다 (관련 연구 참조). 섹션 3에서는 사용자의 자연어 형태로 표현된 의도를 바탕으로 가상 머신 할당 프레임워크를 제안합니다. 이 프레임워크는 Interpreter와 Optimizer로 구성되어 있습니다. 섹션 3.1에서는 Optimizer가 ILP로 정의되며, 섹션 3.2에서는 Sentence-BERT 모델과 SVM 분류기, LLM 모델을 기반으로 하는 두 가지 유형의 Interpreter를 소개합니다. 섹션 4에서는 실험을 수행했습니다. 마지막으로, 논문은 섹션 5에서 결론을 맺습니다.

기호: $`a \in \mathbb{R}^n`$에 대해 $`||a||_1`$는 벡터 $`a`$의 L1 노름을 나타냅니다.

관련 연구

많은 이전 연구들은 가상 네트워크 할당 문제를 수치 최적화 문제로 구체화하여 가상 머신의 최적 배치를 자동으로 결정하려고 시도했습니다. 예를 들어, 한 연구에서는 가상 머신 배치 문제를 정수 선형 프로그래밍(ILP) 문제로 설정하고, 다른 연구들은 혼합 정수 선형 프로그래밍(MILP) 문제로 설정했습니다. 또한 일부 작업은 실제 환경에서 발생하는 불확실성을 모델링에 포함시켰습니다. 특정하게는 재생 에너지원으로 구동되는 네트워크 시스템을 고려하여 불확정적인 전력 가용성을 처리할 수 있는 강건한 가상 네트워크 할당 방법을 제안했습니다. 또한 이 논문은 트래픽 요구사항의 정규 분포를 가정하고 주어진 임계값 아래로 혼잡 확률을 제약하는 방법을 제시합니다.

이러한 연구들은 가상 네트워크 할당 문제를 다루지만, CPU 자원과 지연 시간 한도와 같은 사양 매개변수가 제공되는 것을 암묵적으로 가정하고 있습니다. 그러나 실제 사용자에게는 이러한 매개변수를 지정하는 것이 어렵습니다, 특히 전문적인 지식이 없는 경우입니다. 게다가 서비스 운영 중 실시간으로 이러한 매개변수를 업데이트하는 것은 경험 있는 사용자에게조차도 여전히 도전적일 수 있습니다.

여러 연구들은 네트워크 운용 및 관리의 접근성과 직관성을 향상시키기 위해 NLP를 활용했습니다. 이 논문은 클라우드-엣지 협업 접근법을 제안하여 대형 언어 모델(LLM)을 활용하고 다중 에이전트 강화 학습 기반의 결정 메커니즘을 설계합니다. 이를 통해 클라우드 호스팅 LLM에 쿼리를 보내는 것과 엣지 캐시된 LLM 응답을 반환하는 것을 동적으로 선택할 수 있습니다. 이러한 메커니즘은 LLM 운영에서 지연 시간과 계산 비용을 줄입니다. 이 논문에서는 가상 네트워크 기능 리소스의 수요를 예측하기 위해 LLM 기반 방법을 제안하며, 확률 기반 모델보다 더 높은 정확도를 보여줍니다. 여러 연구들은 LLM을 고장 및 이상 검출에 활용했습니다. 특히 특정 연구에서는 LLM을 사용하여 감지 결과에 명시적인 증거를 제공하는 자연어 설명을 생성하여 감지 시스템의 신뢰성과 설명력을 향상시킵니다. 여러 연구는 제한된 데이터 상황에서 무선 기호 변조를 수행하기 위해 LLM의 문맥 내 학습을 활용했습니다. 또한 조정된 프롬프팅을 사용하면 LLM이 전통적인 DNN보다 우수할 수 있음을 보여줍니다. 이러한 모든 연구에서는 NLP/LLM 구성 요소가 네트워크 운영을 향상시키기 위해 직접적으로 활용되었습니다. 이 논문은 NLP/LLM을 사용하여 사용자의 인텐트를 가상 네트워크 할당 사양으로 추출하는 접근법을 제안합니다. 이러한 간접적인 접근방식은 결과 네트워크 구성의 실현 가능성과 설명력을 향상시킵니다.

일부 전통적인 연구는 사용자의 자연어로 표현된 인텐트를 네트워크 제어 사양으로 번역하기 위해 NLP/LLM을 간접적으로 활용했습니다. 예를 들어, 한 논문에서는 LLM 출력이 열린 라디오 액세스 네트워크의 슬라이싱 제어에 대한 면죄부로 사용되지 않습니다. 대신 LLM은 의미적 특징을 사용하여 다중 에이전트 딥 강화 학습의 상태 표현을 논증하는 데 활용됩니다. 여러 연구에서는 LLM을 사용해 자연어로 표현된 사용자 인텐트를 네트워크 제어 사양으로 추출했습니다. 예를 들어, 특정 논문은 표준 LLM보다 환각을 줄이기 위해 사용자의 의도를 번역하는 전처리 단계로서 의미 라우팅을 도입합니다. 또한 특정 논문에서는 인텐트 엔진과 AI 엔진으로 구성된 인텐트 변환 시스템을 제안하며, 후자는 원래의 인텐트에 누락된 하위 수준 컨텍스트를 보완합니다. 이전 두 연구는 인텐트 번역, 인텐트 검증 및 제어 실행 단계로 구성된 세 가지 전략을 사용해 IBN을 제안했습니다. 이러한 접근법은 본 논문과 개념적으로 유사합니다. 여기서 인텐트 검증은 추출된 인텐트가 현재 네트워크 조건 하에서 적용 가능하다는 것을 결정하는 메커니즘을 의미합니다. 이 두 연구 모두 LLM을 인텐트 변환에 사용하고 강화 학습을 제어 실행에 활용하며, 첫 번째 연구에서는 k-최근접 이웃 알고리즘 기반의 검증 방법을 사용하고 두 번째 연구는 Transformer 기반 접근법을 제안합니다. 이러한 전통적인 간접적 접근방식과 비교하여 본 논문의 주요 기여사항은 다음과 같습니다:

• 강화 학습에 의존하는 이전 연구와 달리, 본 논문에서는 ILP를 사용해 제어 실행 모듈(Optimizer)에서 지정된 제약 조건 하에서 최적의 VM 배치 및 라우팅을 계산하고 사용자의 인텐트를 충실히 반영합니다. 강화 학습은 엄격한 최적성을 보장하지 않지만, ILP는 이를 보장합니다.

• 본 논문에서는 네트워크 제약 조건 하에서 최적화 문제를 해결하며, 이는 사용자의 인텐트를 해석하여 얻은 사양 값으로 매개변수화됩니다. 제안된 프레임워크는 최적화 이론 접근법을 통해 사용자 인텐트를 충족시키기 위한 제어 조치의 실현 가능성을 엄격하게 보장할 수 있습니다. Optimizer에 의해 실현 가능성은 보장되므로, 본 논문에서 제안된 프레임워크는 의도 검증 모듈 없이도 LLM 환각에 대한 내재적인 견고성을 제공합니다.

방법론

📊 논문 시각자료 (Figures)

감사의 말씀