사용자 행동과 관심 기반 빅 모바일 네트워크 모델링

초록

본 논문은 캠퍼스 무선 네트워크에서 수집한 1억 건 이상의 NetFlow 데이터를 활용해, 사용자가 방문한 도메인·위치(건물)와 행동 그룹을 기반으로 트래픽 특성을 분석한다. KS‑검정과 그래프 기반 군집화, 정보이론 기반 공동 군집(co‑clustering) 기법을 적용해 도메인·위치·사용자 그룹별로 서로 다른 확률분포를 도출하고, 이를 이용한 관심 기반 모델이 기존의 전체 네트워크에 대한 일반 모델보다 KS 거리에서 5배 이상 향상됨을 보인다.

상세 분석

이 연구는 기존의 “전체 네트워크에 하나의 트래픽 모델을 적용한다”는 접근법이 빅 모바일 네트워크의 복합성을 포착하지 못한다는 점을 지적한다. 저자들은 100 만 플로우·일(일일 1억 건) 규모의 데이터셋을 전처리하기 위해 DataPath 엔진을 활용, IP‑prefix 필터링 후 상위 100개 활성 도메인과 68개 건물(위치)을 선정하였다. 각 도메인·위치별 플로우 레벨 트래픽을 초당 단위로 집계하고, Weibull, Lognormal, Generalized Extreme Value 등 9가지 후보 분포에 대해 5 % 유의수준 KS 검정을 수행했다. 결과적으로 도메인과 건물은 각각 4개의 분포 군집으로 나뉘었으며, Weibull과 Lognormal이 다수 차지했지만 전체 트래픽에 가장 적합한 모델은 Generalized Extreme Value였다.

두 표본 KS 검정을 이용해 도메인·위치 간 트래픽 유사성을 행렬화하고, 이를 그래프 형태로 시각화하였다. 프루처맨‑레인골드 알고리즘으로 모듈러리티 기반 클러스터를 탐지한 결과, 인기 도메인(예: google, facebook, apple)은 높은 차수와 독특한 트래픽 특성을 보이며, 나머지는 12개의 그룹으로 묶였다. 건물 역시 4개의 군집으로 구분돼, 교육관, 연구실, 기숙사 등 물리적 특성이 트래픽 패턴에 영향을 미침을 확인했다.

행동 기반 분석에서는 도메인·위치 정보를 동시에 고려한 공동 군집(co‑clustering) 기법을 적용했다. 정보이론 기반 Bregman‑divergence 최적화를 통해 5개의 사용자 행동 그룹을 도출했으며, 각 그룹은 특정 도메인·건물 방문 패턴과 연관된 고유한 트래픽 분포를 갖는다. 이러한 다중 모달 군집은 기존의 단일 차원(도메인 또는 위치) 분석보다 더 정밀한 모델링을 가능하게 한다.

마지막으로, 도메인·위치·행동 그룹별로 맞춤형 확률분포를 적용한 “관심 기반 모델”을 구축하고, 전체 네트워크에 적용한 일반 모델과 비교했다. KS 거리 기준으로 평균 0.12에서 0.024로 감소했으며, 이는 약 5배의 정확도 향상을 의미한다. 즉, 사용자 관심과 행동을 반영한 모델이 빅 모바일 네트워크 트래픽 예측·시뮬레이션에 훨씬 유용함을 실증했다.