네트워크 전역 트래픽 통계 모델링 및 예측

초록

본 논문은 제한된 측정 자원으로 전체 네트워크 링크 트래픽을 추정하기 위해, 고비용으로 얻은 샘플 데이터를 활용해 네트워크 전용 확률 모델을 학습한다. 학습된 모델은 저비용 실시간 측정과 결합해 예측 정확도를 크게 향상시키며, 동일 네트워크에 대해 여러 트래픽 기간에 재사용 가능하다. 또한 예측 결과를 기반으로 제어 차트를 구성해 트래픽 변화 탐지와 원인 격리를 수행한다.

상세 분석

이 연구는 네트워크 트래픽을 물리적으로 해석 가능한 확률 모델, 즉 링크 트래픽 벡터 x가 라우팅 매트릭스 A와 원천 흐름 y의 선형 결합 x = Ay + ε 로 표현된다는 가정에서 출발한다. 여기서 ε는 측정 오차와 미세한 비선형 효과를 포괄하는 잡음 항이다. 저비용 측정은 전체 링크 중 일부만을 선택적으로 관측하는 형태이며, 이러한 부분 관측은 전통적인 최소제곱 추정으로는 충분히 정확한 복원을 제공하지 못한다. 논문은 먼저 비용이 많이 드는 전면 측정을 통해 전체 링크 트래픽에 대한 ‘골드 스탠다드’ 데이터를 확보하고, 이를 이용해 베이지안 프레임워크 하에 사전 분포 p(y)와 조건부 분포 p(x|y) 를 추정한다. 사전은 다변량 정규분포로 가정하되, 실제 트래픽의 장기적 변동성을 반영하기 위해 공분산 행렬을 경험적 공분산으로 초기화하고 EM 알고리즘으로 최적화한다. 이후 저비용 실시간 측정 x_obs 에 대해 베이즈 정리를 적용, 사후 분포 p(y|x_obs) 를 계산함으로써 미관측 링크의 기대값과 불확실성을 동시에 제공한다. 이 접근법의 핵심 장점은 한 번 학습된 모델이 네트워크 토폴로지와 라우팅 정책이 변하지 않는 한, 다양한 시간대와 트래픽 패턴에 대해 재사용 가능하다는 점이다. 또한, 사후 분산을 활용한 예측 신뢰구간을 제어 차트에 매핑함으로써, 평균 수준에서 벗어난 급격한 트래픽 변동을 조기에 탐지하고, 변동 원인을 라우팅 매트릭스 구조와 연결된 특정 흐름으로 역추적할 수 있다. 실험 결과는 시뮬레이션 및 실제 ISP 데이터셋에서, 전통적인 선형 회귀 기반 추정보다 평균 제곱 오차가 30 % 이상 감소하고, 변동 탐지 지연 시간이 40 % 감소함을 보여준다.