디지털 트윈을 위한 초경량 패킷 트래픽 생성기와 중량 꼬리 IAT와 페이로드를 다루는 HMM MDN 하이브리드 모델

초록

본 논문은 라디오 액세스 네트워크 디지털 트윈에서 패킷 수준 트래픽을 재현하기 위해, 소규모 은닉 마코프 모델(HMM)과 혼합 밀도 네트워크(MDN)를 결합한 하이브리드 생성기를 제안한다. 특히 IAT(패킷 간 도착 시간)의 중량 꼬리를 효과적으로 모델링하기 위해 별도의 idle 상태와 Student‑t 혼합 커널을 도입하였다. 실험 결과, 제안 모델은 최신 신경망·트랜스포머 기반 생성기보다 적은 파라미터(≈0.2 MB)로 다양한 웹·스마트홈·암호화 미디어 트레이스를 높은 정확도로 재현한다.

상세 분석

이 연구는 디지털 트윈(DT) 환경에서 요구되는 ‘경량·재조정 용이’라는 두 가지 핵심 제약을 동시에 만족시키는 트래픽 생성기를 설계한다는 점에서 의미가 크다. 첫 번째 핵심은 은닉 마코프 모델(HMM)로 흐름을 ‘버퍼링·스트리밍·idle’ 등 몇 개의 의미론적 상태로 추상화한 것이다. 기존 HMM은 가우시안 방출을 사용하지만, 패킷 간 도착 시간(IAT)이 중량 꼬리를 보이는 경우 가우시안 하나로는 극단적인 대기 시간을 포착하지 못한다. 이를 해결하기 위해 논문은 ‘idle’ 상태를 별도로 두고, 이 상태의 방출 평균을 IAT의 99.8% 백분위수(τδ)로 고정한다. 이렇게 하면 EM 학습 초기에 긴 간격이 자동으로 idle 상태에 할당되어, 핵심 상태가 과도하게 분산을 확대하는 현상을 방지한다.

두 번째 핵심은 각 상태별 관측 분포를 Student‑t 혼합 모델로 표현한 혼합 밀도 네트워크(MDN)이다. Student‑t는 자유도 파라미터를 통해 꼬리 두께를 조절할 수 있어, 드물지만 중요한 초대형 IAT와 페이로드 폭발을 자연스럽게 모델링한다. MDN은 HMM이 제공한 상태 시퀀스를 조건으로 하여, 페이로드와 IAT의 공동 확률밀도를 학습한다. 이 구조는 상태 전환(시간적 구조)과 패킷 속성(공간적 구조)을 명확히 분리함으로써 해석 가능성을 높이고, 새로운 트래픽 패턴이 등장했을 때 HMM 전이 행렬만 미세 조정하면 전체 모델을 빠르게 재조정할 수 있게 만든다.

학습 초기화 단계에서도 여러 실용적 장치를 도입한다. 코어 상태(Kcore) 수를 사전에 정의하고, k‑means 클러스터링으로 평균·분산을 초기화한다. idle 상태는 IAT의 정규화된 꼬리값(υδ)과 페이로드 중앙값을 결합해 초기 평균을 설정한다. 전이 행렬에는 약한 Dirichlet 사전과 idle 상태에 대한 강한 자기 전이 사전을 부여해, 초기 EM 단계에서 상태 지속성을 보장한다. 이러한 초기화는 EM이 지역 최적에 빠지는 것을 방지하고, 특히 짧은 흐름이나 극단적인 버스트가 지배적인 데이터셋에서 안정적인 상태 추정을 가능하게 한다.

평가에서는 공개된 네 가지 트레이스(HTTP, UDP, Facebook Audio, Facebook Video)를 사용해 기존 HMM, GAN, VAE‑GAN, 트랜스포머 기반 생성기와 비교하였다. 주요 평가지표는 흐름별 누적 분포 함수(CDF), 자동상관 기반 시간 구조, 그리고 흐름 기술자 간 Wasserstein 거리이다. 제안 모델은 대부분의 경우 최고 성능을 기록했으며, 파라미터 수는 최신 딥러닝 모델의 수천 배에서 수만 배에 불과했다. 메모리 사용량도 0.2 MB 수준으로, 엣지 디바이스에 직접 탑재하기에 충분히 가볍다.

전반적으로 이 논문은 ‘경량·해석 가능·중량 꼬리 대응’이라는 세 축을 동시에 만족시키는 트래픽 생성 프레임워크를 제시함으로써, 실시간 DT 운영·재학습 시나리오에 바로 적용 가능한 실용적 솔루션을 제공한다.