WAN 트래픽 엔지니어링에 “추론”을 입힌 대형 언어 모델 LMTE

초록

본 논문은 대형 사전학습 언어 모델(LM)을 WAN 트래픽 엔지니어링(TE)의 일반‑목적 플래너로 활용한다는 새로운 패러다임을 제시한다. 이론적으로 LM이 TE의 순차적 의사결정 과정을 자동화기(automaton) 형태로 시뮬레이션하고, 로그 깊이의 병렬 추론으로 효율성을 확보함을 증명한다. 실용적으로는 멀티모달 정렬과 경량 프롬프트 설계를 통해 사전학습된 LM을 거의 그대로 유지하면서도 TE 구성 생성에 적합하도록 적은 파라미터(≈1%)만 미세조정한다. 실험 결과, 5개 데이터셋에서 기존 최첨단 방법 대비 최대 15 % MLU 개선, 10‑100배 빠른 실행 속도, 네트워크 장애·트래픽 급변 상황에서도 5 % 이하 성능 저하를 기록한다.

상세 분석

LMTE의 핵심 이론적 기여는 TE 문제를 “상태‑전이 자동기”로 모델링하고, 사전학습된 트랜스포머 기반 LM이 이 자동기의 전이 함수를 근사할 수 있음을 보인 점이다. 논문은 먼저 TE의 목표인 최대 링크 활용도(MLU)가 연속적인 스플릿 비율 조정 과정을 통해 볼록하게 감소한다는 사실을 이용해, 각 단계가 입력 심볼(OD 쌍·트래픽 요구)과 현재 라우팅 상태를 받아 다음 상태로 전이하는 결정 체인을 형성함을 제시한다. 이후, LM이 충분히 다양한 학습 데이터를 접하면 임의의 초기 상태에서 최적 혹은 근접 최적 상태로의 매핑을 로그 깊이의 병렬 추론으로 구현할 수 있음을 정리(정리 2, 3)한다. 이는 전통적인 LP·RL 기반 TE 솔버가 순차적으로 탐색해야 하는 복잡도를 크게 낮추는 논리적 기반이 된다.

실제 구현에서는 TE 입력(네트워크 토폴로지·트래픽 매트릭스)을 텍스트형 프롬프트와 동일한 차원으로 정렬하기 위해 멀티모달 인코더와 교차‑어텐션을 도입한다. 핵심은 LM의 백본 파라미터를 고정하고, 라우터‑별 스플릿 비율을 예측하는 가벼운 헤드와 프롬프트 템플릿만 학습함으로써 전체 파라미터의 1 % 수준만 업데이트한다. 이렇게 하면 대규모 모델(LLaMA‑7B 등)의 일반화 능력을 유지하면서도 TE 전용 지식을 빠르게 주입할 수 있다.

실험에서는 GÉANT, Abilene 등 실제 WAN 토폴로지와, 대규모 합성 토폴로지를 포함한 5개 데이터셋을 사용했다. LMTE는 기존 DOTE, FIGRET 등 최신 DNN‑기반 TE 방법보다 평균 10 % 낮은 MLU를 달성했으며, 특히 네트워크 장애·트래픽 급증·분포 이동 상황에서 최대 21 %까지 성능 격차를 벌렸다. 계산 측면에서는 LP 솔버 대비 10‑100배 빠른 추론 시간을 기록했으며, 파라미터 효율성 측면에서도 LoRA 기반 미세조정보다 훨씬 가벼운 적응 비용을 보였다. 전체적으로 LMTE는 “추론” 능력을 활용해 TE 문제를 고차원 최적화에서 언어 모델 기반의 시퀀스‑투‑시퀀스 매핑으로 전환함으로써, 일반화·속도·확장성 모두에서 기존 접근법을 뛰어넘는 새로운 길을 제시한다.