온라인 학습 기반 개념 변화 적응을 통한 광 네트워크 고장 탐지 실험

초록

본 논문은 광 네트워크에서 발생하는 하드·소프트 고장을 실시간으로 탐지하기 위해 온라인 학습 기법을 적용한 개념 변화(Concept Drift) 적응 방법을 제안한다. 정적 모델에 비해 롤링 정확도와 AUC에서 최대 70% 향상을 달성했으며, 모델 업데이트 지연은 1 ms 이하로 낮아 실시간 운용에 적합함을 입증하였다.

상세 분석

이 연구는 광통신 시스템에서 고장 관리가 점점 자동화되고 있는 흐름에 발맞추어, 기존 정적 머신러닝 모델이 데이터 분포 변화에 취약하다는 문제점을 정확히 짚어낸다. 특히, 소프트 고장(점진적 성능 저하)과 하드 고장(급격한 장애) 사이의 데이터 분포 차이를 ‘개념 변화’로 정의하고, 이를 실시간 스트리밍 데이터에 적용한다는 점이 혁신적이다. 저자들은 기존 연구에서 주로 QoT(전송 품질) 예측에 사용되던 온라인 학습을 고장 탐지에 최초로 적용했으며, 이를 위해 Page‑Hinkley Test(PHT)를 이용해 OSNR(수신기 광신호대잡음비) 특성에서 발생하는 급격한 변화를 자동으로 감지한다.

데이터셋은 자체 구축한 실험 환경에서 생성한 Soft Failure Dataset(SFD)와 Hard Failure Dataset(HFD)로 구성된다. SFD는 모델 학습용 배치 데이터로 사용되고, HFD는 스트리밍 형태로 제공돼 정적 모델은 예측만 수행하고, 온라인 모델은 예측 후 즉시 업데이트한다. 이 과정에서 라벨이 제공되는 ‘온라인 지도학습’ 방식을 채택했으며, 라벨이 없는 상황에서도 적용 가능하도록 확장할 여지를 남긴다.

모델로는 Adaptive Random Forest(ARF), Logistic Regression(LR), Naïve Bayes(NB) 세 가지를 선택했는데, 이는 선형 모델부터 앙상블까지 다양한 복잡도를 포괄한다. 실험 결과, 온라인 LR 모델은 정적 대비 최대 70%의 정확도 향상을 보였으며, ARF는 지속적인 성능 유지와 100% 정확도 회복을 보여준다. 특히, 하드 고장 샘플이 희소한 상황에서 랜덤 오버샘플링을 통해 합성 데이터를 추가했을 때, 온라인 ARF는 즉시 적응해 정확도를 회복했지만 정적 ARF는 오히려 성능이 악화되는 현상이 관찰되었다. 이는 온라인 학습이 새로운 패턴을 빠르게 흡수하고, 기존 모델이 갖는 고정된 파라미터의 한계를 극복한다는 점을 실증한다.

지연 측면에서도 표 1에 제시된 바와 같이, 온라인 모델의 예측·업데이트 지연은 0.4 ms(ARF)에서 0.009 s(LR) 수준으로, 실시간 네트워크 운영에 충분히 허용 가능한 수준이다. 전체적인 성능 향상과 낮은 지연을 종합하면, 온라인 학습 기반 개념 변화 적응이 광 네트워크 고장 탐지에 실용적인 솔루션임을 확인할 수 있다.

이 논문의 한계점으로는 라벨이 항상 제공된다는 가정, 하드 고장 데이터가 실험실 환경에서 생성된 점, 그리고 드리프트 탐지에 OSNR 하나의 특성에만 의존한 점을 들 수 있다. 향후 연구에서는 비지도 온라인 학습, 다중 특성 기반 드리프트 탐지, 그리고 실제 운영망에서의 장기 배포 테스트가 필요하다.