기술 요약: 4G 모바일 네트워크의 적응형 경보 임계값 예측

1. 문제 정의

이동 통신에서 경보는 셀 열화 또는 고장에 대한 중요한 조기 경고 신호로 작용합니다. 현재 운영자들은 이러한 경보를 트리거하기 위해 정적이며 수동으로 구성된 임계값(예: 최대 비활성 시간, 변동 횟수)에 의존하고 있습니다. 이러한 고정된 임계값은 시간대, 요일, 트래픽 양, 벤더별 행동과 같은 동적 네트워크 조건을 고려하지 못합니다. 결과적으로 이러한 경직성은 두 가지 운영상의 실패를 초래합니다:

1. 놓친 고장: 혼잡 시간대에 심각한 문제가 정적 임계값이 노이즈에 대해 너무 관대하기 때문에 탐지되지 않습니다.
2. 오경보: 조용한 시간대의 사소한 정상 변동이 불필요한 엔지니어 호출을 유발합니다.

본 논문이 다루는 핵심 과제는 적응형 경보 임계값 예측 문제입니다. 즉, 실시간 네트워크 행동에 기반하여 최적의 결정 경계 (임계값) 를 동적으로 예측하는 것입니다. 중요한 장애물은 '정답' 레이블의 부재입니다. 특정 순간에 '올바른' 임계값이 무엇이어야 했는지를 명시적으로 나타내는 네트워크 로그는 존재하지 않습니다.

2. 방법론

2.1 데이터 및 레이블 도출

본 연구는 남아시아의 실제 4G 네트워크에서 수집된 익명화 데이터를 활용하였으며, 3 개 장비 벤더와 9 개 지리적 지역에 걸쳐 10,648 개의 고유 셀을 10 일 동안 (14,054 개의 셀 - 일 기록) 포함합니다.

• 특성 공학: 입력 벡터는 시간적 맥락 (시간대, 요일), 원시 시간별 비활성 시간 및 변동 횟수, 시간 블록 집계, 롤링 통계, 벤더/지역 지표 등을 포함하는 123 개의 특성을 포함합니다.
• 백분위수 기반 레이블 도출: 정답 레이블의 부재를 해결하기 위해 저자들은 데이터 통계에서 직접 레이블을 도출하는 전략을 도입합니다:
  • 윈도우 길이 ($t_1$): 다음 8 시간 동안 5 분 비활성 임계값을 초과하는 시간 수에 기반합니다.
  • 비활성 시간 ($t_2$): 윈도우 비활성 시간의 75 백분위수에서 유래하며, 아침 피크, 저녁 시간, 비피크 시간에 대한 민감도 인자로 조정됩니다.
  • 변동 임계값 ($t_3, t_4$): 변동 횟수의 90 백분위수에서 유래하며, 바닥값은 1 입니다.
  • 검증: 콜모고로프 - 스미르노프 (Kolmogorov-Smirnov) 검정을 통해 셀의 일부 하위 집합에서 레이블을 도출하는 것이 편향을 유발하지 않음을 확인하여 전체 데이터셋을 학습에 사용하는 것을 검증했습니다.

2.2 모델 아키텍처

네 가지 모델을 평가하여 네 가지 목표 (감사 윈도우 지속 시간, 비활성 시간 제한, 총 변동 횟수, 시간당 변동 제한) 를 동시에 예측했습니다.

1. XGBoost (Baseline): 의사 허버 (pseudo-Huber) 손실을 사용하는 그래디언트 부스팅 트리 기반 모델입니다. 이는 고전적인 테이블 데이터 벤치마크 역할을 합니다.
2. CNN-BiLSTM with Attention: 로컬 패턴 추출을 위한 합성곱 레이어, 시간적 의존성을 위한 양방향 LSTM, 그리고 맥락에 따라 관련 시간을 가중치 부여하기 위한 멀티헤드 어텐션을 사용하는 하이브리드 순차 모델입니다.
3. iTransformer: 이 작업에 맞게 적응된 최첨단 모델입니다. 표준 트랜스포머가 시간 스텝 간에 어텐션하는 것과 달리, iTransformer는 각 특성을 토큰으로 간주하고 특성 차원 간에 어텐션을 학습하여 다변량 경보 데이터에 더 적합합니다.
4. PCTN (제안): **백분위수 기반 맥락 임계값 네트워크 (Percentile Guided Contextual Threshold Network)**입니다. 이 새로운 아키텍처는 임계값 예측을 두 가지 해석 가능한 단계로 분리합니다:
   • 1 단계 (분포 학습): 어텐션 풀링을 사용하는 트랜스포머 기반 인코더를 사용하여 주어진 맥락에 대한 네트워크 행동의 통계적 분포 (평균 $\mu$ 및 분산 $\sigma$) 를 학습합니다.
   • 2 단계 (분석적 도출): 임계값을 직접 예측하는 대신 학습된 분포에서 분석적으로 임계값을 도출합니다.
     • 동적 Alpha: 학습된 $\alpha$ 매개변수를 사용하여 임계값을 스케일링합니다 ($\theta = \mu + \alpha\sigma$). 이를 통해 운영자는 재학습 없이도 보수성을 조정할 수 있습니다.
     • 전문 헤드:
       • 범주형 헤드: 이산적인 윈도우 길이 (2~8 시간) 용.
       • 가우시안 헤드: 연속적인 비활성 시간 용.
       • 베르누이 게이트: 극단적인 클래스 불균형 (값의 94% 가 1.0 바닥값에 집중됨) 을 겪는 변동 목표 용. 게이트는 먼저 값이 바닥값을 초과하는지 예측한 후 크기를 예측합니다.

2.3 학습 전략

이 프레임워크는 일일 증분 재학습을 지원합니다. XGBoost 는 완전히 재학습되는 반면, 신경 모델 (PCTN, iTransformer, CNN-BiLSTM) 은 새로운 일일 데이터에 대해 5~10 에포크의 미세 조정 (fine-tuning) 을 활용하여 이전 날의 가중치를 활용하여 진화하는 추세를 효율적으로 포착합니다.

3. 주요 결과

모델들은 평균 절대 오차 (MAE), 제곱근 평균 제곱 오차 (RMSE), $R^2$를 사용하여 홀드아웃 테스트 세트 (3 일) 에서 평가되었습니다.

• 전체 성능: PCTN이 가장 높은 전체 평균 $R^2$인 0.733과 가장 낮은 평균 MAE 인 0.290을 달성했습니다. 이는 iTransformer ($R^2$ = 0.436), CNN-BiLSTM ($R^2$ = 0.324), XGBoost ($R^2$ = -31.03) 보다 우수했습니다.
• 효율성: PCTN 은 142,261 개의 파라미터를 사용하며, 이는 iTransformer (818,508 개 파라미터) 보다 83% 적음에도 불구하고 네 가지 목표 중 세 가지에서 iTransformer 보다 우수한 성능을 보였습니다.
• 통계적 유의성: PCTN 과 모든 베이스라인 간의 쌍별 비교는 윌콕슨 부호 순위 검정을 통해 통계적으로 유의미했습니다 ($p < 0.001$).
• 목표별 통찰:
  • 변동 목표: PCTN 은 변동 목표에서 $R^2 \approx 0.57$을 달성한 반면, 다른 신경 모델들은 실패했습니다 ($R^2 \approx 0$ 또는 음수). 이 성공은 바닥값 집중 문제를 이진적으로 명시적으로 모델링하는 베르누이 게이트에 전적으로 기인합니다.
  • XGBoost 실패: XGBoost 는 특성 외삽 실패로 인해 연속 목표에서 실패했습니다 ($R^2 < -100$). 테스트 데이터 (고스트레스 일) 가 학습 범위를 초과했을 때 트리 기반 모델은 일반화하지 못했지만, 신경 모델은 성공적으로 보간했습니다.
  • 해석 가능성: PCTN 의 동적 $\alpha$ 값은 샘플 간에 의미 있게 변했습니다 (예: 비활성 시간의 $\alpha$는 8.8 에서 22.2 까지). 이를 통해 운영자는 재학습 없이도 특정 셀에 대한 정책의 '보수성'을 검사하고 수동으로 조정할 수 있습니다.

4. 중요성 및 주장

본 논문은 다음과 같은 기여와 중요성을 주장합니다:

1. 최초의 공식화: 이는 적응형 경보 임계값 예측을 지도 학습 문제로 공식화한 첫 번째 작업으로, 고장 탐지를 넘어 결정 경계 자체를 예측하는 것으로 나아갔습니다.
2. 레이블 도출 전략: 레이블이 없는 운영 데이터에서 학습 감독을 생성하기 위한 백분위수 기반 방법을 도입하여 순환적 편향이 없음을 검증했습니다.
3. PCTN 아키텍처: 제안된 PCTN 은 단순히 모델 크기를 늘리는 것보다 데이터 특성 (범주형, 가우시안, 베르누이 헤드 사용) 과의 구조적 정렬이 더 효과적임을 입증했습니다. 이는 계산 비용을 크게 줄이면서 최첨단 정확도를 달성합니다.
4. 운영 유용성: 이 프레임워크는 일일 재학습을 가능하게 하여 임계값이 변화하는 네트워크 행동에 적응하도록 합니다. 특히 해석 가능한 출력(평균, 분산, 동적 알파) 은 네트워크 운영자가 모델의 추론을 검사하고 특정 맥락에 대해 임계값을 수동으로 조정할 수 있게 하여, 블랙박스 AI 와 운영 통제 간의 격차를 해소합니다.
5. 견고성: 이 연구는 신경 모델이 트리 기반 모델보다 새로운 스트레스 사건 (외삽) 에 더 견고하며, 동적 환경에서 프로덕션 배포에 더 안전함을 강조합니다.

저자들은 현재 연구가 4G 데이터와 10 일 윈도우로 제한된 개념 증명 (proof-of-concept) 이지만, 이 프레임워크는 네트워크가 5G 로 진화함에 따라 엔지니어링 노력의 비례적 증가 없이 서비스 품질 (QoS) 을 유지하기 위한 확장 가능한 경로를 제공한다고 결론지었습니다.