A Two-Level LSTM Framework for Traffic Forecasting and Early Congestion Prediction in SD-WAN Networks

기술 요약: SD-WAN 네트워크의 트래픽 예측 및 조기 혼잡 예측을 위한 2단계 LSTM 프레임워크

문제 정의
현재의 소프트웨어 정의 광역 네트워크(SD-WAN) 제어 알고리즘은 주로 사후 대응적(reactive) 방식으로 작동하며, 혼잡이나 서비스 저하가 이미 발생한 후에 경로를 재설정합니다. 이러한 지연은 상당한 트래픽 지연과 잠재적인 네트워크 장애를 초래합니다. 기존 연구들은 네트워크 트래픽 예측(수치 값 예측)이나 혼잡 탐지를 별개의 작업으로 다루고 있지만, 정량적인 트래픽 예측과 임계 네트워크 상태에 대한 확률적 평가를 결합한 통합 프레임워크는 부족한 실정입니다. 저자들은 수치적 예측만으로는 충분하지 않을 수 있다고 주장하는데, 이는 급격하고 단기적인 충격 과부하(impulse overload)가 서비스 품질(QoS)을 저하시킬 확률을 포착하지 못할 수 있기 때문입니다.

방법론
본 논문은 능동적인 경로 관리를 위해 설계된 2단계 LSTM(Long Short-Term Memory) 프레임워크를 제안합니다. 이 시스템은 CESNET-TimeSeries24 데이터셋을 활용하며, 주요 지표로 상대적 대역폭 이용률에 집중합니다. 프레임워크는 두 개의 병렬 레벨로 작동합니다:

1. 레벨 1: 수치적 트래픽 예측 (회귀)

   • 구조: 두 개의 직렬로 연결된 LSTM 레이어(64 및 32개 셀), Dropout 레이어(0.2), 두 개의 완전 연결 선형 레이어, 그리고 Ramp 활성화 함수로 구성된 다층 순환 신경망입니다.
   • 기능: 5, 15, 30, 60, 120분의 예측 지평(horizon)에 대해 미래 채널 부하(대역폭 이용률)의 구체적인 수치 값을 예측합니다.
   • 학습: 100 에포크(epoch) 동안 배치 크기 64를 사용하여 ADAM 알고리즘으로 최적화되었습니다.
   • 비교: 모델은 Simple Forecast, Moving Average, SARIMA 방법과 벤치마킹됩니다.

2. 레벨 2: 조기 혼잡 예측 (분류)

   • 구조: 유사한 LSTM 구조(64 및 32개 셀, Dropout 0.2)를 가지나 이진 분류를 위해 구성되었습니다. 이는 "정상(Normal)"과 "임계(Critical)"(부하 > 90%로 정의)의 두 클래스에 대한 확률을 출력합니다.
   • 기능: 지정된 예측 지평 내에 적어도 하나의 임계 과부하가 발생할 확률을 추정합니다.
   • 임계값 설정: 분류 임계값은 재현율(Recall)을 최소 0.8 이상으로 보장하도록 최적화되었으며, 이는 오보(false positive)를 최소화하는 것보다 임계 이벤트를 탐지하는 것을 우선시하기 위함입니다. 혼잡 이벤트를 놓치는 것이 잘못된 경보보다 더 큰 비용이 발생한다고 간주하기 때문입니다.

주요 기여

• 통합 의사결정 지원 시스템: 본 논문은 수치적 트래픽 예측과 임계 혼잡 분류를 동시에 수행하여 그 결과를 SD-WAN 컨트롤러에 전달함으로써 능동적인 경로 선택을 수행하는 통합 프레임워크를 도입합니다.
• 의사결정 신뢰 지수 (DCI): 저자들은 프레임워크 결정의 신뢰성을 평가하기 위한 새로운 지표를 제안합니다. 이들은 두 가지 형태의 지수를 정의합니다:
  • 예측 신뢰도(MAPE에서 유도)와 분류 신속도(Precision에서 유도)의 선형 가중 평균.
  • 두 레벨을 독립적인 정보원으로 취급하여, 적어도 하나의 모듈이 올바른 결과를 제공할 확률을 계산하는 비선형 통합 모델($R_{SD-WAN}^{(2)}$).
• 임계값 최적화 전략: SD-WAN의 운영 요구 사항에 맞게 높은 재현율(≥0.8)과 최대 정밀도(Precision) 사이의 균형을 맞추는 구체적인 임계값 선택 방법론이 상세히 기술되었습니다.

실험 결과

• 예측 정확도: LSTM 모델은 모든 테스트된 지평(5~120분)에서 RMSE, MAE, MAPE 측면에서 Simple Forecast, Moving Average, SARIMA를 능가했습니다. 가장 긴 지평(120분)에서 LSTM은 18.392%의 MAPE를 달성했으며, 이는 SARIMA의 19.140%보다 낮고 다른 방법들보다 현저히 높은 오차를 보였습니다.
• 분류 성능: LSTM 분류기는 임계값을 ≥0.8 제약 조건을 충족하도록 설정했을 때 모든 지평에서 약 0.80–0.81의 재현율을 유지했습니다. 정밀도는 지평이 길어짐에 따라 감소하였는데(5분에서 0.925, 120분에서 0.613), 이는 장기 예측의 내재된 불확실성을 반영합니다. F1-score는 0.696에서 0.860 사이였습니다.
• 의사결정 신뢰도: 두 레벨의 통합은 의사결정의 전반적인 신뢰성을 크게 향상시켰습니다. 비선형 통합 모델($R_{SD-WAN}^{(2)}$)을 사용했을 때, 신뢰 지수는 선형 평균(0.715)에 비해 높은 수준(120분에서 0.929)을 유지하였으며, 이는 두 독립적인 모델의 결합이 개별 모델의 약점을 보완함을 입증합니다.

의의 및 주장
저자들은 제안된 2단계 구조가 SD-WAN 네트워크에서 능동적인 경로 관리를 구현하기 위한 실행 가능하고 효과적인 솔루션을 제공한다고 주장합니다. 단순한 수치 회귀를 넘어 전용 혼잡 확률 분류기를 포함함으로써, 시스템은 SD-WAN 컨트롤러에 더 신뢰할 수 있고 실행 가능한 지능을 제공합니다. 본 연구는 독립적인 예측 및 분류 모델을 통합하는 것이 어느 한 쪽 방식에만 의존하는 것보다 더 높은 수준의 의사결정 신뢰도를 제공한다는 결론을 내립니다. 이 프레임워크는 서비스 저하가 발생하기 전에 이를 방지할 수 있는 더 지능적인 네트워크 관리를 향한 단계로 제시되지만, 저자들은 향후 연구에서 실제 SD-WAN 트래픽에 대한 검증과 지연(delay), 지터(jitter)와 같은 다차원적 특징의 통합이 필요하다고 언급하였습니다.