최근 Open AI Networking Korea (ONK) 2025라는 포럼에 다녀왔는데,
현재 진행하고 있는 연구와 관련이 깊어보여서 관련 내용을 정리해보고자 한다.
주목할 점은 ETRI, 삼성전자, 통신3사 모두 "AI for Network" 측면에서 AI 모델을 네트워크에 Embed하기 위한 상당한 연구가 진행되었고, 꽤나 많은 부분에서 상용화가 이루어졌다는 것.
이 중 특히 눈에 띄는 부분이 Network Traffic Prediction에 대한 부분이다.
Network에서 Traffic Prediction이 필요한 이유는 다음과 같이 정리할 수 있다.
1. Network 안정성과 품질 보장
- 트래픽 변동성 문제
5G/6G 네트워크는 사용자 수와 서비스 다양성이 급격히 증가하며 트래픽 패턴이 매우 불규칙해졌다.
갑작스런 Traffic Spike나 특정 NF의 과부하가 예고 없이 발생하면 서비스 지연이나 패킷 손실이 생길 수 있다.
이 때문에 Proactive한 대응이 필요한데, Traffic을 사전에 예측하면 과부하가 발생하기 전에 Network 자원을 미리 확장하거나 트래픽을 우회시켜 안정적인 서비스를 보장할 수 있다.
- Anomaly Detection
또한, Anomaly Detection 측면에서도 UPF나 SMF와 같은 핵심 NF에서 비정상 상황을 실시간 탐지하고,
신규 UE 연결 차단이나 Backup 경로 전환 같은 조치를 자동화하려면 Traffic Pattern을 미리 파악해야 한다.
2. 자원 최적화와 운영 효율성 향상
위와 같은 Traffic Prediction이 가능하다면, 다음과 같은 측면에서 이점을 가져올 수 있다.
- Network Slicing
5G에서는 한 물리적 인프라 위에 수백~수천 개의 가상 네트워크(Slice)를 올리다는 Concept이 도입되었다.
각각의 Slice는 서비스 요구사항(지연, 대역폭 등)이 다르기 때문에 트래픽 예측이 없으면 비효율적 자원 할당으로 이어진다.
LG U+ 세션에 따르면, 내부적으로 수천 개의 설정을 관리한다는 것에 대한 회의적인 분위기였는데, AI 기술의 발전으로 점차 가능하다는 분위기로 바뀌는 듯 하다.
- Smart Power Management
이 부분도 흥미로운데, RIC에서의 Energy Saving xApp처럼,
Core 단에서도 CPU 코어의 C-state와 P-state를 예측 기반으로 제어해 전력 소모를 줄이는 기능이 언급됐다.
Traffic 예측이 가능해야 성능을 어느정도 유지하면서도 전력 소모를 최소화할 수 있다는 장점이 있다.
이미 삼전에서는 실제 장비를 통해Traffic을 예측을 바탕으로 AI의 Core의 전력 소모에 대한 PoC까지 진행된 듯 하다.
3. AI 모델의 지속적 학습과 성능 유지
그런데 ETRI에서 지적한 것처럼, 하나의 예측 모델을 만들었다고 땡이 아니다.
트래픽 패턴이 시간, 지역, 환경에 따라 상이하기 때문에 AI 모델의 성능이 상황에 따라 급격히 떨어질 수 있다.
이를 위해 ETRI에서는 실시간, 주문형 데이터 수집과 트래픽 예측을 결합해 모델을 주기적으로 재학습시키는 프레임워크 개발했다.
이를 이용해 모델을 지속적으로 재학습(Continuous Learning)시키면 환경 변화에도 AI 성능을 안정적으로 유지할 수 있다고 한다.
실제로 부산시 망 데이터 기반으로 Traffic Volume 예측 모델을 개발하고,
PoC를 통해 데이터 기반의 Traffic Volume 예측·Flow 지속시간 예측·Spike 탐지 실험을 통해 재학습과 데이터 파이프라인 자동화가 필수적임을 입증한 부분이 인상깊었다.
'딥러닝 모델 > LSTM for Traffic Prediction' 카테고리의 다른 글
| LSTM 모델로 실제 Downlink Throughput 예측하기 (0) | 2025.10.24 |
|---|---|
| LSTM 모델의 UE Location Prediction과 Systemic bias 문제 (0) | 2025.10.14 |
| ns3-oran 시뮬레이션 데이터 기반의 RSRP 예측 (0) | 2025.10.13 |
| LSTM : 긴 문맥을 놓치지 않는 RNN의 진화 버전 (0) | 2025.09.30 |
| RNN: 시간의 흐름을 기억하며 미래를 예측하는 모델 (0) | 2025.09.30 |