Core Concepts
의도 기반 네트워킹(IBN)에서 의도 유지보수를 위해 의도 드리프트 탐지가 중요하며, DBSCAN 모델이 가장 정확하고 빠른 성능을 보였다.
Abstract
이 논문은 차세대 네트워크에서 의도 기반 네트워킹(IBN)의 핵심 문제인 의도 드리프트 탐지 알고리즘을 제안한다. 의도 드리프트는 시간이 지남에 따라 의도 이행이 점진적으로 저하되는 현상을 의미한다.
논문에서는 다양한 비지도 학습 기법(Affinity Propagation, DBSCAN, GMM, 계층적 클러스터링, K-Means, OPTICS, One-Class SVM)을 적용하여 의도 드리프트를 탐지하고 비교 분석하였다. 결과적으로 DBSCAN 모델이 가장 높은 정확도와 가장 낮은 평균 지연 시간을 보였다. 반면 Affinity Propagation 모델이 가장 낮은 정확도와 최대 지연 시간을 나타냈다.
논문은 다음과 같이 구성된다. 먼저 관련 연구를 소개하고, IBN 아키텍처에 의도 드리프트 탐지 모듈을 추가하는 방법을 제안한다. 이어서 다양한 ML 모델 기반 의도 드리프트 탐지 알고리즘을 설명하고, 실험 결과를 분석한다. 마지막으로 결론 및 향후 연구 방향을 제시한다.
Stats
정상 네트워크 운영 시 처리량이 4t ms였으나, 의도 적용 후 1t ms로 감소했다.
의도 이행 기간 동안 처리량은 약 75분 동안 t ms를 유지했다.
이후 처리량이 점진적으로 증가하는 추세로 변동하기 시작했다.
의도 실패는 처리량 변동이 1.5시간 후 확인되었다.
Quotes
"Intent assurance is a core part of any IBN system. It is also referred to as intent validation or verification, which is a network management process that continuously monitors the network to verify that the desired intent which has been applied is functioning properly."
"Although a major part of intent maintenance should consider whether intent drift occurs over time, only a few studies addressed intent drift detection."