핵심 개념
네트워크 장애로 인한 급격한 트래픽 패턴 변화에 효과적으로 적응할 수 있는 액체 신경망 기반 적응형 학습 기법을 제안하고, 기존의 점진적 학습 기법과 비교 분석한다.
초록
이 연구는 네트워크 장애 상황에서 트래픽 예측 문제를 다룬다. 네트워크 장애 발생 시 트래픽 패턴이 급격히 변화하는 개념 drift 현상이 발생하며, 이는 기존에 학습된 기계학습 모델의 성능 저하를 초래한다.
이를 해결하기 위해 두 가지 접근법을 제안한다:
- 점진적 학습 기법: 새로운 데이터가 도착할 때마다 모델을 부분적으로 재학습하는 방식
- 액체 신경망 기반 적응형 학습: 재학습 없이 실시간으로 모델 파라미터를 조정하여 변화하는 데이터 패턴에 적응하는 방식
실험 결과, 개념 drift가 심한 경우 액체 신경망 기반 접근법이 점진적 학습 기법보다 우수한 성능을 보였다. 반면 개념 drift가 moderate한 경우에는 점진적 학습 기법이 더 나은 성과를 나타냈다. 이를 통해 상황에 따라 적절한 접근법을 선택하는 것이 중요함을 확인할 수 있다.
통계
장애 발생 직후 액체 신경망 모델의 RMSE는 168로, Incremental-20 모델의 180과 Incremental-5 모델의 172보다 낮았다.
장애 발생 후 50 시간 동안 액체 신경망 모델이 점진적 학습 모델들보다 일관되게 더 낮은 RMSE를 보였다.
개념 drift가 moderate한 경우, Incremental-20 모델이 LNN 모델과 Incremental-5 모델보다 RMSE와 MAPE 측면에서 더 나은 성능을 보였다.