네트워크 데이터 분석을 위한 메타 디스크립션 변환

Abstract

5세대 통신 (5th Generation, 5G) 기술의 발전은 전통적인 네트워크 통신에서 벗어나 저지연 · 고신뢰 · 초연결을 목표로 이전과 다른 서비스를 제공할 수 있게 되었다. 이를 위해 5G 네트워크 아키텍처 내 데이터 분석 기능 (Network Data Analytics Function, (NWDAF))을 도입하여 다양한 서비스에 대응하고자 한다. NWDAF는 사용자 데이터를 통해서 다음 서비스 컨텐츠 예측이나 이동성 예측을 통해서 사용자 경험의 질을 높이려 하나 NWDAF에 요구되는 기능이 추가 됨에 따라 처리해야하는 데이터의 양이 많아져 네트워크 데이터의 오버헤드 해결과 처리속도 향상의 필요성이 강조되었다. 네트워크 데이터의 특성을 포함하는 메타 데이터의 사용이 제안되었으나, 각 목적에 따라 생성된 메타 데이터의 형태가 다르고 시변하는 데이터 특성을 반영하지 못한 한계점이 있다. 본 논문에서는 서비스에 따른 네트워크 분석을 위하여 저차원 네트워크 데이터의 특성을 반영한 메타 디스크립션으로 변환하는 방식을 제안하였다. 네트워크 흐름 데이터를 직접 수집하여 패킷 도착 시간과 패킷 크기의 두 특성을 이용해 특성 별, 특성 간 메타 디스크립션을 정의하였다. 시변하는 네트워크 특성을 반영하기 위해서 Fast Fourier Transform (FFT)을 활용하였으며, 일정 크기 마다 하나의 메타 디스크립션으로 변환하여 원시 데이터에 비해 훨씬 적은 데이터로 계산복잡도를 낮추었다. 메타 디스크립션의 효과를 확인하는데 있어 기계학습 및 딥러닝 알고리즘을 이용하였으며, 정확도와 계산복잡도를 중심으로 그 성능을 확인하였다.;5G communication is developed for low-latency · high-reliability · hyperconnectivity to provide different types of services than before. The Network Data Analytics Function (NWDAF) is suggested as a function in 5G network architecture that conducts network analysis based on the network flow data. With user data, 5G network service providers try to predict the next service and user mobility to improve the quality of the user experience. As the 5G network requirements to NWDAF increase, the amount of data that needs to be processed grows, and the overhead of network data and improvement of processing speed is emphasized. Accordingly, one way to overcome is using metadata, including network data characteristics, but metadata generated is different by each purpose and is lack of the time-varying characteristics. In this thesis, for network analysis according to service, we proposed a method of transforming network flow data into a meta description that reflects the characteristics of low-dimensional network data. We directly collect network flow data while using different services and utilize the two characteristics: packet arrival time and packet size. We defined the elements in meta-descriptions using FFT (Fast Fourier Transform) to reflect time-varying characteristics. To evaluate the effect of meta description, we used machine learning and deep learning algorithms and verified their performance with accuracy and computational complexity.