[논문 리뷰] A Long Short-Term Memory Recurrent Neural Network Framework for Network Traffic Matrix Prediction

Abdelhadi Azzouni, Guy Pujolle|arXiv (Cornell University)|2017. 05. 16.

Internet Traffic Analysis and Secure E-voting참고 문헌 1인용 수 160

한 줄 요약

이 논문은 대형 네트워크의 네트워크 트래픽 행렬(TMs)을 예측하기 위해 슬라이딩 학습 창과 실제 데이터를 사용하는 LSTM 기반 RNN 프레임워크를 제시하며, 빠른 수렴과 작은 모델에서도 기존 방법에 비해 우수한 정확도를 보인다.

ABSTRACT

Network Traffic Matrix (TM) prediction is defined as the problem of estimating future network traffic from the previous and achieved network traffic data. It is widely used in network planning, resource management and network security. Long Short-Term Memory (LSTM) is a specific recurrent neural network (RNN) architecture that is well-suited to learn from experience to classify, process and predict time series with time lags of unknown size. LSTMs have been shown to model temporal sequences and their long-range dependencies more accurately than conventional RNNs. In this paper, we propose a LSTM RNN framework for predicting short and long term Traffic Matrix (TM) in large networks. By validating our framework on real-world data from GEANT network, we show that our LSTM models converge quickly and give state of the art TM prediction performance for relatively small sized models.

연구 동기 및 목표

• 모티베이션: 네트워크 계획, 자원 관리, 이상 탐지를 위한 정확한 단기 트래픽 매트릭스 예측.
• 목표: 대형 네트워크에서 트래픽 매트릭스를 효율적으로 예측할 수 있는 LSTM RNN 프레임워크를 개발한다.
• 목적: 실제 백본 데이터에서 빠른 수렴과 높은 예측 정확도를 입증한다.
• 접근법: OD 트래픽의 시간 의존성을 활용하여 선형 및 FFNN 방법보다 예측 품질을 향상시킨다.

제안 방법

• 각 TM Yt를 행을 연결해 트래픽 벡터 Xt로 구성한 벡터로 변환한다.
• 연속 예측을 위해 W크기의 학습-창을 사용해 N^2 크기의 학습-히스토리 행렬 M을 구축한다.
• 준비된 데이터를 사용해 LSTM RNN을 학습시켜 다음 트래픽 벡터 Xt를 예측한다.
• GÉANT의 실제 데이터 세트를 이용해 예측 성능을 평균 제곱 오차(MSE)로 평가한다.
• LSTM 성능을 선형 예측기 및 FFNN과 비교한다.

실험 결과

연구 질문

• RQ1 역사 TM 데이터로부터 대규모 트래픽 매트릭스를 LSTM RNN 프레임워크가 정확하게 예측할 수 있는가?
• RQ2 슬라이딩 학습 창을 사용하면 실시간 또는 근실시간으로 TM 예측이 가능하며 계산은 관리 가능한가?
• RQ3 실제 백본 네트워크 데이터에서 LSTM 기반 TM 예측은 정확도 측면에서 전통적인 선형 모델 및 FFNN과 어떻게 비교되는가?

주요 결과

• LSTM 모델은 TM 예측 작업에서 빠르게 수렴한다.
• 상대적으로 작은 모델 크기로 LSTM 기반 TM 예측이 최첨단 정확도를 달성한다.
• 평가된 데이터에서 이 방법은 전통적 선형 예측기와 FFNN보다 큰 폭으로 우수하다.
• 슬라이딩 윈도우를 사용한 예측은 연속적이고 거의 실시간에 근접한 예측을 가능하게 하며 계산 시간도 실현 가능하다.