[논문 리뷰] A Review of Network Traffic Analysis and Prediction Techniques

Manish Joshi, Theyazn Hassn Hadi|arXiv (Cornell University)|2015. 07. 21.

Internet Traffic Analysis and Secure E-voting참고 문헌 19인용 수 111

한 줄 요약

이 논문은 네트워크 트래픽 분석 및 예측 기법에 대한 종합적인 설문 조사 결과를 제시하며, 신경망 기반, 데이터 마이닝, 선형/비선형 모델링 접근법을 검토한다. 이러한 방법의 강점, 한계 및 통합 전략을 평가하여 현재의 연구 동향과 네트워크 신뢰성 및 보안 향상에 효과적인 조합에 대한 체계적인 개요를 제공한다.

ABSTRACT

Analysis and prediction of network traffic has applications in wide comprehensive set of areas and has newly attracted significant number of studies. Different kinds of experiments are conducted and summarized to identify various problems in existing computer network applications. Network traffic analysis and prediction is a proactive approach to ensure secure, reliable and qualitative network communication. Various techniques are proposed and experimented for analyzing network traffic including neural network based techniques to data mining techniques. Similarly, various Linear and non-linear models are proposed for network traffic prediction. Several interesting combinations of network analysis and prediction techniques are implemented to attain efficient and effective results. This paper presents a survey on various such network analysis and traffic prediction techniques. The uniqueness and rules of previous studies are investigated. Moreover, various accomplished areas of analysis and prediction of network traffic have been summed.

연구 동기 및 목표

• 기존의 네트워크 트래픽 분석 및 예측 기법에 대한 체계적인 리뷰를 제공하는 것.
• 현재 네트워크 트래픽 모델링 접근법의 격차와 과제를 규명하는 것.
• 기계 학습 및 통계 모델을 포함한 다양한 기법의 효과성을 평가하는 것.
• 향상된 네트워크 성능을 위한 분석 및 예측 방법의 성공적인 조합을 부각하는 것.
• 현재 달성된 분야와 네트워크 트래픽 연구 분야의 새로운 추세를 요약함으로써 향후 연구를 안내하는 것.

제안 방법

• 2005년에서 2015년 사이의 네트워크 트래픽 분석 및 예측에 관한 동료 심사 논문을 조사하는 것.
• 기법을 신경망, 데이터 마이닝, 선형 모델, 비선형 모델로 분류하는 것.
• 이전에 발표된 연구의 규칙, 독창성 및 구현 세부 사항을 분석하는 것.
• 다양한 예측 및 분석 기법 간의 성능 지표 및 적용 맥락을 비교하는 것.
• 정확도와 강건성을 향상시키기 위해 다수의 기법을 통합하는 하이브리드 접근법을 평가하는 것.
• 응용 분야와 방법론적 효과성 기반으로 발견된 결과를 체계적인 프레임워크로 정리하는 것.

실험 결과

연구 질문

• RQ1 분석 및 예측에 있어 가장 효과적인 기법은 무엇인가?
• RQ2 신경망 기반 방법은 전통적인 통계 모델에 비해 트래픽 예측에서 어떻게 비교되는가?
• RQ3 현재 네트워크 트래픽 분석 및 예측 연구에서 주요 과제와 한계는 무엇인가?
• RQ4 분석 및 예측 기법의 어떤 조합이 가장 효과적인 결과를 낳는가?
• RQ5 기존 연구에서 지배적인 응용 분야와 성능 지표는 무엇인가?

주요 결과

• 신경망 기반 기법은 복잡한 비선형 트래픽 패턴을 잘 포착하는 데 뛰어난 성능을 보인다.
• 데이터 마이닝 기법은 트래픽 이면의 이질성과 행동적 추세를 식별하는 데 효과적이다.
• ARIMA와 같은 선형 모델은 단순성과 해석 가능성 덕분에 여전히 널리 사용된다.
• 서포트 벡터 기반 모델 및 웨이블릿 기반 접근법과 같은 비선형 모델은 동적 환경에서 예측 정확도를 향상시킨다.
• 다양한 기법을 통합한 하이브리드 모델은 단일 기법 접근법에 비해 뛰어난 성능을 보인다.
• 분석 및 예측 기법의 통합은 네트워크 신뢰성 및 보안 결과를 크게 향상시킨다.