Machine Learning-based Network and System Performance Prediction
연구 내용
SDN 제어 트래픽과 BaaS 스케일링 구성의 성능을 데이터 기반으로 예측하여 네트워크 운영 및 자원 계획의 시행착오를 줄이는 연구
SDN과 클라우드 서비스 운영에서는 제어 트래픽과 스케일링 구성에 따른 성능 변동을 정확히 예측해야 안정적인 운영과 자원 계획이 가능합니다. 본 연구는 SDN 시스템의 이기종성으로 인해 기존 기술이 특정 인스턴스에만 맞춰져 성능 편차가 발생하는 문제를 다룹니다. 이를 위해 학습 데이터 생성과 모델 탐색, 토폴로지 차이에 대한 견고성을 함께 고려하는 머신러닝 프레임워크를 구축하고 제어 트래픽 처리량을 예측하도록 설계합니다. 또한 permissioned blockchain BaaS에서 수평 및 수직 스케일링 구성이 신뢰성과 처리량에 미치는 영향을 예측 모델로 연결합니다. 더 나아가 LLM 추론에서 병렬화, 배치 사이즈, GPU 통신 및 메모리 점유를 프로파일링하여 추론 시스템 설계에 필요한 자원 기반 인사이트를 제공합니다.
관련 연구 성과
관련 논문
3편
관련 특허
0건
관련 프로젝트
2건
연구 흐름
초기에는 SDN 제어 트래픽 예측이 서술형 모델에 의존해 단일 환경에 편중되는 한계를 확인하고, 네트워크 인스턴스마다 성능 오차가 커지는 원인을 데이터 이기종성에서 찾았습니다. 이후 스스로 데이터를 생성하고 적합한 예측 모델을 탐색하며 토폴로지 변동에도 성능이 유지되는 구조로 확장하는 연구를 수행했습니다. 그 다음에는 블록체인-as-a-service에서 스케일링 구성에 따른 성능과 신뢰성 변화를 예측 모델로 전환하여 운영자의 시행착오를 줄이는 방향으로 확장했습니다. 최근에는 LLM 추론 자원 사용을 체계적으로 프로파일링하고 배치 및 병렬화 전략과의 관계를 분석하여, 이기종 GPU 환경의 분산 학습 자동 공급 및 스케줄링 연구와 연결하는 흐름을 이어가고 있습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
Machine Learning-Based Prediction Models for Control Traffic in SDN Systems
Prediction of permissioned blockchain performance for resource scaling configurations
An Analysis on Inference Time, Accuracy, Communication, and GPU Memory Usage for Inference Batch of Large Language Models
관련 프로젝트
구분
제목
이기종 GPU 환경에서 분산 학습 자동공급 및 스케줄링 기술 연구
이기종 GPU 환경에서 분산 학습 자동공급 및 스케줄링 기술 연구