디지털 트윈 네트워크의 네트워크 트래픽 예측

디지털 트윈 네트워크의 네트워크 트래픽 예측: Comparison

Please note this is a comparison between Version 1 by Hyeju Shin and Version 3 by Sirius Huang.

Due to the spread of realistic services such as virtual reality가상현실/augmented reality, hologram content, and metaverse, communication networks are becoming more complex, and network management is becoming more complex accordingly. Digital twin network technology, which applies digital twin technology to the communications network field, is predicted to be an effective means of managing complex modern networks증강현실, 홀로그램 콘텐츠, 메타버스 등 실감형 서비스의 확산으로 인해 통신 네트워크가 복잡해지고, 그에 따라 네트워크 관리도 복잡해지고 있습니다. 디지털 트윈 기술을 통신 네트워크 분야에 적용한 디지털 트윈 네트워크 기술은 복잡한 현대 네트워크를 관리하는 효과적인 수단이 될 것으로 예측됐다.

digital twin network
artificial intelligence
traffic prediction
graph neural network
data pipeline
data processing

1. Introduction소개

With the emergence of immersive services가상현실/증강현실, including홀로그램 virtual reality/augmented reality, hologram content, and the metaverse, communication networks are becoming increasingly complex, thereby enhancing the complexity of network콘텐츠, 메타버스 등 실감형 서비스의 등장으로 통신 네트워크는 점점 더 복잡해지고 있으며, 이에 따라 네트워크 관리의 복잡성도 높아지고 있다[1 management] ^[1]. The디지털 digital twin network (DTN) or the network digital twin (NDT), a technology that integrates the digital twin (DT) with communication networks, has emerged as a promising new intelligent network management technology트윈(DT)과 통신 네트워크를 통합하는 기술인 디지털 트윈 네트워크(DTN) 또는 네트워크 디지털 트윈(NDT)은 이러한 정교한 네트워크를 효율적으로 처리할 수 있는 유망한 새로운 지능형 네트워크 관리 기술로 떠오르고 to있다 . efficiently]. handle these sophisticated networks시뮬레이션 및 컴퓨팅 기술의 ^[2][3].발전과 The함께 role of DT technology has grown in다양한 분야에서 DT 기술의 역할이 중요해지고 있습니다[ importance4 across]. a variety of fields in스마트 시티를 포함한 디지털 도시[ parallel5 with, the6 advancement, of7 simulation]와 and computing technology스마트 팩토리를 포함한 ^[4].지능형 There제조 is기술[ active8 research in digital cities, including smart9 cities ^[5][6][7], and10 intelligent]에 manufacturing technologies, including smart factories ^[8][9][10]대한 연구가 활발히 진행되고 있습니다. DT물리적 technology, which links physical space with virtual digital space, enables real-time data management based on physical models along with the full lifecycle operation and maintenance of data. This can be achieved by integrating a multi-variable, multi-scale, and multi-probability based computer simulation process to generate a virtual twin entity corresponding to the physical entity. Furthermore, it can mimic all states of the physical entity in real time, providing high fidelity and high integration. This enables the monitoring of the entity’s condition throughout the lifecycle공간과 가상의 디지털 공간을 연결하는 DT 기술은 데이터의 전체 라이프사이클 운영 및 유지 관리와 함께 물리적 모델을 기반으로 실시간 데이터 관리를 가능하게 합니다. 이는 다중 변수, 다중 규모 및 다중 확률 기반 컴퓨터 시뮬레이션 프로세스를 통합하여 물리적 엔터티에 해당하는 가상 트윈 엔터티를 생성함으로써 달성될 수 있습니다. 또한 물리적 개체의 모든 상태를 실시간으로 모방할 수 있어 높은 충실도와 높은 통합성을 제공합니다. 이를 통해 수명주기 프로세스 전반에 걸쳐 엔터티의 상태를 모니터링할 수 있습니다[ process11 ^[11]]. In the DTN, physical entities represent actual physical network systems that exist in the real world. These entities can be mapped to virtual twin networks in the digital domain to facilitate the에서 물리적 개체는 현실 세계에 존재하는 실제 물리적 네트워크 시스템을 나타냅니다. 이러한 엔터티는 디지털 도메인의 가상 트윈 네트워크에 매핑되어 복잡한 네트워크의 포괄적인 관리를 용이하게 할 수 있습니다.

이러한 comprehensive맥락에서 management of complex networks. In가상 현실의 실제 환경을 this정확하게 context, accurate modeling of the real environment in virtual reality has a significant impact on the performance of모델링하는 것은 DTN 성능에 중요한 영향을 미칩니다. 이에 따라 정확한 시뮬레이션을 위한 교통 흐름 모델링에 관한 다양한 연구[ the12 DTN. Accordingly, various13 researches ^[12][13][14] on modeling traffic flow for accurate simulation, standardization,14 and]와 research on DTN architecture have been conducted togetherDTN 아키텍처에 대한 연구가 함께 진행되었다[ ^{[2][15][16][17][18][19]}.2 However, the15 existing, architectures16 are abstracted, making17 it, difficult18 to, confirm19 the]. specific data flows for the actual DTN implementation. According to그러나 기존 아키텍처는 추상화되어 있어 실제 DTN 구현을 위한 구체적인 ^[20],데이터 the흐름을 data collection,확인하기가 어렵습니다. storage,[ 20 processing,] and provisioning processes based on the data types should be provided for communication network management. In addition, according to에 따르면 , 통신망 관리를 위해 데이터 유형에 따른 데이터 수집, 저장, 처리, 프로비저닝 프로세스가 제공되어야 한다. 또한 [ ^[21],21 the]에 network state data can be classified by role, and appropriate data-processing processes are required for DTN configuration따르면 네트워크 상태 데이터를 역할별로 분류할 수 있으며, DTN 구성을 위해서는 적절한 데이터 처리 과정이 필요하다.

2. Software-Defined소프트웨어 정의 Networks네트워크

SDN은 refers to the technology that separates the hardware and네트워크 장비의 하드웨어 기능과 소프트웨어 기능을 분리하는 기술을 말한다[ software22 functions of network equipment ^[22]]. Through이러한 this separation, the hardware realm assumes the role of the data plane, transmitting the data. The software realm is divided into the control and application planes분리를 통해 하드웨어 영역은 데이터를 전송하는 데이터 평면의 역할을 맡습니다. 소프트웨어 영역은 제어 영역과 애플리케이션 영역으로 구분됩니다. As shown in Figure그림 1, the control plane can be considered to be the area where network policies are applied. It can be logically centralized and programmed via an SDN controller. This provides flexibility in network control, flow management, and congestion control. The application plane functions as the user support plane and performs policy implementation tasks에서 볼 수 있듯이 컨트롤 플레인은 네트워크 정책이 적용되는 영역으로 간주할 수 있습니다. SDN 컨트롤러를 통해 논리적으로 중앙 집중화하고 프로그래밍할 수 있습니다. 이는 네트워크 제어, 흐름 관리 및 혼잡 제어에 유연성을 제공합니다. 애플리케이션 플레인은 사용자 지원 플레인으로 기능하고 정책 구현 작업을 수행합니다.

Figure그림 1. SDN architecture overview.

SDN 아키텍처 개요

Traditional기존 network네트워크 equipment suffers from a strong hardware dependency. This leads to difficulties in integrated management due to closed designs. An example of this issue would be the use of different custom semiconductors by different equipment vendors. SDN, on the other hand, keeps only the data transmission processing within the network infrastructure and delegates the remaining functions such as configuration, access control lists, and provisioning to a controller. This approach enables the network to be operated easily and quickly and provides flexible and장비는 하드웨어 의존성이 강합니다. 이는 폐쇄형 설계로 인해 통합관리에 어려움이 따른다. 이 문제의 예는 다양한 장비 공급업체가 다양한 맞춤형 반도체를 사용하는 것입니다. 반면 SDN은 네트워크 인프라 내에서 데이터 전송 처리만 유지하고 구성, 액세스 제어 목록, 프로비저닝 등 나머지 기능을 컨트롤러에 위임합니다. 이러한 접근 방식을 통해 네트워크를 쉽고 빠르게 운영할 수 있으며 유연하고 효율적인 네트워크 관리가 가능합니다[ efficient23 network management ^[23]]. It이는 combines all pieces of the network equipment into an intelligent system and solves the scalability problems intrinsic to traditional centralized structures네트워크 장비의 모든 부분을 지능형 시스템으로 결합하고 기존 중앙 집중식 구조에 내재된 확장성 문제를 해결합니다. SDN은 is an innovative paradigm in networking and offers on-demand resource allocation, easy reconfiguration, and programmable network management. The separation of the control and data planes in the network enables the flexible and네트워킹의 혁신적인 패러다임이며 주문형 리소스 할당, 쉬운 재구성 및 프로그래밍 가능한 네트워크 관리를 제공합니다. 네트워크에서 제어 평면과 데이터 평면을 분리하면 네트워크 관리 및 제어를 유연하고 일관되게 실행할 수 있습니다[ consistent24 execution of network management and control ^[24]]. As a result결과적으로, the adjustment of the allocated bandwidth and paths for user services becomes dynamically manageable, facilitating traffic control and management. To this end, the SDN control plane collects real-time network status information from the data plane. It can provide a path that meets quality-of-service requirements between communicating endpoints according to user requirements사용자 서비스에 할당된 대역폭과 경로의 조정이 동적으로 관리 가능해지며 트래픽 제어 및 관리가 용이해집니다. 이를 위해 SDN 제어 평면은 데이터 평면에서 실시간 네트워크 상태 정보를 수집합니다. 사용자 요구 사항에 따라 통신 엔드포인트 간의 서비스 품질 요구 사항을 충족하는 경로를 제공할 수 있습니다. The추상화된 creation of intelligent networks has become achievable via the abstracted central controller. Network intelligence is enhanced via programmable software applications at the network control plane and the integration of AI. Recently, the emergence of the DTN and network management technology has facilitated the discussion of network automation technologies based on the SDN structure중앙 컨트롤러를 통해 지능형 네트워크의 생성이 가능해졌습니다. 네트워크 인텔리전스는 네트워크 제어 플레인의 프로그래밍 가능한 소프트웨어 애플리케이션과 AI 통합을 통해 향상됩니다. 최근 DTN과 네트워크 관리 기술의 등장으로 SDN 구조를 기반으로 한 네트워크 자동화 기술에 대한 논의가 활발해지고 있다.

3. Digital디지털 Twin Network

트윈 네트워크

The DTN refers to a technology that efficiently analyzes, diagnoses, simulates, and controls physical networks using the data and models within a virtual digital network that is constructed using은 다양한 네트워크 관리 시스템과 애플리케이션 전반에 걸쳐 DT 기술을 이용하여 구축된 가상 디지털 네트워크 내에서 데이터와 모델을 이용하여 물리적 네트워크를 효율적으로 분석, 진단, 시뮬레이션, 제어하는 기술을 말한다[15 DT, technology16 across] various network management systems and applications ^[15][16]. According이 to this definition, four key elements are required for a DTN: data, model, mapping, and interface. The정의에 따르면 DTN에는 데이터, 모델, 매핑 및 인터페이스의 data네 are the foundation for가지 핵심 요소가 필요합니다. 데이터는 building a DTN, and building an integrated data-sharing warehouse that acts as a single source of truth for the DTN facilitates the efficient storage of physical network configurations, topology, operational status data, logs, user business records, and real-time data, thereby providing data services to the network twin. The model acts as a functional source for the DTN, creating a variety of model instances via flexible combinations to provide different network applications. Mapping is required to provide a high-fidelity visualization of the physical network entities using the virtual twin network. This differentiates the DTN from a network simulation system and allows it to accurately model the state and behavior of physical network entities. The interface is a key technology for achieving physical–virtual synchronization. It connects the network service applications and physical network entities using standardized interfaces which collect and control real-time information about the physical network. This facilitates timely diagnosis and analysis. Physical–virtual synchronization is the process of updating a virtual twin entity based on the state of a physical entity. This can be achieved by collecting real-time data using an interface. Additionally, the optimized results derived from the DTN can be distributed to the physical network and controlled using the interface 구축의 기반이며, DTN의 단일 진실 소스 역할을 하는 통합 데이터 공유 웨어하우스를 구축하면 물리적 네트워크 구성, 토폴로지, 운영 상태 데이터, 로그, 사용자 비즈니스 기록, 실시간 데이터를 통해 네트워크 트윈에 데이터 서비스를 제공합니다. 모델은 DTN의 기능 소스 역할을 하며 유연한 조합을 통해 다양한 모델 인스턴스를 생성하여 다양한 네트워크 애플리케이션을 제공합니다. 가상 트윈 네트워크를 사용하여 물리적 네트워크 엔터티의 충실도 높은 시각화를 제공하려면 매핑이 필요합니다. 이는 DTN을 네트워크 시뮬레이션 시스템과 차별화하며 물리적 네트워크 엔터티의 상태와 동작을 정확하게 모델링할 수 있게 해줍니다. 인터페이스는 물리적-가상 동기화를 달성하기 위한 핵심 기술입니다. 물리적 네트워크에 대한 실시간 정보를 수집하고 제어하는 표준화된 인터페이스를 사용하여 네트워크 서비스 애플리케이션과 물리적 네트워크 엔터티를 연결합니다. 이를 통해 시기적절한 진단과 분석이 용이해집니다. 실제-가상 동기화는 실제 엔터티의 상태를 기반으로 가상 쌍 엔터티를 업데이트하는 프로세스입니다. 이는 인터페이스를 사용하여 실시간 데이터를 수집함으로써 달성할 수 있습니다. 또한 DTN에서 도출된 최적화된 결과를 물리적 네트워크에 배포하고 인터페이스를 통해 제어할 수 있습니다. A이 twin network built on these four elements provides the analysis, diagnosis, simulation, and control of the physical network throughout its entire lifecycle using optimization algorithms, management methods, and expert knowledge. In the 네 가지 요소를 기반으로 구축된 트윈 네트워크는 최적화 알고리즘, 관리 방법 및 전문 지식을 사용하여 전체 수명주기 동안 물리적 네트워크에 대한 분석, 진단, 시뮬레이션 및 제어를 제공합니다. IRTF(Internet Research Task Force (IRTF), the reference architecture of the DTN is presented)에서는 이러한 핵심 요소의 정의에 따라 DTN의 참조 아키텍처를 as그림 2와 a같이 structure that includes three layers and three domains, as3개의 레이어와 3개의 도메인을 포함하는 구조로 제시하고 있습니다 [ shown15 in Figure 2, according to the definition of these key elements ^[15]]. The세 three layers are the physical network layer가지 계층은 물리적 네트워크 계층, DTN layer, and network application layer. The three domains within the DTN layer represent the data domain, model domain, and management domain, which correspond to the data repository, service mapping model, and DTN management module subsystems, respectively. Here, the subsystem refers to one of the elements that make up the system, and it also means that it is a system in itself계층 및 네트워크 애플리케이션 계층입니다. DTN 계층 내의 세 가지 도메인은 각각 데이터 저장소, 서비스 매핑 모델 및 DTN 관리 모듈 하위 시스템에 해당하는 데이터 도메인, 모델 도메인 및 관리 도메인을 나타냅니다. 여기서 서브시스템이란 시스템을 구성하는 요소 중 하나를 의미하며, 그 자체가 시스템이라는 뜻이기도 하다.

Figure그림 2. DTN reference architecture.

DTN 참조 아키텍처.

The물리적 physical네트워크 network layer consists of physical network equipment that exchanges the network data and control information with the DTN layer via the southbound interface (SBI). This layer can consist of various types of physical networks, including mobile access networks, transport networks, mobile core networks, backbone networks, data centers, enterprise networks, and the industrial Internet of Things. The DTN layer consists of three subsystems: a data repository, a service mapping model, and DTN management. The data repository collects and stores a wide range of network data and provides an integrated interface to the service mapping model, facilitating the mapping of data-to-data services and models. The service mapping model completes the data-based modeling and provides data model instances for different network applications, maximizing the flexibility and programmability of network services. The network application layer communicates requirements to the twin network layer via the northbound interface (NBI) and provides services to the twin network layer using the modeled instances. After extensive validation, the twin network layer pushes control updates to the physical network equipment via the SBI계층은 SBI(Southbound Interface)를 통해 DTN 계층과 네트워크 데이터 및 제어 정보를 교환하는 물리적 네트워크 장비로 구성됩니다. 이 계층은 모바일 액세스 네트워크, 전송 네트워크, 모바일 코어 네트워크, 백본 네트워크, 데이터 센터, 기업 네트워크, 산업용 사물 인터넷을 비롯한 다양한 유형의 물리적 네트워크로 구성될 수 있습니다. DTN 계층은 데이터 저장소, 서비스 매핑 모델 및 DTN 관리의 세 가지 하위 시스템으로 구성됩니다. 데이터 저장소는 광범위한 네트워크 데이터를 수집 및 저장하고 서비스 매핑 모델에 대한 통합 인터페이스를 제공하여 데이터 간 서비스 및 모델의 매핑을 용이하게 합니다. 서비스 매핑 모델은 데이터 기반 모델링을 완성하고 다양한 네트워크 애플리케이션에 대한 데이터 모델 인스턴스를 제공하여 네트워크 서비스의 유연성과 프로그래밍 가능성을 극대화합니다. 네트워크 애플리케이션 계층은 NBI(노스바운드 인터페이스)를 통해 트윈 네트워크 계층에 요구 사항을 전달하고 모델링된 인스턴스를 사용하여 트윈 네트워크 계층에 서비스를 제공합니다. 광범위한 검증 후 트윈 네트워크 계층은 SBI를 통해 물리적 네트워크 장비에 제어 업데이트를 푸시합니다. The use이러한 of such a DTN technology enables the rapid deployment of innovative network technologies and a wide range of applications such as network operation, maintenance, optimization, network visualization, intent verification, and network self-tuning devices. This can be achieved with lower cost, higher efficiency, and greater stability compared to traditional network services. To effectively use such a DTN, the accurate modeling of the actual network as a virtual twinDTN 기술을 사용하면 혁신적인 네트워크 기술과 네트워크 운영, 유지 관리, 최적화, 네트워크 시각화, 의도 검증, 네트워크 자체 조정 장치와 같은 광범위한 애플리케이션을 신속하게 배포할 수 있습니다. 이는 기존 네트워크 서비스에 비해 더 낮은 비용, 더 높은 효율성, 더 높은 안정성으로 달성될 수 있습니다. 이러한 DTN을 효과적으로 사용하기 위해서는 실제 네트워크를 가상 트윈 네트워크로 정확하게 모델링해야 하며[ network25 must], be ensuredAI 예측 ^[25],모델을 and활용하여 research is being conducted to model the future state of통신 네트워크 및 데이터의 미래 상태를 모델링하는 연구가 진행되고 있다[ communication26 networks, and27 data, using28 AI, prediction29 models ^{[26][27][28][29]}].

4. Network네트워크 Traffic Prediction트래픽 예측

Network네트워크 traffic트래픽 prediction is becoming increasingly complex and diverse and is considered very important for network operation예측은 점점 더 복잡해지고 다양해지고 있으며 네트워크 운영 및 관리에 있어 매우 중요한 부분으로 간주됩니다[ and30 management ^[30]]. This미래의 is because predicting future traffic conditions (e.g., delay, traffic volume, etc.) in advance can improve the network performance교통 상황(예: 지연, 교통량 등)을 미리 예측하면 네트워크 성능을 향상시킬 수 있기 때문입니다. In또한 DTN 물리 계층과 트윈 addition,계층 it can be used as a network analysis model to evaluate network policies before deploying network settings in the physical network within the closed loop between사이의 폐쇄 루프 내에서 물리적 네트워크에 네트워크 설정을 배포하기 전에 네트워크 정책을 평가 하고 이에 따라 네트워크 최적화 모델을 업데이트하는 네트워크 분석 모델로 사용할 수 있습니다. 교통 the예측 DTN physical layer and the twin layer작업을 위해 임의 길이의 대규모 시퀀스로부터 시간적 ^[12]패턴과 and장거리 update the network optimization model accordingly. Vario종속성을 학습할 수 있는 RNN(Recus studies based on recurrent nNeural nNetwork (RNN) models, which can learn temporal patterns) 모델을 기반으로 한 다양한 연구가 수행되었습니다[31 and, long-range32 dependencies from] large-scale sequences of arbitrary length, have been conducted for traffic prediction tasks ^[31][32]. Recently,최근에는 통신 네트워크 의 various공간적 studies have also been conducted using GNN models that can reflect the spatial characteristics특성을 반영하여 정확도를 향상시킬 수 있는 GNN 모델을 이용한 다양한 연구도 진행 되고 있다 of[ 12,33,34,35 ] communication networks to improve accuracy ^{[12][33][34][35]}. However,그러나 discussions are still ongoing regarding approaches for learning large amounts of the data generated in대규모 네트워크에서 실시간으로 생성되는 대량의 데이터를 학습하기 위한 접근 방식에 대해서는 여전히 논의가 진행 중이다[ real15 time, in16 large-scale networks ^[15][16]].