표제지
목차
요약 11
I. 서론 13
1.1. 연구 배경 및 필요성 13
1.2. 연구 목적 16
1.3. 논문의 구성 17
II. 선행 연구 19
2.1. 네트워크 가상화 19
2.1.1. 전통적 가상화 기법 20
2.1.2. 현대적 가상화 기법 27
2.1.3. 네트워크 가상화 환경의 자원 관리 32
2.2. 통계적 기법의 시계열 예측 36
2.2.1. 탐색적 기법 36
2.2.2. 확률기반 기법 38
2.3. 인공지능 방법의 시계열 예측 40
2.3.1. 시계열 예측과 인공지능 40
2.3.2. 딥러닝 기법 42
2.4. 개방형 시스템 45
2.4.1. 오픈 소스 45
2.4.2. 아파치 하둡 45
2.4.3. GitHub 46
III. 방법론 및 실험 절차 47
3.1. 연구 방법론 47
3.2. 문제 정의 48
3.3. 정보 수집 49
3.3.1. 네트워크 데이터의 수집 49
3.3.2. 서버 데이터의 수집 51
3.3.3. 데이터 전처리 52
3.4. 예비 분석 53
3.4.1. 데이터 패턴 53
3.4.2. 데이터 상관 분석 55
3.5. 모델의 선택과 피팅 57
3.5.1. 평활화 기법 57
3.5.2. ARIMA/SARIMA 모형 57
3.5.3. 딥러닝 예측 모델 59
3.6. 성능 평가 60
IV. 실험 결과 및 성능 분석 62
4.1. 실험 환경 62
4.2. 전용회선 사용량의 실험 결과 63
4.2.1. 통계적 방법 63
4.2.2. 딥러닝에 의한 방법 70
4.2.3. 성능 비교 및 실험 결과 분석 77
4.3. 서버 CPU 사용량의 실험 결과 80
4.3.1. 통계적 방법 80
4.3.2. 딥러닝에 의한 방법 89
4.3.3. 성능 비교 및 실험 결과 분석 96
4.4. 실험 결과 요약 99
V. 결론 및 향후 과제 103
5.1. 연구의 요약 103
5.2. 연구의 한계 및 향후 연구 방향 105
참고문헌 107
부록 112
Abstract 113
〈표 1〉 소프트웨어 공학 개발 방법론의 발전 13
〈표 2〉 네트워크의 발전과 진화 15
〈표 3〉 IPSEC과 SSL VPN 비교 25
〈표 4〉 기존 네트워크의 구조적 특징 및 문제점 28
〈표 5〉 SDN과 NFV 비교 31
〈표 6〉 예측 작업의 단계 47
〈표 7〉 데이터 전처리 53
〈표 8〉 각 수집 데이터의 패턴 비교 55
〈표 9〉 각 수집 데이터의 상관 계수 56
〈표 10〉 사용량 시계열 데이터 분석을 위한 분해 58
〈표 11〉 실험 환경 62
〈표 12〉 평균 기간(n) 변화에 따른 네트워크 이용률 성능 63
〈표 13〉 이동평균법에 의한 네트워크 이용률 예측 성능 64
〈표 14〉 평활 계수(α) 변화에 따른 네트워크 이용률 성능 65
〈표 15〉 지수평활법에 의한 네트워크 이용률 예측 성능 66
〈표 16〉 SARIMA에 의한 네트워크 이용률 예측 성능(1일 주기) 68
〈표 17〉 SARIMA에 의한 네트워크 이용률 예측 성능(7일 주기) 69
〈표 18〉 RNN에 의한 네트워크 이용률 예측 성능 71
〈표 19〉 RNN에 의한 네트워크 이용률 예측 성능(파라미터 개선) 72
〈표 20〉 LSTM에 의한 네트워크 이용률 예측 성능 74
〈표 21〉 LSTM에 의한 네트워크 이용률 예측 성능(파라미터 개선) 75
〈표 22〉 네트워크 이용률 딥러닝 파라미터에 따른 학습 곡선 77
〈표 23〉 각 기법에 따른 네트워크 이용률 성능 비교 78
〈표 24〉 평균 기간(n) 변화에 따른 서버 이용률 성능 80
〈표 25〉 이동평균법에 의한 서버 이용률 예측 성능 81
〈표 26〉 평활 계수(α) 변화에 따른 서버 이용률 성능 82
〈표 27〉 지수평활법에 의한 서버 이용률 예측 성능 83
〈표 28〉 SARIMA에 의한 서버 이용률 예측 성능(1일 주기) 85
〈표 29〉 SARIMA에 의한 서버 이용률 예측 성능(7일 주기) 86
〈표 30〉 서버 CPU 이용률 성능 변화 분석 88
〈표 31〉 RNN에 의한 서버 이용률 예측 성능 90
〈표 32〉 RNN에 의한 서버 이용률 예측 성능 (파리미터 개선) 91
〈표 33〉 LSTM에 의한 서버 이용률 예측 성능 93
〈표 34〉 LSTM에 의한 서버 이용률 예측 성능 (파리미터 개선) 94
〈표 35〉 서버 이용률 딥러닝 파라미터에 따른 학습 곡선 95
〈표 36〉 각 기법에 따른 서버 이용률 성능 비교 96
〈표 37〉 전체 성능 요약 99
〈표 38〉 전체 성능 요약 그래프 102
〈그림 1〉 전 세계 인터넷 트래픽 변화 (1990~2017) 14
〈그림 2〉 일반적인 시스템(좌)와 가상화 시스템(우) 19
〈그림 3〉 VLAN 네트워크의 구성 21
〈그림 4〉 IEEE 802.1Q 데이터 형식 22
〈그림 5〉 가상 회선의 동작 23
〈그림 6〉 VXLAN 구성 네트워크 26
〈그림 7〉 다수의 VRF 구성 26
〈그림 8〉 SDN 계층 구조 29
〈그림 9〉 NFV 구조 30
〈그림 10〉 가상화 환경의 자원 관리 32
〈그림 11〉 자원의 오버 프로비저닝과 언더 프로비저닝 33
〈그림 12〉 실시간으로 지원되는 탄력적 자원 할당 34
〈그림 13〉 인공지능, 머신러닝 및 딥러닝의 관계 41
〈그림 14〉 딥러닝 신경망의 구조 41
〈그림 15〉 시계열 데이터의 슬라이딩 윈도우 적용 42
〈그림 16〉 순환 신경망의 학습 유형 43
〈그림 17〉 RNN 구조 44
〈그림 18〉 LSTM 구조 44
〈그림 19〉 실험 시스템 구성도 48
〈그림 20〉 SNMP를 이용한 전용회선 데이터 수집 50
〈그림 21〉 SNMP를 이용한 전용회선 사용률 계산 51
〈그림 22〉 sar를 이용한 서버 CPU 사용률 데이터 수집 52
〈그림 23〉 수집 데이터의 일 패턴(좌), 주 패턴(우) 54
〈그림 24〉 수집 데이터의 월 패턴 54
〈그림 25〉 학습데이터와 테스트데이터의 분류 60