PE Notes · 네트워크

SDN과 머신러닝 자원 최적화

SDN 컨트롤러가 모은 텔레메트리에 예측·이상 탐지·강화학습 경로·에너지 절전을 올려, 규칙을 사람이 쓰지 않고 플로우 표에 넣는 닫힌 최적화를 정리합니다.

2026-09-14

은 망을 프로그램할 수 있게 했지만, 수천 플로우의 규칙을 사람이 따라잡지는 못합니다. 트래픽은 시각마다 바뀌고, 혼잡은 이미 난 뒤에야 보입니다. 컨트롤러가 보는 전역 시야에 학습을 붙이면, 예측하고 가르고 경로를 바꾸며 쉬는 장비를 끕니다.

수집이 있어야 정책이 산다

데이터 평면은 스위치·라우터의 통계와 플로우를 올립니다. 제어 평면의 ML 엔진이 패턴을 읽고 다음 동작을 정합니다. 응용 평면은 그 결정을 플로우 규칙으로 바꿔 로 내립니다. 북쪽은 의도, 남쪽은 표입니다.

트래픽 분류·예측은 화상·파일·제어를 가려 를 미리 예약합니다. 이상 탐지는 정상 분포를 배운 뒤 ·스캔·C&C를 끊습니다. 경로 최적화는 부하를 보고 흘립니다.

과 ARIMA는 수십 분 뒤 볼륨을 보고, 피크 전에 대역을 밀어 둡니다. ·Isolation Forest는 서명 없는 이상에 가깝습니다. 시그니처 IDS가 놓치는 날을, 컨트롤러가 바로 격리합니다.

의 상태는 링크 부하·지연·손실입니다. 행동은 플로우를 다른 길로 돌리거나 대역·QoS를 고치는 일입니다. 보상은 처리량은 올리고 지연·손실은 낮추는 가중치입니다. 에이전트는 컨트롤러 안에 앉습니다.

DQN은 경로처럼 이산 선택에 맞고, 액터-크리틱·PPO는 대역처럼 연속 값에 확장됩니다. 도메인이 나뉘면 에이전트가 여럿입니다. 토픽의 분산 계산 위에, 중앙 정책이 겹칩니다.

에너지도 같은 고리입니다. 한산한 시간대에 트래픽을 소수 링크로 모으면 유휴 포트·상자를 슬립합니다. 예측이 틀리면 절전이 혼잡이 되므로, 용량 여유를 남기고 끕니다.

sFlow는 샘플, NetFlow·IPFIX는 플로우 통계, 는 패킷이 지나며 지연·혼잡을 자기 안에 적습니다. OpenConfig와 스트리밍 텔레메트리는 주기를 짧게 합니다. 레이블이 없으면 지도학습이 버티지 못합니다.

대형 WAN은 링크를 거의 가득 채운 사례가 있고, 클라우드는 SLA를 자동으로 지킵니다. 6G 쪽 그림은 처음부터 학습이 설계에 들어가는 자율 망입니다. 디지털 트윈에서 정책을 굴린 뒤 실제 망에 내리고, 장애는 나기 전에 우회합니다.

추론이 느리면 최적화 자체가 지연입니다. 엣지에서 가볍게 돌리고, 한 근거를 로그에 남깁니다. 블랙박스 한 방이 전 사이트 경로를 뒤집지 않게 가드레일을 둡니다.