그래프 신경망으로 네트워크 트래픽(NetFlow) 예측하기

최근 네트워크 트래픽 분석 분야에서 개별 흐름 수준의 정확한 예측은 매우 중요합니다. 본 논문은 이러한 요구사항에 맞춰 그래프 구조와 연결 특징을 통합적으로 모델링하는 개념 증명(Proof-of-Concept, PoC) Graph Neural Network (GNN) 모델을 제안합니다.

1. 데이터 전처리 및 그래프 구성:
본 연구에서는 네트워크 트래픽 데이터를 처리하기 위해 슬라이딩 윈도우(sliding-windows) 기법을 사용합니다. 이 방식을 통해 IP, Port, Connection 노드를 포함하는 크기가 동일한 이종 양방향 그래프(heterogeneous bidirectional graphs)로 네트워크 트래픽을 분할합니다. 이러한 그래프 구조는 단순히 시간 순서대로 데이터를 처리하는 것을 넘어, 데이터 내의 복잡한 관계성(relationship)과 연결성을 모델링할 수 있게 합니다.

2. GNN 기반 예측 모델:
핵심은 제안된 GNN 아키텍처를 활용하여 네트워크 흐름 수준 트래픽(NetFlow)을 예측하는 것입니다. 이 GNN은 단순히 노드나 엣지의 특징만을 학습하는 것이 아니라, **그래프 구조 자체의 진화(evolution)**와 연결 특징(connection features)의 변화 양상을 동시에 모델링합니다.

3. 성능 및 강점:
본 접근 방식의 주요 성과는 다음과 같습니다:

• 정확한 식별 능력: 특히 트래픽 연결이 부착되는 특정 포트(Port)와 IP 주소(IP)를 정확하게 식별하는 데 있어 탁월한 성능을 입증했습니다.
• 경쟁력 있는 재구성: 특징 재구성(feature reconstruction) 측면에서도 기존의 강력한 예측 기준선(strong forecasting baselines)과 경쟁할 수 있을 만큼 우수한 성능을 보여주었습니다.

결론적으로, 본 연구는 GNN이 개별 흐름 단위의 NetFlow 예측에 어떻게 효과적으로 적용될 수 있는지 명확하게 보여주는 사례를 제시하며, 네트워크 보안 및 자원 관리에 있어 새로운 패러다임을 제시합니다.