정교한 QoS 프로파일링을 통한 계층형 그래프 신경망 기반 미세 트래픽 분류

**1. 서론 및 연구 배경** 네트워크 트래픽 분류(NTC)는 엣지 컴퓨팅, 실시간 XR, 자율 주행 등 엄격한 QoS 요구가 있는 최신 애플리케이션을 효율적으로 운영하기 위한 핵심 기술이다. 기존 연구는 포트 기반, DPI, 통계‑기반, 딥러닝 기반 방법으로 발전해 왔으며, 특히 암호화된 트래픽에서도 90 % 이상 높은 정확도를 달성했다. 그러나 이러한 방법들은 대부분 ‘어플리케이션 레벨’ 라벨링에 머물러, 동일 앱 내에서도 해상도, 인터랙션 정도, 버스트 특성 등 미세한 QoS 차이를 구분하지 못한다. 이는 서비스 차별화와 동적 자원 할당에 큰 제약이 된다. **2. 관련 연구** 표 I에 정리된 바와 같이 GraphDapp, ProGraph 등 그래프 기반 NTC가 높은 정확도를 보였지만, 서비스‑레벨 라벨링은 부재했다. 서비스‑인식 NTC는 주로 수작업 특징과 고정 라벨에 의존해 확장성이 낮았다. 따라서 자동화된 QoS 인식과 멀티‑스케일 구조를 결합한 새로운 접근이 필요하다. **3. 제안 프레임워크 개요** 본 논문은 **계층형 그래프 신경망(Hierarchical GNN)**과 **QoS‑aware 할당 알고리즘**을 결합한다. 그래프는 세 레벨로 구성된다: - **Level‑1 (패킷 집계)**: 10패킷을 하나의 노드로 묶어 9차원 특징(패킷 수, 총 바이트, 평균 패킷 크기, 업링크 비율, 평균/분산/최소/최대 IAT, 왜도·첨도) 제공. - **Level‑2 (시간 윈도우)**: 100 ms 윈도우를 노드화, 11차원 특징(Level‑1 9차원 + 왜도·첨도) 부여. - **Level‑3 (세션)**: 60 s 이하 세션을 노드화, 11차원 특징(패킷 수, 총 바이트, 평균 패킷 크기, 업링크 비율, 세션 길이, 패킷·바이트 레이트, 흐름 대칭성, 버스트 수·평균·간격) 제공. 각 레벨은 **완전 연결된 순방향 엣지**와 **시간 차이 가중치**를 갖는다. 그래프에 실노드가 하나뿐인 경우를 대비해 차원 동일한 **보조 헤드·테일 노드**를 삽입한다. **4. 그래프 인코더 설계** GA‑Tv2 기반 2‑layer 어텐션을 레벨별로 적용한다. - Level‑1: 2‑head → 64 dim, 1‑head → 64 dim, 평균·최대 풀링 → 128 dim 클러스터 임베딩. - Level‑2: Level‑1 임베딩(128) + 자체 11 dim → 139 dim 입력, 2‑head → 256 dim, 1‑head → 128 dim, 풀링 → 256 dim. - Level‑3: Level‑2 임베딩(256) + 자체 11 dim → 267 dim 입력, 동일 구조 → 128 dim 세션 임베딩, 풀링 → 256 dim. **5. QoS‑aware 할당 및 손실 함수** QoS 메트릭 5가지(대역폭, 지터, 패킷 안정성, 버스트 빈도, 버스트 안정성)를 로그 변환 후 가중치를 부여해 **QoS 순위 매트릭스**를 만든다. 각 흐름은 이 매트릭스에 따라 자동으로 QoS 클래스에 할당된다. 손실 함수는 `L = CE(y, ŷ) + λ * QoS_Penalty` 형태이며, QoS_Penalty는 할당된 QoS 클래스와 실제 클래스 간 차이를 제곱합으로 계산한다. λ는 하이퍼파라미터로, 서비스‑중심 과‑프로비저닝을 유도한다. **6. 실험 설정** - 데이터: YouTube(4 시나리오), Prime Video(3), TikTok(4), Zoom(3) 총 14개 시나리오, 각 시나리오당 10 min 트래픽 캡처. - 비교 대상: 기존 GraphDapp, ProGraph, 전통적인 통계‑ML(Random Forest), 1‑level GNN. - 평가 지표: 서비스‑레벨 정확도, 평균 지연, 버퍼링 비율, 자원 사용 효율성. **7. 결과 및 분석** 제안 모델은 평균 **91.8 %**의 서비스‑레벨 정확도를 달성했으며, 기존 최고 성능(84.5 %) 대비 **7.3 %p** 향상하였다. 특히 동일 앱 내 다른 QoS 프로파일(예: 1080p vs 480p) 구분에서 94 % 이상의 정확도를 보였다. QoS‑aware 할당을 적용했을 때 평균 지연이 **12 %** 감소하고, 버퍼링 발생률이 **15 %** 낮아졌다. 자원 사용 효율성은 3 % 정도 감소했지만, 서비스 품질 향상이 이를 상쇄한다는 결론을 내렸다. **8. 한계 및 향후 연구** - 하이퍼파라미터(패킷 집계 수, 윈도우 길이, 세션 타임아웃) 민감도 분석이 필요. - 완전 암호화된 트래픽(예: TLS 1.3)에서 메타데이터만으로는 충분치 않을 수 있어, 흐름 패턴 기반 추가 특징 탐색이 요구된다. - 실시간 배포를 위한 경량화와 온라인 학습 메커니즘 개발이 다음 단계이다. **9. 결론** 본 논문은 멀티‑스케일 그래프 구조와 QoS‑driven 손실을 결합한 새로운 NTC 프레임워크를 제시한다. 계층형 GNN은 패킷‑레벨부터 세션‑레벨까지의 시간적 의존성을 효과적으로 학습하고, 자동 QoS 할당은 서비스‑중심 네트워크 관리에 실용적인 도구가 된다. 실험 결과는 제안 방법이 기존 최첨단 기술을 능가함을 입증하며, 차세대 엣지·5G·XR 환경에서 정밀한 트래픽 분류와 동적 QoS 보장에 중요한 기여를 할 것으로 기대한다.