본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색

결과 내 검색

동의어 포함

고급검색

인명/단체명

저자정보 상세정보
인명/단체명을 입력하세요.

키워드

  • 대표어

  • 외국어

-

목차보기

Title Page 2

Contents 5

Abstract 8

Chapter 1. INTRODUCTION 10

1. Introduction 10

A. Introduction 10

Chapter 2. Related Works 14

1. Network Automation 14

2. Artificial Intelligence for IT Operations (AIOps) 16

3. API calls with LLM 18

Chapter 3. Preliminaries 19

1. Large Language Model 19

2. Network Function Virtualization 20

Chapter 4. Our Approach 21

1. The NFVAgent framework 21

2. Feasibility DB 23

3. NFV environment simulator 25

Chapter 5. Evaluation 26

1. Experimental Setup 27

A. Experimental Environment 27

B. Experimental Dataset 28

C. Evaluation Metrics 29

D. Experimental Protocol 30

2. Single-tenant Tests 32

3. Multi-tenant Tests 36

4. Adaptability to unforeseen events 40

Chapter 6. Analysis 41

1. Unseen Event Scenario 41

A. NFVAgent's Successful Case 42

B. NFVAgent's Failure Case 42

2. Ablation study 44

3. Model Substitution 45

Chapter 7. Conclusion 46

1. Contribution 46

2. Limitation 47

3. Future Work 47

References 49

논문요약 54

List of Tables 7

Table 1. Summary of experimental alarm datasets 29

Table 2. Experimental results across different environments 33

Table 3. Pass rate and efficiency rate for multi-tenant configurations 36

Table 4. Ablation study results of NFVAgent with average performance metrics 45

Table 5. NFVAgent performance in 9-tenants environment 46

List of Figures 6

Figure 1. Proposed overall architecture 23

Figure 2. Experimental Protocol Flowchart 32

Figure 3. Efficiency rate comparison across environments. The term "adaptive-... 34

Figure 4. Efficiency rate comparison across environments without adaptation.... 35

Figure 5. Pass rate comparison for O-RAN Policies and NFVAgent across... 37

Figure 6. Efficiency rate comparison for O-RAN policies and NFVAgent across... 39

Figure 7. Pass rate comparison across different event scenarios. This graph... 40

Figure 8. Details of the planner module of NFVAgent 44

초록보기

 네트워크의 규모와 복잡성이 증가함에 따라 Network Function Virtualization (NFV) 관리의 자동화는 점점 더 중요해지고 있습니다. 기존의 NFV 관리 방식은 사전에 정의된 정책과 수동 개입에 의존하기 때문에, 동적인 네트워크 조건에 효과적으로 대응하지 못하고 장애에 대한 반응이 느리고 비효율적인 경우가 많습니다. 특히 NFV 배포 환경의 다양성이 증가함에 따라 기존 솔루션의 유연성과 확장성에도 한계가 존재합니다. 이러한 한계를 극복하기 위해, 본 연구에서는 대형 언어 모델 (Large Language Model, LLM)의 추론 및 의사결정 능력을 활용하는 LLM 에이전트 기반 접근법을 탐색하고, LLM 기반 NFV 복구 프레임워크인 NFVAgent를 제안합니다.

NFVAgent는 LLM이 직접 운영 이슈를 분석하고 적절한 복구 조치를 도출함으로써, 동적인 네트워크 환경에서도 높은 복원력을 제공합니다. 그러나 LLM은 다양한 NFV 환경에 대한 사전 학습이 부족하기 때문에, 실제 적용 시 효과가 제한적일 수 있습니다. 이를 해결하기 위해 NFVAgent는 Retrieval-Augmented Generation (RAG) 구조를 기반으로 하며, 별도의 테스트베드 환경과의 상호작용을 통해 지속적으로 업데이트되는 NFV knowledge base를 통합하여 자율 복구 기능을 고도화합니다. 이러한 구조화된 지식 통합을 통해 LLM은 NFV 장애 및 복구 전략에 대한 도메인 지식을 동적으로 수용하고, 맥락에 기반한 이해를 정교화할 수 있습니다.

NFVAgent는 Open Network Automation Platform (ONAP), European Telecommunications Standards Institute (ETSI), Open Radio Access Network (O-RAN) 등 여러 산업 표준을 기반으로 구성된 네 가지 NFV 환경에서 총 500건의 장애 사례를 통해 평가되었습니다. 그 결과, 다양한 네트워크 조건과 장애 상황에서도 NFVAgent는 높은 복원력을 보였으며, 최대 99.8%의 복구 성공률을 기록하였고, 기존 정책 기반 방식 대비 multi-tenant 환경에서 평균 37.7%, single-tenant 환경에서 평균 16%의 성능 향상을 달성하였습니다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차

권호

기사명 원문보기 기사목차
닫기