📚Bi-LSTM기반 실시간 Link 예측 모듈(KOREN_LinkPrediction)

KOREN망의 각 Link별 현재 상태를 바탕으로 향후 10분, 30분, 60분 후의 Link 상태를 예측하는 Bi-LSTM기반 인공지능 모듈

✔️Developer Environment

• Language: 🐊Python 3.7
• IDE Tool: ⚡Pycharm
• Package Manager: 🐍Anaconda
• AI Library: Tensorflow2, KERAS
• Collector: Beautifulsoup4
• Storage: MongoDB, ElasticSearch
• Visualization: Kibana

✔️Requirement

프로그램 실행 전 반드시 MongoDB를 설치해야 한다. Mongodb 다운로드
MongoDB를 설치하고 mongod 서버를 실행하기만 하면 된다. 기본적인 환경은 Default(Port: 27017)를 사용한다.

다음은 Linux(Ubuntu)환경에서 MongoDB를 설치하고 실행하는 방법이다.

$ sudo apt-get intsll -y mongodb-org
$ sudo service mongod start
$ ps -ef | grep mongodb

📖Model Process

1.데이터 수집

Beautifulsoup4 라이브러리를 활용하여 다음 6개의 KOREN망 Link정보를 수집한다.

• timestamp
• current_tx_packetpersecond
• current_tx_bitpersecond
• accumulated_tx_bytes
• accumulated_tx_packets

KOREN망은 10개의 노드와 22개의 Link로 구성되며 다음과 같다.

2.데이터 전처리

수집된 Link정보를 전처리한다.

• timestamp => (hour x 60) + Minute = time_index
• accumulated_tx_bytes => 현재 - 10분전 = 10분동안 송신 된 bytes(tx_bytes)
• current_tx_bitpersecond => 평균 = 10분 동안 송신된 bps 평균(tx_bitpersecond)
• accumulated_tx_packetpersecond => 현재 - 10분전 = 10분동안 송신 된 pps 평균(tx_packetpersecond)
• tx_link_utilization => 1 - tx_link_utilization = Link 가용량(link_availability)

전처리 후 생성되는 데이터

• time_index
• tx_bytes
• tx_bitpersecond
• tx_packetpersecond
• link_availability

3.데이터 저장

전처리 된 데이터를 MongoDB에 저장한다.

4.Link 예측

• 인공지능 모델: Bi-LSTM기반 다음 10분 후 Link 상태를 예측하는 모델
• 입력 데이터: 현재를 기준으로 이전 10분단위 30개 데이터(총 300분)
• 출력 데이터: 다음 10분 후의 Link 상태

다음 10분을 예측할 수 있는 인공지능 모델을 재귀적으로 사용하여 다음 그림과 같이 Multi-step Prediction 한다.

5.예측 결과(예시)

예측 결과에 사용된 모델의 세부사항은 다음과 같다.

• 링크 인터페이스: P2-Daejeon-prs1e11-Daejeon-Gwangju
• 데이터셋: 7469개(10분 단위)
• 데이터 수집 기간: 2020.12.12.T05:39 ~ 2020.12.22.T22:59
• Train/Test 분류: Train(5982), Test(1487)
• Epoch: 100
• Batch-size: 100

대전-광주 Link의 10분 후 예측 결과는 다음 그림과 같다.

6.시각화

예측 결과를 ElasticSearch에 저장한다. ElasticSearch에서 예측결과를 불러와 Kibana(웹페이지)에 시각화한다.

다음 그림은 대전-광주 Link의 Link 예측결과를 Kibana에 시각화한 결과다.