NDT(네트워크 디지털 트윈)라는 개념 자체는 새롭지 않지만, NDT 솔루션의 폭넓은 도입을 이끌 만한 강력한 동인은 아직 없었습니다. 그러나 오늘날 AI 시대에 접어들면서 사업자들이 자율 운영으로 전환함에 따라 NDT의 실현 가능성과 유용성이 크게 증대되었고, 이제 현실로 다가오고 있습니다. Ciena의 마리 피알라(Marie Fiala)가 AI 기반 디지털 트윈으로의 전환에 대해 설명합니다.
광범위한 지리적 영역에 걸쳐 다양한 하드웨어와 소프트웨어 기술을 사용하는 네트워크의 복잡성을 고려할 때, 네트워크 디지털 트윈을 실제로 어떻게 구현할 수 있을지는 난해한 문제였습니다. 불가능한 일을 시도하는 것처럼 보이기도 했습니다. 어떻게 하면 물리적 네트워크의 장치, 연결, 동작까지 포함한 가상 복사본을 만들 수 있을까요? 실제 물리적 네트워크에 드는 만큼의 리소스가 필요하지는 않을까요? AI 워크로드로 인해 네트워크가 전례 없는 속도로 확장되고 있는 오늘날, 이러한 트위닝의 난제는 더욱 막막하게 느껴집니다.
이전 블로그에서 우리는 NDT를 실제 물리적 네트워크의 가상 표현으로 정의했습니다. 이러한 표현은 물리적 네트워크의 동작을 시뮬레이션하고 분석하며 최적화하기 위해 동기화 상태를 유지합니다. 여기서 중요한 기술적 질문이 나옵니다. 다양한 운영 및 계획 사용 사례에서 원하는 이점을 얻으려면 얼마나 많이, 그리고 얼마나 자주 이루어져야 할까요?
동인으로서의 AI, 조력자로서의 AI
AI가 네트워크 운영에 긍정적인 영향을 미치고 있음은 분명합니다. 최근 STL Partners에서 진행한 통신 분야의 AI에 관한 설문 조사에 따르면, AIOps가 다른 기능적 영역에 비해 서비스 공급자에게 가장 큰 ROI(투자 수익률)를 가져다주고 있음이 드러났습니다. 응답자의 22%는 운영 비용을 10% 넘게 절감했다고 답했습니다. 그러니 수많은 사업자가 네트워크 자율성 수준을 높이는 데 관심을 보이는 것은 당연한 결과입니다. 하지만 Omdia에서 진행한 또 다른 글로벌 연구인 ‘전송 네트워크를 위한 자동화 및 AI(Automation and AI for Transport Networks)’에 따르면 에이전틱 AI의 배포와 관련된 가장 큰 우려 사항은 AI 기반 의사 결정의 정확성과 신뢰성이었으며, 응답자의 45%가 해당 문제를 지적했습니다.
이러한 우려를 어떻게 완화할 수 있을까요? 한 가지 핵심적인 방법은 AI 의사 결정이 실제 네트워크에 적용되기 전에 트윈 환경에서 미리 검증하는 것입니다. 이로써 NDT가 에이전트 AI 시스템의 의사 결정 엔진이 됩니다. 사람들이 AI 의사 결정의 위험을 인식하고 있다는 사실이 NDT 도입의 중요한 동인인 셈입니다. 흥미롭게도, 다른 한편으로는 AI의 힘이야말로 NDT를 에이전틱 AI 프레임워크 내에 구현할 수 있도록 하는 요소이기도 합니다.
그 안의 지능성
효율적인 NDT 구현의 핵심은 전체 네트워크를 상시로 트위닝할 필요는 없다는 것입니다. 물론 네트워크 사업자는 일상적인 운영을 위해 네트워크에서 실시간으로 무슨 일이 일어나는지에 대한 전체적이고 포괄적인 시야를 확보해야 합니다. 이는 Ciena의 Navigator NCS(Navigator Network Control Suite)와 같은 강력한 네트워크 컨트롤러를 통해 실현 가능합니다. 하지만 특정 운영 의사 결정을 평가하려면 구체적인 네트워크 영역과 동작, 그리고 원하는 결과에 초점을 맞춰야 합니다. 이러한 접근 방식을 통해 NDT는 물리적 네트워크와 함께 효과적으로 확장하며 컴퓨팅 리소스를 효율적으로 사용할 수 있습니다. 또한 적시에 응답하고, 견고한 결과를 도출하며, 사업자가 AIOps에 대한 신뢰를 쌓도록 지원합니다.
네트워크에 대한 포괄적인 내부 그래프 기반 모델과 네트워크 성능 지표 및 상태 변화를 수신할 신뢰성 높은 데이터 파이프라인을 이미 갖추고 있다면, NDT는 당면 과제에 따라 물리적 네트워크와 실시간으로 트위닝할 수 있습니다. 주목할 점은 네트워크 모델에 광, OTN(광 전송 네트워크), 이더넷, IP, 연결 서비스와 같은 계층 간의 상관 관계가 포함되어야 한다는 것입니다. 그래야 교차 계층 종속성과 영향을 상세히 파악할 수 있습니다. 이 주제에 관한 이전 블로그에서도 언급했듯이, 여기에서 중요한 근본적 요건은 네트워크 자체가 깔끔해야 한다는 것입니다. 그렇지 않으면 트윈 환경에도 부정확성이 똑같이 반영되므로 최적의 결과를 얻을 수 없습니다.
이렇게 하면 NDT는 요청받은 맥락에 따라 네트워크 현황을 즉시 동기화할 수 있으므로 네트워크 변경 사항 검증을 위한 정확하고 안전한 환경이 보장됩니다. 이는 네트워크 관측 에이전트와 같은 다른 AI 에이전트에 피드백 루프를 제공하며, 네트워크에 특정된 도구를 활용하여 제안된 변경 사항이나 가정된 장애 시나리오가 네트워크에 미치는 영향을 표준 A2A(Agent2Agent) 인터페이스와 MCP(모델 컨텍스트 프로토콜)로 각각 평가합니다. 다음으로, NDT는 다른 AI 에이전트와 연동하여 사업자가 편안함을 느끼는 자율성 수준에서 인간 감독 제어 루프의 일환으로 이러한 변경 사항을 실행합니다.
Ciena의 Navigator NCS는 바로 이러한 아키텍처 핵심 요소들을 Ciena 기반 네트워크에 포괄합니다. 정적 모델이나 오프라인 시뮬레이션에 의존하던 기존의 디지털 트윈과는 달리, Ciena의 Navigator NDT는 다음과 같은 이점을 제공합니다.
- 대규모 의사 결정 검증을 위한 상황별 트위닝
- 상태 및 원격 측정 수집 및 동기화를 위한 실시간 데이터 파이프라인
- IP/광 상관 관계 및 통찰력 확보를 위한 네이티브 다중 계층 지식 그래프
- 다른 시스템 및 도구와의 통합을 위한 AI 에이전트 산업 표준 API
- 인간 감독 자동화 기반 폐쇄 제어 루프
주요 사용 사례
앞서 언급한 서비스 공급자 대상 Omdia 설문조사에 따르면, 응답자들은 네트워크 최적화와 트래픽 엔지니어링, 그리고 네트워크 성능 모니터링을 디지털 트윈의 가장 적합한 사용 사례로 꼽았습니다(각각 응답자의 46% 및 43%가 선택). Ciena 고객들과의 논의에서도 대역폭과 지연 시간 등의 주요 목표를 고려하여 다음과 같은 사용 사례를 우선시하는 것으로 나타났습니다.
- 서비스 성능을 위한 선제적 네트워크 보장
- 네트워크 문제 발생 시 대응적 복구 조치
- 네트워크 용량 증강 계획 수립
Ciena의 Navigator NCS 에이전틱 AI 프레임워크는 앞서 설명한 NDT를 포함하며, 이는 복잡한 다중 계층 네트워크를 검증하여 원하는 의도에 부합하는지 확인할 수 있습니다. 특히 Navigator NDT는 고도의 동기화 충실도를 갖춘 다중 계층 네트워크의 포괄적인 지식 그래프를 기반으로 합니다. 이를 통해 위에서 언급한 주요 사용 사례들을 동적인 운영 작업 흐름의 맥락에서 해결할 수 있습니다.
아래에 네트워크 보장 사용 사례의 예시가 나와 있습니다. 이 시나리오에서는 현재 포토닉 경로에 성능 저하 동향이 나타나는 경우 NDT를 활용하여 새로운 경로가 고객 트래픽을 안전하게 전송하기 위한 성능 및 대역폭 요건을 충족하는지 검증합니다. 사업자는 새로운 경로가 적용되면 어떤 상황이 발생하는지 명확히 확인하고 네트워크 변경 사항을 제어함으로써 고객에 대한 부정적인 영향을 선제적으로 완화할 수 있습니다.
그림 1: 서비스 이동 검증을 위한 디지털 트윈의 시각화 예시
다음 단계로
에이전틱 AI 시스템 내 네트워크 디지털 트윈의 도입은 이제 막 시작되었지만, 그 유용성은 이미 확연히 드러났습니다. AIOps 전략을 수립하고 실행하는 과정에서 NDT는 Autonomous networking을 구현하는 필수적인 요소입니다. 잠재적인 NDT 솔루션을 자세히 들여다보고, 그 기반이 되는 지능성이 Ciena의 Navigator NCS처럼 일반적인 AI를 넘어 네트워크의 복잡성을 대규모로 정확하게 반영할 수 있는지 평가하시기를 바랍니다. 이는 네트워크 자율성의 다음 단계로 나아가는 토대가 될 것입니다.