01. Introduction to AI Networking

AI 네트워킹 중간범위 — 노션 강의 노트를 옵시디언용으로 정리한 노트.

AI 네트워킹이란 (네트워크를 위한 AI)

정의: AI 기술을 네트워크 시스템에 적용해 성능, 효율성, 관리성을 향상시키는 것.
AI 알고리즘, 머신러닝, 데이터 분석을 통해 네트워크 운영을 자동화·최적화·보안적으로 안전하게 하는 분야.
AI로 네트워크를 운영하는 것 → AIOps(AI Operation).

네트워크 운영의 주요 요소

성능 (Performance): 지연(latency) 감소, 처리량(throughput) 증가, 패킷 손실 감소.
효율 (Efficiency): 같은 자원으로 더 많은 처리, 불필요한 트래픽 제거.
운영 (Operation): 사람이 하던 운영을 자동화 (장애 감지, 자동 복구, 정책 적용).

자동화·최적화·보안 예시

자동화: ACL 등의 Config를 사람이 아닌 AI가 생성.
최적화: AI가 트래픽을 분석해 분산 또는 혼잡을 제어.
보안: AI가 공격을 탐지하여 대응 (예: DDoS 탐지).

AI 네트워킹 분야의 주요 토픽

엣지 컴퓨팅 (Edge Computing): 데이터 처리를 중앙이 아닌 가까운 엣지 노드에서 처리.
연합 학습 (Federated Learning): 데이터를 모으지 않고 개별 학습 후 모델만 공유.
자원 관리 (Resource Management): 네트워크 자원의 할당과 스케줄링.
D2D Communication Network: 디바이스 사이의 통신 (UE↔UE 연결).
UAV Networks: 드론 기반 네트워크 — 드론이 공중에서 연결되어 통신 시스템을 구축.
Security Issues: 이상 탐지, 침입 탐지 (IDS, Intrusion Detection System) 등.
AI for 5G, 6G: AI에 네이티브하게 운영되는 6G.

AI 네트워킹의 핵심 개념 (6가지)

Automation (자동화): 네트워크 설정·모니터링·트러블슈팅 같은 반복 작업을 AI가 자동화. (예: 로그·트래픽을 수집·분석해 자동으로 설정·정책 변경)
Optimization (최적화): 네트워크 데이터를 분석해 성능 최적화, 지연 감소, 대역폭 이용율 향상. (예: 혼잡 회피를 위한 동적 라우팅)

혼잡 제어 (Congestion control): 네트워크 전체의 과부하를 제어.
흐름 제어 (Flow control): 통신 상대의 처리 속도에 맞추는 것.

Predictive Analytics (예측): 잠재 문제를 발생 전에 미리 예측. (예: 이력 데이터로 하드웨어 오류·병목 예측)
Security (보안): 트래픽 패턴 기반 실시간 공격 탐지·대응. (예: DDoS 식별·완화)
Self-Healing Network (자가 복구 네트워크): 인간 개입 없이 문제를 찾고 수정해 스스로 복구. (예: 연결 실패 시 트래픽 재라우팅)
Intelligent Traffic Management (지능형 트래픽 관리): 트래픽 중요도에 따라 우선순위 지정·관리해 QoS향상.

AI 네트워킹의 응용 분야

Enterprise Network (기업용 네트워크): Wi-Fi 성능 최적화, 사용자 접속 관리, 안전한 연결 보장. (사람이 많아지면 Wi-Fi 불안정·접근 제어 어려움을 AI로 해결)
Data Center: 자원 할당 개선, 에너지 소비 감소, 확장성 향상. (예: AI-powered 냉각 시스템)
Telecommunication (원거리 통신): 5G 고도화, 주파수 할당 관리, 고객 경험 개선.

네트워크 슬라이싱 (Network Slicing): 하나의 5G 인프라를 서비스 특성에 따라 여러 가상 네트워크 슬라이스로 쪼개 사용하는 기술.

IoT 네트워크: 대규모 IoT 환경 관리·보안 강화. (예: 스마트 시티 센서의 AI 기반 이상 탐지)
Cloud Networking: 클라우드 자원 할당 최적화, 끊김 없는 연결성 보장. (예: AI 기반 부하 분산)
Networking for ML (머신러닝을 위한 네트워킹): 대규모 AI 모델은 오버헤드가 큰 네트워크로 연결된 수많은 노드에서 실행. (예: 매 라운드 방대한 통신을 사용하는 연합 학습)

AI 네트워킹의 이점

효율성 향상: 수작업 개입을 줄이고 운용을 효율화.
성능 향상: 자원을 최적화해 더 빠르고 신뢰성 있는 성능 제공.
선제적 문제 해결: 사용자에게 영향을 주기 전에 미리 예측·해결.
비용 절감: 자동화·최적화로 운영 비용 절감.
확장성: 증가하는 네트워크 요구에 쉽게 대응.

AI 배경 지식 (Short Background)

1. 전통 소프트웨어 vs 머신러닝

구분	전통 프로그래밍	머신러닝
입력	데이터 + 프로그램	데이터 + 정답(Label)
처리	명시적 규칙 기반	모델 학습
출력	결과	학습된 모델

핵심 차이: 전통은 사람이 규칙을 정의, ML은 데이터로부터 규칙을 학습.

2. AI / ML / DL 관계

Artificial Intelligence
 └── Machine Learning
      └── Deep Learning

구성 요소: Expert System(Rule-based), Decision Tree, Perceptron, RNN, Deep RL 등.
흐름: AI → ML → DL로 갈수록 데이터 의존성 증가 + 자동화 수준 증가.

3. 머신 지능의 정의

다양한 데이터를 추출(process)·통합(integrate)하고 결론에 도달하면 머신 지능이 형성됨.
구성 요소: 데이터 추출 → 프로세스 통합 → 의사결정.

4. 뉴럴 네트워크 기초

생물학적	인공
Dendrite (수상돌기)	Input
Synapse (시냅스)	Weight
Axon (축삭)	Output
Cell body (세포체)	Activation

핵심 구조: Input → Weight → Activation Function → Output

5. 머신러닝 vs 딥러닝

머신러닝: Feature extraction을 사람이 수행, 이후 모델이 분류.
딥러닝: Feature extraction + classification을 모두 학습 → End-to-End 학습 구조.

6. 학습 방식 분류

Supervised (지도): 입력 + 정답(label). 예: 분류, 회귀.
Unsupervised (비지도): 정답 없음. 예: clustering.
Semi-supervised (준지도): 일부 라벨만 존재.
Self-supervised (자기지도): 데이터 자체에서 라벨 생성.

7. AI의 전환점: Backpropagation (역전파)

Forward Propagation
Loss 계산
Backpropagation (오차를 뒤로 전달)
Gradient Descent로 weight 업데이트

핵심: 오차를 뒤로 전달하여 weight를 업데이트 → 딥러닝을 가능하게 만든 핵심 기술.

8. 딥러닝 동작 과정

모델 구성: MLP, CNN, RNN, GAN 등 / Hyperparameter 설정(Layer 수, Unit 수, Cost function, Optimizer).
학습 (Training): Input=Data, Output=Label, 목표=Loss 최소화.
추론 (Inference): 실제 데이터 입력 → 학습된 weight 기반 결과 출력.

9. Overfitting (과적합) 문제

발생 조건: 데이터 부족 / 모델 복잡도 과다.
결과: Training 성능 ↑, Generalization(일반화) 성능 ↓.
해결: 데이터 증가, Regularization, Dropout, Autoencoder / VAE.

10. CNN (이미지 처리)

문제: 이미지를 1D vector로 변환 → feature 손실.
해결: Convolution + Pooling.
구조: Image → Convolution → Feature Map → Pooling → Classification

11. Generative Model (GAN)

Generator: 데이터 생성 / Discriminator: 진짜·가짜 판별.
두 모델이 경쟁하며 성능 향상 → 실제와 유사한 데이터 생성.

12. Reinforcement Learning (강화 학습)

환경과 상호작용하며 학습. 구성 요소: State, Action, Reward.
목표 기반 학습, 장기 보상 최적화.

13. Transformer

Self-Attention기반, 순차 데이터 관계 학습.
긴 거리 의존성 처리 가능, NLP 핵심 모델.

14·15. Federated Learning (연합 학습)

개념: 분산 학습 방식, 데이터 공유 없이 학습.
특징: Decentralization, Privacy 보호, 통신 비용 감소(파라미터만 공유).
구조: Local Model → Parameter Upload → Aggregation → Global Model
동작: ① 클라이언트 로컬 학습 → ② 파라미터 서버 전송 → ③ 서버 aggregation → ④ 글로벌 모델 배포 → ⑤ 반복.

16. Deep Learning Taxonomy

Supervised: CNN, RNN, LSTM, Transformer (이미지·NLP).
Unsupervised: Autoencoder, Clustering.
Reinforcement: DQN, PPO (게임, 자율주행).
기타: Transfer Learning, Online Learning, Semi-supervised.

전체 구조 정리

AI
 ├── Rule-based
 └── Machine Learning
      ├── Supervised
      ├── Unsupervised
      ├── Reinforcement
      └── Deep Learning
           ├── CNN
           ├── RNN
           ├── Transformer
           └── GAN

AI 네트워킹이란 (네트워크를 위한 AI)

네트워크 운영의 주요 요소

자동화·최적화·보안 예시

AI 네트워킹 분야의 주요 토픽

AI 네트워킹의 핵심 개념 (6가지)

AI 네트워킹의 응용 분야

AI 네트워킹의 이점

AI 배경 지식 (Short Background)

1. 전통 소프트웨어 vs 머신러닝

2. AI / ML / DL 관계

3. 머신 지능의 정의

4. 뉴럴 네트워크 기초

5. 머신러닝 vs 딥러닝

6. 학습 방식 분류

7. AI의 전환점: Backpropagation (역전파)

8. 딥러닝 동작 과정

9. Overfitting (과적합) 문제

10. CNN (이미지 처리)

11. Generative Model (GAN)

12. Reinforcement Learning (강화 학습)

13. Transformer

14·15. Federated Learning (연합 학습)

16. Deep Learning Taxonomy

전체 구조 정리

같은 분류의 글