NTT DOCOMO, 그래프 기반 에이전틱 AI로 네트워크 근본 원인 분석 시간 단축

AI 에이전트가 복잡한 시스템을 추론하려면 단순 정보 검색을 넘어 인과 추론과 의존성 추적 가능한 그래프 구조가 필수적이다. 네트워크는 모든 장치, 링크, 서비스 의존성이 정점이나 간선으로 구성되는 본질적인 그래프다. 운영 팀의 과제는 AI 에이전트가 이 구조를 자율적이고 빠르게 추론하도록 해, 그래프를 수동적 데이터 모델에서 능동적 추론 기판으로 전환하는 것이다.

기존 운영의 병목

복잡한 다층 장애의 근본 원인 분석(RCA)은 네트워크 운영 센터(NOC)에서 전통적으로 4~5시간이 소요되며, 때로는 며칠까지 걸린다. 주요 병목은 인지적 과부하로, 수천 개 노드에 걸쳐 수백 개의 알람과 텔레메트리 데이터를 고객 영향이 누적되는 속도보다 빠르게 상관관계 짓기 어렵기 때문이다. 복잡한 토폴로지에서는 장애가 병렬 경로로 전파되거나 진정한 근본 원인이 알람을 발생시키지 않는 경우가 있어, 기존 시간적 상관관계 휴리스틱은 실패한다.

캐스케이디드 그래프 분석 파이프라인

제안된 솔루션은 캐스케이디드 그래프 알고리즘과 에이전틱 AI 실행을 결합하며, NTT DOCOMO와 함께 Mobile World Conference(MWC)에서 시연되었다. 이 시스템은 의존성, 실시간 알람, KPI를 토폴로지 인식 구조로 흡수하는 네트워크의 디지털 트윈에 의존한다. 분석은 3단계 캐스케이드로 진행된다.

• 분해(Decomposition): 분리된 하위 그래프를 식별하여 분석을 경계 노드까지 국소화하고, 후보군을 수천 개에서 수백 개로 좁힌다.
• 클러스터링(Clustering): Louvain 또는 레이블 전파와 같은 커뮤니티 감지 알고리즘을 사용해 상호작용하는 노드를 그룹화하고, 후보군을 수백 개에서 수십 개로 줄인다.
• 중심성 순위 매기기(Centrality Ranking): 장애 조건부 중심성 알고리즘을 적용해 후보군을 순위화한다. 정적 지표와 달리 특정 알람 집합을 기준으로 재계산된다.

적응형 에이전틱 오케스트레이션

에이전트 계층은 하위 그래프의 토폴로지(계층형, 스타형, 메시형)에 따라 적절한 중심성 알고리즘을 선택한다. 예를 들어, Personalized PageRank는 알람 노드에서 랜덤 워크를 시드하여 장애를 상향 추적하고, alarm-relative closeness는 메시 토폴로지에서의 주변부 장애를 드러낸다. 에이전트는 캐스케이드 호출 전 영향받은 노드 수, 토폴로지 분산도, 의미적 명확성에 기반해 복잡도를 분류한다. 최종 근본 원인 판정은 신뢰도 점수를 포함하며, 지속적 학습을 위해 NOC 피드백과 통합된다.

향후 방향

향후 경로에는 학습된 패턴과 알고리즘적 정밀도를 융합하기 위한 graph neural networks(GNNs) 통합이 포함된다. 또한 에이전트가 조언형 추천에서 감독형 실행을 거쳐 저위험 사고에 대한 엔드투엔드 복구로 진화하는 점진적 자율성을 목표로 한다. 자기 학습 에이전트는 반복 상호작용에서 검증된 스킬을 제안하되, 명시적인 인간 승인을 거치도록 설계된다.