연구·교육 네트워크(REN)는 대용량 버스트 트래픽인 '엘리펀트 플로우'가 DDoS 같은 공격과 통계적으로 구분되지 않아 이상탐지 시스템의 오탐률이 높다는 문제가 있다. 연구진은 Internet2의 10개 백본 라우터, 137억 패킷 규모 57일치 데이터를 활용해 SARIMA부터 TiDE, PatchTST 같은 최신 장기 시계열 모델까지 6개 모델군을 960개 실험 구성으로 벤치마킹했다. 그 결과 TiDE 등 최신 아키텍처가 전통적 방법 대비 기준선 예측 오차를 30~42% 줄였고(p<0.001), 새로 제안한 이상치 통합 전략은 노이즈 환경에서 모델 견고성을 3.3% 향상시켰다. 이는 정상적인 대규모 과학 트래픽과 실제 네트워크 공격을 통계적으로 구분하는 최초의 검증된 프레임워크로, 연구망 보안 운영의 자동화와 신뢰도를 높일 수 있다.

• •137억 패킷 규모의 Internet2 데이터로 6개 모델군을 960개 구성으로 벤치마킹
• •TiDE 등 최신 장기 시계열 모델이 기준선 예측 오차를 30~42% 감소(p<0.001)
• •새 이상치 통합 전략으로 노이즈 환경 견고성 3.3% 향상
• •과학 트래픽과 네트워크 공격을 통계적으로 구분하는 최초의 검증 된 프레임워크 제시