본 논문은 대규모 언어 모델(LLM)을 활용하여 네트워크 트래픽 분석의 일반화 문제를 해결하는 TrafficLLM을 제안합니다. 기존 머신러닝 기반 네트워크 트래픽 분석의 일반화 한계를 극복하기 위해, 이종의 원시 트래픽 데이터로부터 일반적인 트래픽 표현을 학습하는 2단계 미세 조정 프레임워크를 제시합니다. 트래픽 도메인 토큰화, 2단계 조정 파이프라인, 확장 가능한 적응 기능을 통해 다양한 하위 작업에서 트래픽 탐지 및 생성을 가능하게 하며, 일반화 능력을 향상시킵니다. 10가지 시나리오와 229가지 유형의 트래픽에 대한 평가 결과, 기존 방법보다 최대 80.12% 및 33.92% 향상된 성능을 보이며, 미지의 트래픽에 대해서도 18.6%의 성능 향상을 나타냅니다. 실제 환경 평가에서도 확장성과 정확성을 확인했습니다.
