노르웨이 모바일 네트워크 사용 데이터를 이용하여 비침습적이고 저렴한 방법으로 통신 및 이동 네트워크 상태를 모니터링할 수 있는 가능성을 제시하는 논문입니다. 네트워크 데이터를 리저버 컴퓨팅 프레임워크 내의 모델로 변환한 후, 프록시 작업에 대한 모델 성능을 측정하는 방법을 사용합니다. 실험을 통해 이러한 프록시 작업의 성능이 네트워크 상태와 어떻게 관련되는지 보여줍니다. 이 방법의 주요 장점은 쉽게 이용 가능한 데이터 세트를 사용하고 저렴하고 대부분의 알고리즘에 적용 가능한 리저버 컴퓨팅 프레임워크를 활용한다는 점입니다. 익명화되고 집계된 형태의 모바일 네트워크 사용 데이터는 하루에 여러 스냅샷으로 제공됩니다. 이 데이터는 가중 네트워크로 처리될 수 있으며, 리저버 컴퓨팅은 훈련되지 않은 가중 네트워크를 머신 러닝 도구로 사용할 수 있게 합니다. 에코 상태 네트워크(ESN)로 초기화된 네트워크는 입력 신호를 고차원 공간으로 투영하고, 단일 훈련된 계층이 작동합니다. 이는 모든 네트워크 가중치를 훈련하는 심층 신경망보다 에너지 소비량이 적습니다. 신경과학에서 영감을 받은 작업을 사용하여 ESN 모델을 훈련시켰고, 성능이 특정 네트워크 구성에 따라 달라지며 네트워크를 방해할 때 성능이 눈에 띄게 저하됨을 보여줍니다. 개념 증명으로서의 역할을 하지만, 실시간 모니터링과 모바일 통신 네트워크 및 교통 네트워크의 취약점 식별에도 활용될 수 있을 것으로 기대합니다.
