본 논문은 클라우드 플랫폼의 빠른 발전과 네트워크 트래픽의 복잡성 증가에 따라 네트워크 보안 및 성능을 보장하기 위한 네트워크 트래픽 모니터링 및 이상 탐지 시스템을 제시한다. 기존의 오토인코더나 의사결정 트리와 같은 모델 외에, 대규모 언어 모델(LLM)을 활용하여 네트워크 트래픽의 시퀀스 데이터를 처리함으로써 복잡한 패턴과 미세한 변동을 더 잘 포착한다. 특히, 트랜스포머 구조의 어텐션 메커니즘을 지도 학습 프레임워크에 통합한 하이브리드 모델이 더 높은 정확도를 달성함을 보여준다. 사전 훈련된 LLM은 네트워크 트래픽을 분석하고 예측하며, 시간적 및 맥락적 요소를 고려하는 이상 탐지 계층이 추가된다. 또한, 전이 학습 기반 방법론을 제시하여 광범위한 레이블된 데이터셋 없이도 알 수 없는 네트워크 구조와 적대적 조건에 빠르게 적응하여 모델의 효율성을 높인다. 실험 결과, 제안된 모델은 기존 방법보다 탐지 정확도와 계산 효율성이 뛰어나며, 제로데이 공격 및 트래픽 혼잡 패턴과 같은 다양한 네트워크 이상을 효과적으로 식별하고, 위양성률을 크게 줄인다.
