네트워크와 AI 기술 동향

최근의 서비스 환경 변화는 초연결화¹⁾, 데이터 중심 사회화, 5G에 기반한 Connected VI(Vertical Industry) 및 신뢰와 안전에 대한 요구 증대 등의 4가지 트렌드를 중심으로 움직이고 있다. 텔코는 이처럼 동적으로 변하는 서비스 환경 변화에 신속하게 대응하여 비즈니스 민첩성을 비용 경제적으로 지원할 수 있는 인프라를 지향하고 있다. 기술적으로는 클라우디피케이션의 확산, 인프라의 가상화와 공유, 인프라의 소프트웨어라이제이션과 API기반 프로그래머빌러티에 기반한 플랫폼화, 오픈소스 확산 등 핵심 요소기술이 무르익고 있다.

그림 1은 이러한 서비스 및 기술 환경 변화에 따른 미래 인프라 모델로서 ‘Biz/Tech Agile Autonomous Network(BAAN)’을 보여준다. BAAN은 서비스나 환경변이에 운영자의 개입을 최소화하면서 스스로 구성(Self-provisioning), 설정(Self-configuring)되며 스스로 대응(Self-monitoring, diagnosing, healing)하며, 지속적으로 스스로 최적화해 나갈 수 있는 네트워크를 지향한다. BAAN 인프라의 주요 특성과 챌린징 이슈를 간단히 살펴보면 다음과 같다.

그림 1

Biz/Tech Agile Autonomous Network(BAAN) 개념

가. 클라우드 중심의 단순화되는 물리 인프라

물리 인프라는 전통적인 전달망에서 벗어나 클라우드를 중심으로 그들 간을 연결하는 네트워크로 단순화되는 구조를 지향한다. 클라우드 내부망, 클라우드 간을 연결하는 인터-클라우드, 시스템 내부 데이터 버스 등으로 단순화되며, 대용량 트래픽의 고속 전달, 지연 및 오류 등에서 응용별 트래픽의 QoS 차별적 지원 필요성이 커지고 있다. 클라우드는 중앙집중 및 에지 클라우드 형태의 분산 구조로 진화되며, 에지에서의 민감한 응용의 지원, 빅데이터의 스마트 데이터화, 분산 AI 응용 등을 수용하며 확대 중이다. 분산 환경에서의 취약한 보안 이슈, 분산된 에지 클라우드 간의 데이터 공유 등 해결되어야 하는 문제를 안고 있다.

나. 소프트웨어 플랫폼화 및 프로그래머블화

인프라의 컴퓨팅 및 네트워크 자원은 가상화되고 개방되며, 네트워킹 기능도 소프트웨어 모듈화, 마이크로서비스 형태로 발전 중이다. 개발단계에서부터 하드웨어와 밀결합된 시스템 소프트웨어 형태로 도입되던 네트워크 디바이스들은 범용 서버를 기반으로 API 기반의 프로그래머빌러티와 통합적 오케스트레이션을 지향한다. 새로운 서비스 요구나 환경변화에 유연하고 신속하게 대응할 수 있는 SDN/NFV 기반 개방형 플랫폼으로 진화하고 있다.

한편, 인프라 규모가 거대해지고, 가상화나 동적 프로그래머빌러티와 같은 복잡성을 최적으로 지원하기 위해서는 운용 및 제어관리에서의 AI 기술을 접목한 기술혁신이 필연적으로 요구되고 있다.

다. 비즈니스 민첩성을 지원하는 논리 인프라 지향

가상화·개방화된 인프라 플랫폼상에 서비스 요구와 환경 변이에 민첩하게 대응할 수 있는 VI별 맞춤형 슬라이싱 인프라를 지향한다. eMBB, mMTC, uRLLC 같은 5G의 다양한 B2B 응용 유형 지원을 위해 네트워크 슬라이싱 개념구조를 기술적으로 어떻게 구체화할 것인지가 텔코 5G 성공의 관건이 될 것이다. 네트워크 슬라이스 간 격리(Isolation) 수준, 응용 유형별 요구되는 특수한 네트워크 능력의 지원 방법(예, non-IP 지원, 클록 동기화, AI를 비롯한 프로세싱 요구사항 등), 보안이나 운영관리에 대한 차별화된 요구사항을 어떻게 지원할 것인지에 대한 기술적 대안과 진화 방안에 대해 논의가 진행 중이다.

라. 운영관리 통합화 및 자동화·자율화

전통적으로 전문 지식과 경험을 가진 운영자에 의해 네트워크 인프라의 설계 및 설치, 운영 관리가 이루어져 왔다. 그러나 네트워크 규모가 커지고, 가상화 및 공유 등으로 운영 환경이 복잡해졌으며, 비즈니스 민첩성 지원을 위한 실시간 제어관리 요구가 증대되고 있어, 운영관리 기술 혁신이 네트워크 분야의 가장 큰 화두가 되고 있다.

대규모로 수집되는 운영관리 데이터로부터 지능적 운영을 위한 지식을 분석해 내고, 이를 기반으로, 인프라의 다계층·다중도메인을 통합적으로 연계하는 지식기반 운영관리를 지향하는 자율 네트워크로 기술산업 혁신이 가속화되고 있다. 이에 더하여, 인프라 사업자들은 Autonomous Network에 대해 비즈니스, 고객, 네트워크 인프라의 구축 및 운용, 3rd 파티 협업 등 텔레콤 인더스트리전 영역의 통합적 디지털 트랜스포메이션이라는 비전을 지향하고 있다.

앞서처럼 네트워크는 인프라의 플랫폼화, 비즈니스나 기술 환경 변화에 신속하게 대응할 수 있는 AgileInfra로서의 복잡도 증가, 5G VI 수용을 위한 안정성과 신뢰성 강화에 대한 기술 혁신에 직면하고 있다. AI 기술은 이러한 네트워크 분야의 요구에 대해 기술적 가능성을 보여주고 있다. 예를 들어, 복합적 데이터의 통합적 분석에 기반한 선제적 장애 대응, 운영 지식 기반 네트워크 및 클라우드 관리의 최적화·자율화, 광송수신 신호처리에서의 알고리즘 기반 전통적 R&D의 한계를 데이터 기반 R&D로 전환하는 시도 등이 이루어지고 있다. 특히, 텔코가 관심을 갖는 주요 이슈는 다음과 같다.

• 사이버 공격에 안전한 네트워크를 위한 AI 기술

• 장애나 성능 변이 등에 유연한 대응이 가능(resilient)하여 항상 신뢰할 수 있는 네트워크 실현을 위한 AI 기술

• 네트워크 운영관리의 복잡성과 인프라 파편화를 해결할 수 있는 AI 기술로서, 다양한 응용이나 다계층·다중 도메인 네트워크 구성 및 기술의 다양화 등에 대해 통합적인 운영관리를 지원하는 Autonomous Network 실현 AI 기술

• 무선 액세스 자원의 최적 활용을 위해, 환경 적응적인 RAN 최적화를 지원하는 AI 기술

표 1에 AI 기반 연구가 이루어지고 있는 주요 네트워크 기술 이슈 동향을 요약하였다.

한편, AI 기반 네트워크 실현을 위해 표준화와 오픈소스 커뮤니티 활동도 활발히 진행되고 있다. 네트워크 자동화·자율화를 위한 관건이 되는 개방형 인터페이스(Open Interface), 개방형 API와 오픈소스(Open Source SW & Open APIs), 개방형 참조모델(Open Reference Design)들에 대한 프로젝트들이 진행 중이다. 대표적으로, 리눅스 재단에서는 ONAP(Open Network Automation Platform), OPNFV(Open Platform for NFV) 및 AI App 개발 및 배포 프레임워크인 Acumos 등의 플랫폼 개발 프로젝트를 진행 중이다[12,13]. 한편, 표준화 영역에서는 3GPP의 5G 네트워크 데이터 분석(NWDAF), 네트워크 종단 간 관리 자동화(ETSI ZSM), Edge Automation Platform(IEEE Future Networks), ML을 적용한 Future Network/5G 자동화 프레임워크(ITU-T ML5G) 등 다양한 활동이 진행 중이다[14].

다양한 네트워크 서비스를 구성하는 프로그래머블 네트워크에서 가상기능·자원 최적 배치 및 관리 기술은 서비스 요구사항과 자원의 효율성, 종단 간 트래픽 연결성을 고려하여 가상기능을 최적으로 배치하고, 지속적으로 최적화하기 위한 기술로 정의된다.

NFV, SDN, MEC 기술에 기반한 가상 네트워크 인프라에서 네트워크 서비스(NS)는 가상 자원의 할당을 통해서 인스탄스화되는 가상 네트워크 기능(VNF)의 순차적 조합을 통해서 구성되며, 다양한 NS를 생성하기 위해서는 VNF들 간의 서비스 플로우를 구성하는 서비스 기능 체이닝(SFC) 혹은 VFG(VNF Forwarding Graph) 기술이 요구된다.

이러한 가상기능 및 가상자원의 최적 배치 및 임베딩 문제는 제한적인 인프라와 SLA를 고려할 경우 NP-hard 문제가 발생하며, 이를 해결하기 위하여 통상적으로 휴리스틱 방법을 사용하고 있으나, 5G 네트워크 이후 지속적으로 증가되는 다양한 네트워크 서비스가 가상 네트워크 인프라 위에서 동작하기 위해서는 이를 구성하는 복수의 가상 네트워크 기능 사이의 트래픽 전달을 위한 SFC/VFG를 최적으로 구성해야 하며, 이에 대한 최적 배치 및 경로를 결정하는 인공지능 기술을 필요로 한다.

NEC는 최적의 VNF(Virtualized Network Function) 리소스 크기 및 배치를 개별적으로 고려하고 환경 다양성에 적응하기 위해 적응 최적화 메커니즘을 포함하는 강화학습(RL: Reinforcement Learning)을 적용하는 방법을 제안하였다. 강화학습을 가속화하기 위한 2단계 방법을 적용하여, 첫 번째 단계에서 각각의 SFC에 대한 일반적 성능 특성을 최적화하고, 2단계에서 서비스 환경의 특수성을 감안한 최적화 모델을 도출하는 방법을 통하여 기존 강화학습에서 소요되는 10,000번 이상의 탐색 부하를 1,000번으로 줄이는 성능 가속화 결과를 도출한 바 있다[15].

스페인의 Basque County 대학에서는 제한적인 인프라 자원과 다양한 네트워크 서비스 특성을 고려한 강화학습 기술과 휴리스틱 방법을 병합한 하이브리드 강화학습 기술을 제안하였다. 가상기능·자원 최적 배치를 위해서 Neural Combinatorial Optimization 기법을 적용한 강화학습을 적용하여 VNF의 배치와 Forwarding Graph(FG)의 임베딩 시의 실패율을 낮추고 인프라의 컴퓨팅 자원 최적화를 위한 실험을 통해서 휴리스틱 알고리즘이 적용된 하이브리드 에이전트 적용 효과를 검증하였다[16].

ETRI에서는 응용서비스에 대한 응답시간을 줄이기 위해 선제적 예측을 통해 스케일 인/아웃을 지원할 수 있는 ML 기반 오토스케일링 기술 연구가 진행 중이며, 중국과기대 등에서 네트워크 서비스의 요청 거부 수 및 거부 비율, 처리량, 종단 간 지연, VNFI 실행시간을 고려한 VNF 배치 알고리즘에 관한 연구 및 강화 학습 기반 VNF 및 서비스 체인 구성을 위한 2단계 최적화 프레임워크를 제시하여 VNF에 대한 CPU 코어의 최적 할당을 결정하기 위한 비용을 줄이고 평균 처리량을 향상시키기 위한 방안에 대한 연구를 수행하고 있다[17,18].

그림 2

가상기능·자원 배치 최적화 개념도

5G 모바일 네트워크 서비스는 신뢰성, 대기시간, 용량, 보안 등의 네트워크 성능요소가 응용에 기반한 맞춤형 연결을 요구하고 있으며, 이를 위한 네트워크 슬라이싱 기술은 동일한 물리적 인프라를 통해 여러 논리 네트워크를 제공하며 SDN과 NFV를 함께 사용하여 기존 물리적 장비 및 서비스에 영향 없이 네트워크의 논리적 분리가 가능하게하는 기술이다.

네트워크 슬라이싱 자동화 기술은 단일 물리 인프라상에 다양한 서비스를 동시에 지원하기 위해 네트워크 및 컴퓨팅 인프라를 독립적인 논리 인프라로 구성·운영하기 위한 자동화 기술로서 다양한 사용자 및 서비스 요구에 따라 이종의 슬라이스들을 실시간으로 동적 할당하고, 최적으로 배치·운영하며, 슬라이스 간의 영향을 배제할 수 있도록 인공지능 기반의 선제적 의사결정 및 최적화 기술이 요구된다.

AI/ML 기반의 네트워크 슬라이스 제어관리를 위한 연구 역시 대학을 중심으로 연구가 진행되고 있으며 대표적인 내용은 다음과 같다.

네트워크 연결 장치의 유형, QoS 클래스 식별자(QCI), packet delay budget, 최대 패킷 손실, 시간 및 요일 등 네트워크와 장치 모두에서 가장 관련성이 높은 KPI를 기반으로 랜덤포레스트(RF) 기법을 활용하여 최적의 네트워크 슬라이스를 추론 할당하는 DeepSlice 기술을 적용하여 슬라이스 분류의 정확도 향상에 관련한 연구가 소개되었으며[19], 5G 코어 네트워크의 서비스 기반 아키텍처와 최적의 작업 할당 알고리즘을 제안하고 SDN, NFV 및 엣지 컴퓨팅과 결합하여 네트워크 기능의 분산 및 주문형 배포, 서비스 보장 네트워크 슬라이싱, 유연한 네트워크 기능 오케스트레이션 및 최적의 워크로드 할당을 제공할 수 있으며, 시뮬레이션 결과를 통해 네트워크 운영 비용 절감 측면에서 효과적임을 보인 바 있다[20].

또한, 5G 인프라의 네트워크 슬라이싱에 대하여 SDN/NFV 기반 큐잉 전략을 기반으로 새로운 접근 방식을 제시하고 물리적 테스트 설정을 통해 성능을 검증하고 부분 과부하 시에도 네트워크 슬라이스가 가능함을 보임으로써 네트워크가 대규모로 슬라이스 된 경우를 제외하고는 성능 저하가 없는 확장성, 동적 데이터 전송률 할당, 슬라이스 재구성에 있어서 실제 조건에서 서비스가 보장됨을 증명하고 있다[21].

5G 네트워크 슬라이싱의 다중 테넌시 특성에 관한 연구로는 슬라이스 다중 테넌트 네트워크에서 제약 조건의 일부로 할당된 대역폭과 전송 전력으로 최대 용량을 달성하는 데 필요한 자원 할당 문제를 시뮬레이션을 통해 슬라이스의 개수, 슬라이스 내의 사용자 수와 전송전력이 MVNO의 용량에 미치는 영향에 관한 연구가 진행 중이다[22].

그림 3

지능형 네트워크 슬라이싱 자동화 개념도

5G 네트워크에서는 mMTC, eMBB, uRLLC와 같이 서로 상이한 QoS 요구사항을 가지고 있는 서비스에 맞는 네트워크의 성능 제공이 요구되고 있다. 이를 위해서 QoS 관련 이벤트에 대한 추적 관리가 요구되며, 현재 이벤트에 대한 정확한 감지, 자동 완화와 즉시 처리 그리고 향후 발생할 수 있는 QoS 관련 이벤트에 대한 신뢰성 있는 예측 기능이 필요하다.

하지만 기존의 하드웨어 장비 기반의 정적인 의사결정이 아닌 유동성을 지닌 프로그래머블 인프라에서 동적으로 변화되는 상황을 고려한 QoS 보장 문제는 전문가 시스템으로 해결하기 어려운 문제로 인식되고 있으며, 특히 복잡다단한 네트워크의 이벤트와 QoS와의 상관관계는 수학적 분석의 한계에 직면하게 되었다.

이에 따라서 최근 네트워크 인프라 및 사용자로부터 발생하는 위치 정보, 이동성 및 통화 패턴과 같은 유용한 정보를 포함하는 많은 양의 데이터를 기계 학습 방법과 결합하여 네트워크 및 통신 구성 요소의 품질 최적화에 대한 필요성이 증대되고 있다.

AI/ML 기반의 네트워크 서비스 품질 최적화를 위한 연구로써 명시적인 프로그래밍에 의한 메커니즘이 아닌 축적된 데이터를 통해서 과거의 QoS 관련 정보 및 이상 현상으로부터 학습하고 이들 간의 관계를 자동으로 정확하게 재구성하는 지도 학습 기반의 QoS 보증을 위한 아키텍처에 관한 연구가 소개된 바 있다[23].

또한, 분산 클라우드 환경에서 네트워크 서비스(NS) 장애 및 성능 문제는 가상 자원 간에 복잡한 연계요소로 인하여 기존의 규칙 기반 시스템으로 효과적인 처리가 불가하므로, 저수준 학습모델과 고수준 학습모델의 조합형 구조 기반의 네트워크 서비스 장애 및 품질 감지/예측 및 국부화(Localization) 방안에 관한 연구 등이 진행 중이다[24].

5G 네트워크 슬라이스에서 강화학습기반 QoS/QoE 인식 SFC에 관한 연구로서 SDN 컨트롤러의 하향 인터페이스에서 piggyback 방식으로 작동하여 QoS를 인식할 수 있는 경량 정보 수집기를 구현하여 DQN(Deep Q Network)기반 에이전트 프레임워크를 제시한 바 있다. DQN 에이전트는 QoS 제한 조건을 존중하면서 QoE를 최대화하기 위한 정책에 기반하여 동적 네트워크 환경에서 SFC에 대한 QoE 프로비저닝 및 QoS 요구사항 유지 관리를 위한 실험 결과를 도출한 바 있다[25].

그림 4

네트워크 서비스 품질 최적화 개념도

향후의 네트워크는 소규모의 분산 클라우드 환경이 더욱 확산되고, 인공지능의 발전에 따른 다양한 AI 기반 지능형 서비스들이 분산된 네트워크에 탑재되어 기계 지능(Machine Intelligence) 간 상호연결 및 산업 간 융합 서비스가 확산될 것으로 전망되고 있다[26].

이러한 분산 지능 협업에 관한 연구로서 다계층 분산 클라우드 네트워크 환경에서 사용자의 개인정보를 보호하고 다양한 자원의 효율적인 사용뿐만 아니라, 요구되는 서비스 품질, 위치, 오프로딩 수준 등을 통합적으로 고려한 분산 협업 오케스트레이션 기술에 대한 관심이 증대되고 있다.

특히 디바이스, 에지, 클라우드 간의 협업형 인공지능 모델의 필요성이 증대됨에 따라서 응용에 따른 중앙집중형, 분산형, 혼합형 구조와 같은 다양한 학습 및 추론 모델에 관한 연구뿐만 아니라, 분산 협업 학습 과정에서 원시 데이터 또는 중간 연산 결과를 주고받으면서 발생하는 비용을 최소화하기 위한 효율적인 방법 등에 관한 연구가 진행 중이다[27].

또한, 중앙집중식 인공지능(AI)을 학습하는 기존 방식과 달리, 분산 노드에서 직접 사용하는 데이터를 처리하고 모델을 강화해, 이 모델을 한곳에 모아 더 정교한 모델을 만들어 다시 배포하는 방식인 연합학습(Federated Learning)에 관한 다양한 연구가 진행 중이다.

이때 발생하는 통신 비용의 문제를 최소화하기 위해서 계층적 연합학습 구조에서 단계별로 군집화하는 방법을 적용 시 기존의 클라우드 기반의 연합학습 방식보다 속도가 빨라지고 학습 과정에서 소모되는 클라이언트의 에너지양과 통신 비용도 함께 줄어드는 효과가 있음을 실험을 통하여 보인 바 있다[28].

그 밖에 분산된 개별 인공지능 기반의 에이전트들이 상호 협력하여 단일 시스템으로 해결하기 어렵거나 불가능한 문제를 해결하는 멀티 에이전트 방법, 추론 대기시간과 에너지 소모량을 개선하기 위해, DNN 모델을 레이어 단위로 분할하여 추론을 수행하는 단말 디바이스와 에지 노드 간 분산 추론 방법, DNN 모델의 추론 대기시간을 개선하기 위해, 일부 레이어까지만 연산을 하여, 목적 클래스에 대한 확률 벡터를 기반으로 신뢰도를 계산하고, 이를 임계치 값과 비교하여 분류 결과 반환 여부를 결정하는 로컬-반환 방법 등의 AI 응용을 위한 분산 협업 오케스트레이션 기술과 관련한 연구가 활발히 진행되는 중이다[29].

분산된 AI의 네트워크 연결 기술은 AI 엔진의 학습에 필요한 원격 데이터와 AI 엔진이 분산 협력을 위해 서로 주고받는 AI 학습 모델의 안전한 공유· 교환을 제공하기 위한 기술을 의미한다. 2020년 1월 9일 국회 본회의를 통과한 데이터 3법(개인정보 보호법·정보통신망법·신용정보법) 개정안 시행 등으로 앞으로 좀 더 활발한 데이터 공유가 가능해질 전망이다[30]. 다른 데이터를 보유한 회사들이 다양한 형태로 협업이 이루어질 수 있게 되었다. 예를 들어, AI 기술 전문 업체가 개인 데이터 또는 일반 기업의 데이터를 이용해 AI 서비스를 제공할 수 있게 되었다.

네트워크의 연결과 가장 쉽게 비교가 되는 현실 세계의 개념은 도로이다. 과학기술정보통신부 역시 최근 우리나라를 AI 강국으로 만들고자 하는 정책의 하나로 데이터 경제 활성화를 위한 일명 “데이터 고속도로” 건설을 추진하고 있다[31]. 그 실현 기술로는 많은 데이터를 빠르게 전달할 수 있는 5G가 핵심으로 이야기되고 있다. 많은 데이터를 잘 전달할 수 있는 넓은 대역의 도로가 필요하다는 측면에서 중요하게 고려되어야 하는 요소이다.

얼마나 데이터를 잘 전달하느냐 역시 넓은 대역만큼이나 중요하게 고려되어야 한다. 데이터를 실어 나르는데 목적지에 대한 정확한 정보나 내비게이션 없이 무작정 운전하는 “구식 화물차”가 아닌 아주 똑똑한 내비게이션을 장착하고, 보안도 잘 갖추고, 필요한 곳에 필요한 시간에 잘 전달을 할 수 있는 “스마트 화물차”가 제공되어야 한다.

연결될 수 있는 모든 것이 연결되는 초연결 네트워크의 복잡 다변화되는 환경에서의 분산 AI 엔진 간 그리고 분산 AI 엔진을 위한 데이터의 안전하고 효율적인 데이터 연결제공을 위해 다음과 같은 특성을 지원하는 스마트한 네트워킹 기술이 고려되어야 한다.

• (안전성) AI 학습 데이터 및 모델의 출처(provenance) 및 불변성(immutability) 보장을 통한 AI 학습 신뢰성 제고

• (효율성) 다수의 AI 엔진 간 또는 AI 엔진과 AI 학습 데이터 및 모델 간 복잡한 연결 방식의 효율화 및 단순화

그림 5는 분산 AI 네트워크 연결을 위한 비전 및 개념을 보여주고 있다. 기존 AI 응용별로 사일로(Silo)화되어 공유되지 못하는 데이터를 안전하고 효율적으로 공유할 수 있는 환경을 제공하여, AI 엔진은 동적 필요에 따라 데이터에 대한 위치에 대한 별도의 고민 없이 데이터를 활용할 수 있다. 이러한 개념은 좀 더 확장되어 데이터가 있는 가까운 곳에서 AI 엔진이 필요한 컴퓨팅 기능이 수행되도록 할 수 있다. 네트워크 내에서 동적으로 컴퓨팅이 이루어지는 것이다.

그림 5

분산 AI 네트워크 연결 기술 개념도

우리는 스마트한 분산 AI 네트워크 연결 기술로서 미래 인터넷의 하나로 연구되어 온 『정보(데이터) 중심 네트워킹(ICN: Information-Centric Networking)』 기술에 주목하고 있다[32,33]. Palo Alto PARC에서 시작되어 미국, 유럽, 일본, 중국 등 세계 각국에서 꾸준한 연구가 지속되었다. 인터넷 이용 패턴 자체가 점차 웹을 기반으로 하는 콘텐츠/데이터 수요기반으로 바뀜에 따라 데이터 전달 및 공유에 효율적이며 데이터 자체에 보안이 내재된 새로운 구조로 제안된 것이다[34]. 이러한 개념은 NFN(Named-Function Networking), CFN(Compute First Networking) 등과 같이 데이터 자체가 아닌 데이터를 기반으로 하는 컴퓨팅 처리에 대한 요청도 가능하도록 확장되어 진행 중이다[35].

AI 학습 데이터(또는 학습 모델)의 전달에도 데이터 중심 네트워킹 기술을 사용하게 되면 AI 데이터 각각에 이름을 부여하고 그 데이터를 만들어 내는 생성자가 시그니처를 붙여 누구나 쉽게 누가 만들었는지 그리고 그 데이터가 위변조되지 않았는지 등의 여부를 검증하여 AI 데이터의 전달과정의 안전성을 보장한다. 또한, AI 데이터가 현재 어디에 있는지에 대한 정보 없이 그리고 물론 보유하고 있는 시스템 또는 저장소로의 별도의 연결설정도 없이 AI 데이터의 이름을 기반으로 AI 데이터를 획득할 수 있다.

AI 데이터에 대한 요청이 있는 경우에만 그 응답으로 요청이 전달된 경로의 역(逆)으로 AI 데이터를 돌려보내 주는 풀(pull) 모드 방식의 전달 방식을 사용하여 동일한 AI 데이터에 대한 요청이 여러 번 오더라도 AI 데이터 생성자에게는 한 번만 전달되도록 하여 AI 데이터 생성자에 대한 DDoS(Distributed Denial of Service) 공격이 원천적으로 차단되며, 네트워크 노드에서의 AI 데이터 캐싱으로 AI 데이터의 중복 전송을 방지하도록 하여 분산 AI 네트워크 전송으로 인한 네트워크 트래픽 폭증을 방지할 수 있다.

연결설정 절차가 필요 없어 다중 인터페이스를 갖는 AI 엔진 시스템은 필요에 따라서 자유롭게 다중 인터페이스 사용을 사용할 수 있으며, AI 데이터 생산자나 AI 엔진이 이동하더라도 쉽게 이동성 보장 지원이 가능한 장점이 있다[36]. 완전히 새로운 개념의 네트워크 구조임에도 링크 계층으로서 기존 TCP/IP 계층을 포함함으로써 IP 네트워크를 대체할 필요 없이 데이터 중심 AI 네트워크의 실현이 가능하다.