人工智能(AI)和机器学习是两个最新的网络流行语被扔在这个行业。问题是许多企业网络经理仍然困惑于这些大大有用技术的真正价值。
新兴网络分析服务,由人工智能和机器学习承诺改造传统基础设施管理模式,简化操作,降低成本,并给予前所未有的洞察用户体验,提高用户IT专业人士和他们的生产力。
网络工作人员,这些技术的概念和价值极其强大如果应用到正确的问题。
对人工智能的好问题
一个大问题是今天的运营挑战在处理用户的质量,设备、应用程序和网络服务数据遍历企业基础设施的访问。机器学习,如果应用得当,是一种理想的解决方案理解所有这些数据来找出所有网络的不同部分是如何相互的行为。
第二个大问题是需要在一个大闭环自动化网络。使用人工智能和所有这些“大数据”是实现这个目标的关键。但首先,行业必须获得“理解数据”部分在许多其他的事情。
今天,网络管理人员必须阅读大量的无线控制器的数据,服务器日志,连接包数据和应用程序交易,分析和关联所有这些数据来确定网络的健康状况以及趋势和模式的网络行为在整个堆栈用户性能的影响。然后,他们手动更改应用到网络没有真正明确决定是否这些改变工作方式。
传统的网络管理和监控工具,没有设计或开发处理这些21世纪的现实,缺乏自动化这个过程。
进入人工智能和机器学习。
先做重要的事
简单地说,人工智能是计算机系统的开发能够执行任务,通常需要人类智慧(超级)。
而不是迫使人们从各种数据源执行日益复杂的计算,人工智能的工作主要集中在模仿人类的决策过程和执行任务更多的人类使预测来解决问题的方法。
与此相关,机器学习是一个人工智能的应用。这个工具包的算法提供系统自动从经验中学习和提高的能力没有被显式地编程。
学习的过程始于观察的数据,和寻找趋势,内模式和异常数据,使越来越多的更好的相关性,推断和预测。机器学习软件“学习”的发现过程,产生特定的输入的观察结果。最后,机器学习提供了一个框架来作出预测和建议将提高整个系统。
理论是伟大的。现在该做什么?
所以如何有效地应用这些魔法,在一个可行的方法,来帮助它和网络员工降低成本,提高生产率和网络上提供更好的用户体验?
机器学习是最理想的工具来自动化的许多传统基础设施管理过程是手动执行。具体来说,在企业接入网络的背景下,它:
- 消除了昂贵和繁琐的手工分析和相关性无数网络数据源的网络工作人员,
- 识别特定的用户和系统网络性能问题在整个IP堆栈和提出建议和预测解决它们,
- 提供单一来源的网络事实可以通过网络团队中不同派系,各自负责自己的服务,
- 最小化之间的相互指责员工出现问题时,和
- 预测潜在的网络问题和容量需求之前发生。
因为机器,不是人,都盯着每一个客户网络交易一天24小时,网络管理人员护理能够决定谁,什么,何时,为什么网络问题发生在哪里,做什么,即使他们不知道去哪里看问题要问什么。
思科,HPE,雾和Nyansa,语言在市场上提供大量的口头使用人工智能和机器学习。Nyansa,唯一的四个与一个纯粹的商业提供接入网络的机器学习。其Voyance网络分析平台提供了一个良好的了解几乎可以通过技术的应用程序。
把毫升(净)工作
机器学习是有用的,但是只有当美联储大量的相关数据。企业访问网络,包括生活包有线网络,无线指标从无线局域网控制器,SYSLOG数据从不同的网络服务器,其他网络广告的数据源。机器学习是用来快速分析所有这些不同的数据,关联在不同网络层。这是几乎不可能与人试图手动关联。
这些机器学习解决方案的优点是,他们可以使用没有代理服务器,客户端软件或侵入性架构变化——使用数据已经通过网络运行。
机器学习的核心是可大规模扩展的云计算资源的使用,复杂的大数据仓库和分析算法,把一切都变成有意义的和可以理解的网络管理人员可以采取的行动。
一旦进行了分析,这些数据是蒸馏表面趋势和模式影响网络上的每个设备的性能。由此产生的见解,而不是清晰可见性或容易通过网络管理人员,告诉它员工哪里,何时和为什么用户连接受阻。
因为每个客户网络事务由机器进行分析,确定精确的网络是挣扎,很快确定。
问题发生在一个特定的VLAN吗?在一个特定的位置吗?的问题是一个wi - fi接入点或一组APs吗?某种类型的设备?这是一个应用程序的问题吗?DNS、DHCP的问题?对于一个给定的集团用户?有哪些具体的行动我在网络可以提高DNS的经验吗?没有机器学习,得到这些问题的答案可能需要几天甚至几周时间。
正确的时间在正确的地方
鉴于新数据的入侵现在企业接入网络,无法更受欢迎机器学习和人工智能技术在网络管理人员的压力,用较少的资源做更多的事。
虽然AI仅仅是一个一般术语描述手册或复杂的任务自动化,机器学习是一个工具包的算法,使自动学习“大数据”已经在今天的网络上运行。
现在有了这些技术,网络管理人员可以更好地理解有问题的用户体验,获得建议的行动,最终,自动化的配置和运行基础设施。这是几乎所有的网络涅槃的定义。