论文部分内容阅读
新的工具可以为网络带宽配置提供一些技巧。人工智能和机器学习能够精确地预测网络需求。
网络容量规划旨在确保提供足够的带宽，以达到网络服务级协议（SLA）中的诸多要求，如延迟、抖动、丢失和可用性。这是一项复杂且容易出错的任务，稍有不慎就会对财务带来严重影响。一直以来，在容量规划中，网络数据需求通常只能通过静态、历史和事后报告获得。如今这种情况正在迅速改观。
德勤咨询公司负责认知分析的执行董事Ashish Verma称：“通过将先进的数据科学和认知技术（如人工智能和机器学习）结合起来，IT能够带来全新的且更为智能的预测性，从而提高了网络容量规划的准确性。这有助于组织机构加大对数据的使用力度，从而制定出更为灵活的决策，提升运营智慧，避免宕机，以及带来更加出色的用户体验。”
尽管人工智能支持的网络容量规划仍处于初期阶段，但是大多数容量规划服务商，包括思科、NetBrain、Aria Networks、Flowmon和SolarWinds等大大小小的厂商都已经开始将某种形式的人工智能技术融入到自己的产品当中，亦或是计划在不久的将来也这样做。与此同时，人工智能技术厂商，如IBM Watson也在寻求进入这一市场。
人工智能支持传统的网络监控
商业咨询公司毕马威（KPMG）CIO咨询经理Fredrik Lindstrom指出，利用人工智能分析来自多个来源的数据提供了比密切关注链路利用率的传统网络监控工具更高的准确性。“人工智能还可支持对不同性能场景进行建模，将网络性能与应用程序性能联系起来，从而确定应用程序在不同性能场景中的受影响程度。”
由人工智能驱动的机器学习已经应用到了网络性能方面，其允许网络控制器在强化网络的同时对经验进行学习。
思科分析与机器学习领域的专家Duval Yeager表示：“在它们进行学习的过程中，用于决策的分析模型得到了优化，因而能够更好地表达网络的真实意图及其业务目标。随着网络的发展变化以及应用与用户的增加——无论是本地还是云端，它们将会提供准确的容量规划。”
卡内基梅隆大学泰珀商学院商业技术助理教授Yan Huang认为，人工智能和机器学习方法可有效地应用于流量预测/预报、流量模式检测、在线学习和自动决策。
Huang解释道，“高级机器学习算法可以将大规模、高颗粒度的网络数据作为输入，从而为网络中的每个节点生成精确的需求预测，同时检测网络流量和利用率的跨期模式/趋势。改进的流量和需求预测将能够更为准确地评估网络容量需求，减少资源的过度配置。”
早期检测和发现跨期模式或网络流量的变化使得组织机构能够采取主动措施以确保网络的性能。“复杂的预测模型可以与优化和/或模拟技术相结合，自动生成最佳的网络结构或架构以及相应的容量和资源计划，”Huang说。然后再根据组织机构最关心的特定性能指标对计划做出相应的调整。
人工智能技术还可以根据实时网络状况处理实时流量数据并动态制定路由和分配决策。Huang解释说，“它们还支持对新增容量进行按需配置”。所有这些因素都可以显著降低与网络开发、维护和改进相关的资本支出和运营支出，同时降低IT专业人员管理此类活动的工作量。
一旦安装并正确配置，网络人工智能技术就能够实现网络容量规划的自动化，同时还能考虑到组织机构的财务和风险偏好。Lindstrom指出，“人工智能可以实时或接近实时地分析许多不同的数据点，这对于组织机构跨数据中心、云环境和广域网进行虚拟网络叠加至关重要。”
此外，人工智能还可通过用多种方式分析网络流量模式，帮助组织机构深入了解网络中正在运行的内容以及整体的网络负载。
劳动力管理软件与服务提供商Kronos的首席架构师兼网络与安全高级总监Doug Tamasanis说：“这一细节对于短期和长期容量规划非常有用，”
在短期内，人工智能可以更为细致地预测每日流量突发情况，例如应用程序、位置、技术和协议。这些发现可以被用来防止高峰期出现性能下降。Tamasanis表示：“从长远来看，人工智能系统可以执行最佳的容量规划，预测何时无法满足短期的流量爆发，以及何时需要进行全面升级。”
基于人工智能的容量规划：入门指南
IT资产和服务管理软件提供商Ivanti的系统工程师Marcel Shaw表示，初次使用基于人工智能的容量规划技术的最佳方式是使用已获得一定成功且被企业认可的成熟技术。
他说：“管理员应谨慎处理人工智能学习算法生成的建议。人工智能学习算法将在未来几年内得到大幅提升，但是在完全信任人工智能解决方案推荐的容量要求之前，客户应当保持耐心并給予人工智能技术发展成熟的时间，这非常重要。”
Lindstrom建议，在数据来源和监控范围方面，先进行小规模尝试。“至关重要的是数据源要可靠且一致，并且人工智能系统要能够在至少一个完整的业务周期内就能产生明显的效果。”
Tamasanis指出，将网络端口复制部署到关键网络设备是为分析平台提供数据流的最佳方式。特定系统（例如无线控制器、VPN集中器和防火墙）配置可被直接配置用于传输数据。“所有人工智能系统都需要这些类型的数据提供方式，并且覆盖范围越大越好，关键是要最大程度地将海量数据传输到人工智能平台。”
在适当的环境中提供正确的数据也很重要。云计算平台开发商OpsRamp的工程总监Murthy Garikiparthi表示：“准备好数据，以便轻松获取解决方案，同时确保提供的网络容量与自己的目标相适应。”一旦数据管道被建立，且速度和反馈一致，那么人工智能解决方案就可以开始监视特定行为的数据。Garikiparthi建议道，“最终，一旦人工智能开始提出建议，IT运营团队就可以制定自动化策略，并根据这些深刻洞察采取行动。” Tamasanis强调，选择合适的人工智能平台非常关键。他指出，“有些平台会比其他的平台更适合某些企业。这种自然差异既是人工智能分析的一个诱人的地方，同时也是一个存在问题的地方。” Tamasanis建议先将自动化配置放到一边。他警告说：“虽然它们在反应时间方面具有吸引力，但是对数据的误解可能会导致性能降低。”
关于人工智能资源和准确性的误区
在将人工智能用于网络容量规划方面，最大的误区可能是该技术并不是特别耗费资源，特别是在人机交互方面。Lindstrom表示，一些供应商会进一步加重这种错觉，他们给人们的印象是你可以安装这个工具，并且无需任何人管理就能完成所有工作。
另一个误区是基于人工智能的网络容量规划是孤注一掷的赌博。Yeager建议，企业应该采取分阶段的方式与供应商合作，通过模块化的方式部署解决方案，并关注最具价值的用例。鉴于许多未来的网络元素将基于云且依赖于订阅，这种方法就显得尤其重要。“参考用例和分阶段部署可保证IT主管不会为尚未部署的服务和解决方案支付云订阅费用，”Yeager解释道。
Shaw指出，对于使用人工智能进行容量规划的最大误解是人工智能解决方案始终是准确的。“在人工智能解决方案成熟之前，管理员必须对由人工智能驱动的容量规划解决方案提供的建议进行验证并提出质疑。”
人工智能容量规划中存在的陷阱
与任何新兴技术一样，人工智能容量规划也存在着一些“雷区”。Lindstrom指出，狂热的采用者往往部署的时机过早且规模过大，并且指望在没有任何系统微调的情况下立即获得结果。他警告说：“如果系统没有足够的数据进行分析，或者数据不可靠或不一致，那么這些工具将无法生成准确的网络图或发现网络性能问题。”
成功避开提供不完整产品或服务的供应商也很重要。Yeager 指出，“目前市场上大多数解决方案只为部分网络提供了部分优势，它们并没有为有线、无线、设备、客户端、应用程序、安全、策略、跨域、WAN、云和数据中心提供完整的网络解决方案。”
使用基于非开放平台的人工智能产品和服务将使智能服务难以推广至组织机构的其他部分。“未来的运营将不再是孤立的，部门将共享网络、服务、运营和数据使用，以增强企业内所有部门之间的联系，”Yeager说。
由于人工智能是一项相对较新的技术，因此部署者经常遇到来自保守的主管和员工的抵制，他们的目的是为了保护自己旧有的知识体系、传统的工作流程和工作岗位。Garikiparthi 警告说： “做事方式不能过于僵化，甚至连人工智能的优势都要拒绝。”
此外，Tamasanis强调说，人工智能只是提供了建议，而不是决定性陈述。“人工智能工具与当前的网络设备和工程师相互整合将是一个循序渐进的过程。”
网络容量规划旨在确保提供足够的带宽，以达到网络服务级协议（SLA）中的诸多要求，如延迟、抖动、丢失和可用性。这是一项复杂且容易出错的任务，稍有不慎就会对财务带来严重影响。一直以来，在容量规划中，网络数据需求通常只能通过静态、历史和事后报告获得。如今这种情况正在迅速改观。
德勤咨询公司负责认知分析的执行董事Ashish Verma称：“通过将先进的数据科学和认知技术（如人工智能和机器学习）结合起来，IT能够带来全新的且更为智能的预测性，从而提高了网络容量规划的准确性。这有助于组织机构加大对数据的使用力度，从而制定出更为灵活的决策，提升运营智慧，避免宕机，以及带来更加出色的用户体验。”
尽管人工智能支持的网络容量规划仍处于初期阶段，但是大多数容量规划服务商，包括思科、NetBrain、Aria Networks、Flowmon和SolarWinds等大大小小的厂商都已经开始将某种形式的人工智能技术融入到自己的产品当中，亦或是计划在不久的将来也这样做。与此同时，人工智能技术厂商，如IBM Watson也在寻求进入这一市场。
人工智能支持传统的网络监控
商业咨询公司毕马威（KPMG）CIO咨询经理Fredrik Lindstrom指出，利用人工智能分析来自多个来源的数据提供了比密切关注链路利用率的传统网络监控工具更高的准确性。“人工智能还可支持对不同性能场景进行建模，将网络性能与应用程序性能联系起来，从而确定应用程序在不同性能场景中的受影响程度。”
由人工智能驱动的机器学习已经应用到了网络性能方面，其允许网络控制器在强化网络的同时对经验进行学习。
思科分析与机器学习领域的专家Duval Yeager表示：“在它们进行学习的过程中，用于决策的分析模型得到了优化，因而能够更好地表达网络的真实意图及其业务目标。随着网络的发展变化以及应用与用户的增加——无论是本地还是云端，它们将会提供准确的容量规划。”
卡内基梅隆大学泰珀商学院商业技术助理教授Yan Huang认为，人工智能和机器学习方法可有效地应用于流量预测/预报、流量模式检测、在线学习和自动决策。
Huang解释道，“高级机器学习算法可以将大规模、高颗粒度的网络数据作为输入，从而为网络中的每个节点生成精确的需求预测，同时检测网络流量和利用率的跨期模式/趋势。改进的流量和需求预测将能够更为准确地评估网络容量需求，减少资源的过度配置。”
早期检测和发现跨期模式或网络流量的变化使得组织机构能够采取主动措施以确保网络的性能。“复杂的预测模型可以与优化和/或模拟技术相结合，自动生成最佳的网络结构或架构以及相应的容量和资源计划，”Huang说。然后再根据组织机构最关心的特定性能指标对计划做出相应的调整。
人工智能技术还可以根据实时网络状况处理实时流量数据并动态制定路由和分配决策。Huang解释说，“它们还支持对新增容量进行按需配置”。所有这些因素都可以显著降低与网络开发、维护和改进相关的资本支出和运营支出，同时降低IT专业人员管理此类活动的工作量。
一旦安装并正确配置，网络人工智能技术就能够实现网络容量规划的自动化，同时还能考虑到组织机构的财务和风险偏好。Lindstrom指出，“人工智能可以实时或接近实时地分析许多不同的数据点，这对于组织机构跨数据中心、云环境和广域网进行虚拟网络叠加至关重要。”
此外，人工智能还可通过用多种方式分析网络流量模式，帮助组织机构深入了解网络中正在运行的内容以及整体的网络负载。
劳动力管理软件与服务提供商Kronos的首席架构师兼网络与安全高级总监Doug Tamasanis说：“这一细节对于短期和长期容量规划非常有用，”
在短期内，人工智能可以更为细致地预测每日流量突发情况，例如应用程序、位置、技术和协议。这些发现可以被用来防止高峰期出现性能下降。Tamasanis表示：“从长远来看，人工智能系统可以执行最佳的容量规划，预测何时无法满足短期的流量爆发，以及何时需要进行全面升级。”
基于人工智能的容量规划：入门指南
IT资产和服务管理软件提供商Ivanti的系统工程师Marcel Shaw表示，初次使用基于人工智能的容量规划技术的最佳方式是使用已获得一定成功且被企业认可的成熟技术。
他说：“管理员应谨慎处理人工智能学习算法生成的建议。人工智能学习算法将在未来几年内得到大幅提升，但是在完全信任人工智能解决方案推荐的容量要求之前，客户应当保持耐心并給予人工智能技术发展成熟的时间，这非常重要。”
Lindstrom建议，在数据来源和监控范围方面，先进行小规模尝试。“至关重要的是数据源要可靠且一致，并且人工智能系统要能够在至少一个完整的业务周期内就能产生明显的效果。”
Tamasanis指出，将网络端口复制部署到关键网络设备是为分析平台提供数据流的最佳方式。特定系统（例如无线控制器、VPN集中器和防火墙）配置可被直接配置用于传输数据。“所有人工智能系统都需要这些类型的数据提供方式，并且覆盖范围越大越好，关键是要最大程度地将海量数据传输到人工智能平台。”
在适当的环境中提供正确的数据也很重要。云计算平台开发商OpsRamp的工程总监Murthy Garikiparthi表示：“准备好数据，以便轻松获取解决方案，同时确保提供的网络容量与自己的目标相适应。”一旦数据管道被建立，且速度和反馈一致，那么人工智能解决方案就可以开始监视特定行为的数据。Garikiparthi建议道，“最终，一旦人工智能开始提出建议，IT运营团队就可以制定自动化策略，并根据这些深刻洞察采取行动。” Tamasanis强调，选择合适的人工智能平台非常关键。他指出，“有些平台会比其他的平台更适合某些企业。这种自然差异既是人工智能分析的一个诱人的地方，同时也是一个存在问题的地方。” Tamasanis建议先将自动化配置放到一边。他警告说：“虽然它们在反应时间方面具有吸引力，但是对数据的误解可能会导致性能降低。”
关于人工智能资源和准确性的误区
在将人工智能用于网络容量规划方面，最大的误区可能是该技术并不是特别耗费资源，特别是在人机交互方面。Lindstrom表示，一些供应商会进一步加重这种错觉，他们给人们的印象是你可以安装这个工具，并且无需任何人管理就能完成所有工作。
另一个误区是基于人工智能的网络容量规划是孤注一掷的赌博。Yeager建议，企业应该采取分阶段的方式与供应商合作，通过模块化的方式部署解决方案，并关注最具价值的用例。鉴于许多未来的网络元素将基于云且依赖于订阅，这种方法就显得尤其重要。“参考用例和分阶段部署可保证IT主管不会为尚未部署的服务和解决方案支付云订阅费用，”Yeager解释道。
Shaw指出，对于使用人工智能进行容量规划的最大误解是人工智能解决方案始终是准确的。“在人工智能解决方案成熟之前，管理员必须对由人工智能驱动的容量规划解决方案提供的建议进行验证并提出质疑。”
人工智能容量规划中存在的陷阱
与任何新兴技术一样，人工智能容量规划也存在着一些“雷区”。Lindstrom指出，狂热的采用者往往部署的时机过早且规模过大，并且指望在没有任何系统微调的情况下立即获得结果。他警告说：“如果系统没有足够的数据进行分析，或者数据不可靠或不一致，那么這些工具将无法生成准确的网络图或发现网络性能问题。”
成功避开提供不完整产品或服务的供应商也很重要。Yeager 指出，“目前市场上大多数解决方案只为部分网络提供了部分优势，它们并没有为有线、无线、设备、客户端、应用程序、安全、策略、跨域、WAN、云和数据中心提供完整的网络解决方案。”
使用基于非开放平台的人工智能产品和服务将使智能服务难以推广至组织机构的其他部分。“未来的运营将不再是孤立的，部门将共享网络、服务、运营和数据使用，以增强企业内所有部门之间的联系，”Yeager说。
由于人工智能是一项相对较新的技术，因此部署者经常遇到来自保守的主管和员工的抵制，他们的目的是为了保护自己旧有的知识体系、传统的工作流程和工作岗位。Garikiparthi 警告说： “做事方式不能过于僵化，甚至连人工智能的优势都要拒绝。”
此外，Tamasanis强调说，人工智能只是提供了建议，而不是决定性陈述。“人工智能工具与当前的网络设备和工程师相互整合将是一个循序渐进的过程。”