Mithilfe von künstlicher Intelligenz (KI) und maschinellem Lernen (ML) macht die prädiktive Netzwerktechnologie Administratoren frühzeitig auf mögliche Netzwerkprobleme aufmerksam und bietet potenzielle Lösungen an.
Bob Hersch, Principal und Leiter der US-Plattformen und Infrastruktur bei Deloitte Consulting, sagte, dass KI- und ML-Algorithmen für die Vorhersage von Netzwerktechnologien entscheidend geworden sind. “Die prädiktive Netzwerktechnologie nutzt künstliche neuronale Netzwerke und Modelle, um Daten zu analysieren, Muster zu lernen und Vorhersagen zu treffen”, sagte er. “KI und ML verbessern die Beobachtbarkeit, die Anwendungstransparenz und die Fähigkeit, auf Netzwerk- und andere Probleme zu reagieren, erheblich.”
Obwohl die prädiktive Netzwerktechnologie in den letzten Jahren beeindruckende Fortschritte gemacht hat, glauben viele Entwickler und Beobachter, dass das Beste noch vor ihnen liegt. “Tools und Systeme sind jetzt verfügbar, aber wie bei den meisten wichtigen Entwicklungen in der Technologie sind frühe Anwender gefährdet, weil die Entwicklung noch im Gange ist, um die Effektivität des Übergangs zu messen”, sagte David Lessing, Direktor für Technologieforschung und Technologie. Beratungsunternehmen ISG.
Predictive Analytics dient nicht mehr nur der Vorhersage von Netzwerkausfällen und dem proaktiven Umgang mit Bandbreiten- und Anwendungsleistungsproblemen, so Yaakov Shapiro, Chief Technology Officer beim Anbieter von Telekommunikationssoftware und -dienstleistungen Tangoe. “Predictive Analytics werden jetzt eingesetzt, um Probleme rund um das Netzwerk zu lösen und die Unzulänglichkeiten von SD-WAN zu beheben, vor allem die Ausbreitung von Anbietern und die Notwendigkeit eines umfassenderen Service-Managements und einer Optimierung der Telekommunikationskosten“, sagte er. “Diese Probleme sind in einer Zeit, in der MPLS (Single-Carrier-Dienste und Dual-Carrier-Dienste) gegen Breitbanddienste ausgetauscht werden, die Hunderte von Internetdienstanbietern umfassen können, noch wichtiger geworden.”
Künstliche Intelligenz treibt prädiktive Netzwerke voran.
Die neuesten Entwicklungen im Bereich der künstlichen Intelligenz sind die wichtigsten Entwicklungen in der prädiktiven Netzwerktechnologie. “Cloud-basierte KI-Technologie kann die Qualität und Geschwindigkeit der Informationen verbessern, die Netzwerktechnikern zur Verfügung gestellt werden, und gibt ihnen gleichzeitig ein wertvolles Werkzeug zur Untersuchung von Ausfällen und anderen Problemen an die Hand”, sagt Patrick MeLampy, Forscher bei Juniper Networks. “KI kann Anomalien schneller erkennen als Menschen und sogar die Grundursache von Anomalien analysieren, was Technikern hilft, Probleme schneller als bisher zu verstehen und zu beheben.”
Die Integration von Tools der künstlichen Intelligenz in die prädiktive Netzwerktechnologie hat auch das Potenzial, einen wirtschaftlichen Wandel herbeizuführen. “Mit bewährten KI- und ML-Tools können Dienstanbieter und Unternehmen gleichermaßen die Kosten für die Erkennung und Lösung von Problemen senken”, so MeLampy. Zusätzlich zu den wirtschaftlichen Vorteilen kann KI dazu beitragen, das Management innerhalb eines Unternehmens oder des gesamten Portfolios eines Dienstleisters zu optimieren. “Die mittlere Zeit bis zur Reparatur wird verkürzt und die Zufriedenheit der Endbenutzer verbessert”, so MeLampy.
Bryan Woodworth, Chief Solutions Strategist beim Multi-Cloud-Netzwerktechnologie-Unternehmen Aviatrix, sagte, dass sich die Netzwerktechnologie in den nächsten Jahren rasant entwickeln wird. Sie hat dazu beigetragen, Netzwerkprobleme schnell und effizient zu lösen. “KI kann Alarm- und Fehlerzustände über viele verschiedene Systeme hinweg korrelieren und in Minuten oder sogar Sekunden relevante Muster entdecken, für die Menschen Stunden oder Tage brauchen würden”, sagte er.
Woodworth sagte, dass die prädiktive Netzwerktechnologie auch die Anzahl der Fehlalarme in Protokollen und Fehleranalysen erheblich reduzieren kann, was zu intelligenteren und nützlicheren Warnungen führt. “Man kann sich nicht von etwas heilen, das man nicht entdeckt hat”, sagte er. “Man muss zum Beispiel wissen, wo das Problem liegt, bevor man das Netzwerk ändern kann, um es zu umgehen. Selbstheilende Netzwerke, die auf KI und ML basieren, geben bessere Empfehlungen, wie man Fehler beheben und Ausfälle vermeiden kann.
Vorausschauende Modellierung funktioniert am besten im Rechenzentrum.
Die Netzwerkverhaltensanalyse untersucht Netzwerkdaten wie Ports, Protokolle, Leistung und geografische IP-Daten, um bei signifikanten Veränderungen im Netzwerkverhalten, die auf eine Bedrohung hindeuten könnten, Warnungen zu geben. “In Zukunft können diese Daten in ein Modell mit künstlicher Intelligenz eingespeist werden, um zu bestätigen, ob die Bedrohung real ist, und dann Empfehlungen auszusprechen, wie das Problem durch Änderungen im Netzwerk gelöst werden kann”, so Woodworth. “Diese Art der prädiktiven Modellierung funktioniert am besten in privaten Netzwerken wie Rechenzentren, denn dort haben Menschen die vollständige Kontrolle über alle Netzwerkkomponenten und die von ihnen erzeugten Daten.”
Bei öffentlichen Netzen, einschließlich solcher, die mit dem Internet verbunden sind, wird die Aufgabe noch schwieriger. Lernende Modelle müssen so konzipiert sein, dass sie Systeme kompensieren, die nicht direkt kontrolliert werden oder die mit unvollständigen Datensätzen ausgestattet sind. Das bedeutet, dass die Vorhersagegenauigkeit des Lernmodells verringert wird, so Woodworth, und dass manuelle Anpassungen erforderlich sein können, um fehlende Daten zu berücksichtigen.
Damit fortschrittliche KI- und maschinelle Lernmodelle ihre volle Wirkung entfalten können, sollten sie auf Produktionsniveau laufen und für Fehlerbehebungen skaliert werden, so Smith. “Entscheidungsträger müssen den Modellierungsergebnissen vertrauen, und die Technologie-Sponsoren müssen sie effektiv umsetzen”, sagte er.
Gleichzeitig heben die kontinuierlichen Fortschritte bei der Cloud-Technologie und den Grafikprozessoren (GPUs) die Modellierung auf die nächste Stufe. “Open-Source- und kommerzielle Frameworks helfen Organisationen, ML-Operationen schnell und in großem Umfang einzusetzen und gleichzeitig die Risiken zu reduzieren, die mit dem Zeitaufwand und der Komplexität verbunden sind, die für die Konfiguration von Cloud- und Open-Source-Systemen für KI erforderlich sind”, so Maggie Smith, Managing Director für angewandte Intelligenz bei der Beratungsfirma. Accenture Federal Services.
Laut Smith haben mehrere große Cloud-Anbieter Funktionen zur Optimierung und Verwaltung von KI-Modellen implementiert. Diese Technologie ist in Tools wie Amazon SageMaker, Google AI Platform und Azure Machine Learning Studio zu finden. “Open-Source-Frameworks wie TensorRT und Hugging Face bieten größere Möglichkeiten für die Überwachung und Effizienz von Umschulungsmodellen”, so Smith.
Künstliche Intelligenz treibt prädiktive Netzwerke voran.
Die neuesten Entwicklungen im Bereich der künstlichen Intelligenz sind die wichtigsten Entwicklungen in der prädiktiven Netzwerktechnologie. “Cloud-basierte KI-Technologie kann die Qualität und Geschwindigkeit der Informationen verbessern, die Netzwerktechnikern zur Verfügung gestellt werden, und gibt ihnen gleichzeitig ein wertvolles Werkzeug zur Untersuchung von Ausfällen und anderen Problemen an die Hand”, sagt Patrick MeLampy, Forscher bei Juniper Networks. “KI kann Anomalien schneller erkennen als Menschen und sogar die Grundursache von Anomalien analysieren, was Technikern hilft, Probleme schneller als bisher zu verstehen und zu beheben.”
Die Integration von Tools der künstlichen Intelligenz in die prädiktive Netzwerktechnologie hat auch das Potenzial, einen wirtschaftlichen Wandel herbeizuführen. “Mit bewährten KI- und ML-Tools können Dienstanbieter und Unternehmen gleichermaßen die Kosten für die Erkennung und Lösung von Problemen senken”, so MeLampy. Zusätzlich zu den wirtschaftlichen Vorteilen kann KI dazu beitragen, das Management innerhalb eines Unternehmens oder des gesamten Portfolios eines Dienstleisters zu optimieren. “Die mittlere Zeit bis zur Reparatur wird verkürzt und die Zufriedenheit der Endbenutzer verbessert”, so MeLampy.
Bryan Woodworth, Chief Solutions Strategist beim Multi-Cloud-Netzwerktechnologie-Unternehmen Aviatrix, sagte, dass sich die Netzwerktechnologie in den nächsten Jahren rasant entwickeln wird. Sie hat dazu beigetragen, Netzwerkprobleme schnell und effizient zu lösen. “KI kann Alarm- und Fehlerzustände über viele verschiedene Systeme hinweg korrelieren und in Minuten oder sogar Sekunden relevante Muster entdecken, für die Menschen Stunden oder Tage brauchen würden”, sagte er.
Woodworth sagte, dass die prädiktive Netzwerktechnologie auch die Anzahl der Fehlalarme in Protokollen und Fehleranalysen erheblich reduzieren kann, was zu intelligenteren und nützlicheren Warnungen führt. “Man kann sich nicht von etwas heilen, das man nicht entdeckt hat”, sagte er. “Man muss zum Beispiel wissen, wo das Problem liegt, bevor man das Netzwerk ändern kann, um es zu umgehen. Selbstheilende Netzwerke, die auf KI und ML basieren, geben bessere Empfehlungen, wie man Fehler beheben und Ausfälle vermeiden kann.
Vorausschauende Modellierung funktioniert am besten im Rechenzentrum.
Die Netzwerkverhaltensanalyse untersucht Netzwerkdaten wie Ports, Protokolle, Leistung und geografische IP-Daten, um bei signifikanten Veränderungen im Netzwerkverhalten, die auf eine Bedrohung hindeuten könnten, Warnungen zu geben. “In Zukunft können diese Daten in ein Modell mit künstlicher Intelligenz eingespeist werden, um zu bestätigen, ob die Bedrohung real ist, und dann Empfehlungen auszusprechen, wie das Problem durch Änderungen im Netzwerk gelöst werden kann”, so Woodworth. “Diese Art der prädiktiven Modellierung funktioniert am besten in privaten Netzwerken wie Rechenzentren, denn dort haben Menschen die vollständige Kontrolle über alle Netzwerkkomponenten und die von ihnen erzeugten Daten.”
Bei öffentlichen Netzen, einschließlich solcher, die mit dem Internet verbunden sind, wird die Aufgabe noch schwieriger. Lernende Modelle müssen so konzipiert sein, dass sie Systeme kompensieren, die nicht direkt kontrolliert werden oder die mit unvollständigen Datensätzen ausgestattet sind. Das bedeutet, dass die Vorhersagegenauigkeit des Lernmodells verringert wird, so Woodworth, und dass manuelle Anpassungen erforderlich sein können, um fehlende Daten zu berücksichtigen.
Damit fortschrittliche KI- und maschinelle Lernmodelle ihre volle Wirkung entfalten können, sollten sie auf Produktionsniveau laufen und für Fehlerbehebungen skaliert werden, so Smith. “Entscheidungsträger müssen den Modellierungsergebnissen vertrauen, und die Technologie-Sponsoren müssen sie effektiv umsetzen”, sagte er.
Gleichzeitig heben die kontinuierlichen Fortschritte bei der Cloud-Technologie und den Grafikprozessoren (GPUs) die Modellierung auf die nächste Stufe. “Open-Source- und kommerzielle Frameworks helfen Organisationen, ML-Operationen schnell und in großem Umfang einzusetzen und gleichzeitig die Risiken zu reduzieren, die mit dem Zeitaufwand und der Komplexität verbunden sind, die für die Konfiguration von Cloud- und Open-Source-Systemen für KI erforderlich sind”, so Maggie Smith, Managing Director für angewandte Intelligenz bei der Beratungsfirma. Accenture Federal Services.
Laut Smith haben mehrere große Cloud-Anbieter Funktionen zur Optimierung und Verwaltung von KI-Modellen implementiert. Diese Technologie ist in Tools wie Amazon SageMaker, Google AI Platform und Azure Machine Learning Studio zu finden. “Open-Source-Frameworks wie TensorRT und Hugging Face bieten größere Möglichkeiten für die Überwachung und Effizienz von Umschulungsmodellen”, so Smith.
