傳統(tǒng)上，網(wǎng)絡(luò)管理有點像構(gòu)建金字塔，構(gòu)建精細的規(guī)則系統(tǒng)以預(yù)測網(wǎng)絡(luò)問題的每種可能組合。負責該公司Blue Planet軟件部門的Ciena的Kailem Anderson認為，深度學習可以用更少的汗水和辛勞來找出那些可能的失敗情景。遠程醫(yī)療，人工智能和深度學習正在徹底改變醫(yī)療保健(免費PDF)據(jù)一位曾經(jīng)在戰(zhàn)壕中的人說，“傷疤”和“那個可怕的世界”是網(wǎng)絡(luò)管理的一些術(shù)語。

去年加入光纖巨頭Ciena之前，Kailem Anderson在思科系統(tǒng)公司工作了12年。作為Ciena軟件部門Blue Planet的投資組合和工程副總裁，他正在努力幫助那些必須保持網(wǎng)絡(luò)運行的人避免這種痛苦。

安德森說：“我管理客戶網(wǎng)絡(luò)，我花了很多時間聘請分析師來觀看網(wǎng)絡(luò)，觀察警報，制定大量規(guī)則，”用于網(wǎng)絡(luò)監(jiān)控。他輕松的澳大利亞口音給聽起來像是一件相當悲慘的事情帶來了一定的輕松。

藍色星球在2018年的收入為2600萬美元，僅占Ciena 2018年軟件收入約2億美元和總收入30億美元的一小部分。但它增長了66%，并且可以帶來比Ciena的光網(wǎng)絡(luò)設(shè)備銷售更高的利潤率。它還為公司提供了經(jīng)常受到華爾街高度贊賞的經(jīng)常性收入來源。這些經(jīng)濟方面，加上它在設(shè)計客戶網(wǎng)絡(luò)方面具有戰(zhàn)略意義，使其成為Ciena作為一家公司的重要組成部分。

另外：Google的Snorkel DryBell是企業(yè)數(shù)據(jù)管理的未來嗎？

弄清楚網(wǎng)絡(luò)中出了什么問題涉及到所謂的協(xié)議“堆棧”，開放系統(tǒng)互連或“OSI”的幾個層面的偵探工作。有些信息來自堆棧的底部，如果你愿意的話，是“第一層”，它由傳輸?shù)奈锢砻浇榻M成。例如，這可以是同軸電纜或光纖鏈路。

在上面的第二層，第二層，原始位被打包成捆綁，例如以太網(wǎng)幀，并且當它們穿過網(wǎng)絡(luò)的光纖和電纜時，收集有關(guān)這些數(shù)據(jù)幀狀態(tài)的各種信息。 。下一層是第三層，其中數(shù)據(jù)被打包為可互聯(lián)網(wǎng)尋址的數(shù)據(jù)包，同樣要收集大量的欠信息，例如路由和交換有關(guān)數(shù)據(jù)包傳輸位置的信息。

從那里開始，人們可以進入更高級別，第4到第7層，應(yīng)用程序域，并獲取有關(guān)單個應(yīng)用程序?qū)⑵鋽?shù)據(jù)放入這些Internet數(shù)據(jù)包的信息以及是否在執(zhí)行此操作時遇到任何問題。

以兩個光鏈路中的一個上發(fā)生轉(zhuǎn)發(fā)器故障為例。這導致多協(xié)議標簽系統(tǒng)或MPLS中的路由改變。網(wǎng)絡(luò)設(shè)備報告沿著IP路由的擁塞，因為鏈路承擔更多流量的負擔，并且最終用戶使用網(wǎng)絡(luò)經(jīng)歷嚴重的延遲。所有這些都是同一問題的一部分，Anderson解釋說，但從用戶體驗到轉(zhuǎn)發(fā)器故障可能是一個謎。

傳統(tǒng)上，系統(tǒng)管理員以不同的方式查看各種項目，每個OSI層的信號來自不同的遙測系統(tǒng)，例如SNMP監(jiān)視器，系統(tǒng)日志，跟蹤“流”的第三種信息，然后是信息來來自單個設(shè)備，例如有關(guān)最近配置更改的信息 - 沒有一個是協(xié)調(diào)的。

從一個角度看起來糟糕的用戶性能看起來像MPLS路由問題或另一個層面的IP帶寬問題，導致一個嚴重的偵探工作找到罪魁禍首，轉(zhuǎn)發(fā)器故障。

此外：谷歌大腦，微軟探測與AI網(wǎng)絡(luò)的奧秘

安德森說，一張門票就會被創(chuàng)建出來，并且它會在團隊之間發(fā)揮作用，沒有任何一個團隊可以看到對方。“最終他們解決了這個問題，他們讓工程師檢查這個問題，但效率非常低。”

系統(tǒng)管理員必須嘗試構(gòu)建規(guī)則系統(tǒng)，以確定每種可能的因素組合的含義。“他們花了1000多個小時建立這些規(guī)則，”安德森說。“用這個時間來識別所有不同的場景是一場零和游戲。”

相反，Blue Planet工具可以使用標記示例(稱為監(jiān)督學習和強化學習)的組合來訓練網(wǎng)絡(luò)軟件，其中計算機探索事態(tài)和可能的后續(xù)步驟。

通過這種組合，可以訓練軟件識別難以與基于規(guī)則的系統(tǒng)拼湊在一起的“上下堆疊”模式。

“我們希望讓系統(tǒng)學會識別這些場景，基本上幫助我們更快地找到根本原因，并利用這些信息來關(guān)閉循環(huán)，”他說，然后讓主管進入圖片一旦確定了這個大綱。

此外：英特爾支持的創(chuàng)業(yè)公司Nyansa追逐網(wǎng)絡(luò)監(jiān)控AI的總體問題

執(zhí)行指南

什么是機器學習?你需要知道的一切

以下是它與人工智能，工作原理及其重要性的關(guān)系。

閱讀更多

Anderson表示，實現(xiàn)這一目標所需的工具主要來自現(xiàn)成的機器學習模型。“大多數(shù)情況下，是的，我們可以從云計算中獲取，”他說，指的是云計算設(shè)施中的各種企業(yè)級機器學習產(chǎn)品。“我們?nèi)渴褂盟鼈?rdquo;，盡管這些工具也可以在本地運行。“目前它只有六個半打，但我認為分析最終是進入云計算的好事。”

SparkML等開源工具在組織所有遙測數(shù)據(jù)方面發(fā)揮著重要作用。

安德森說，機器學習技術(shù)近年來已經(jīng)成熟，使標簽網(wǎng)絡(luò)活動的投資得到了回報。

“五年前，我正在玩這個，并且需要花費大量的時間進行標識，風險與價值的關(guān)系是值得懷疑的，”他說。“隨著算法的強化和人工智能的成熟，這種努力 - 回報率已經(jīng)大大壓縮。你現(xiàn)在只需要進行合理數(shù)量的標記，輸出就很重要。”

安德森堅持認為，機器學習的轉(zhuǎn)變還有另一個方面，即對網(wǎng)絡(luò)的更全面的認識可能導致不同的方式或結(jié)構(gòu)和維護網(wǎng)絡(luò)。

傳統(tǒng)上，許多系統(tǒng)管理員只會關(guān)閉信息來源，安德森說，這是可以理解的，因為信息過載，但這意味著網(wǎng)絡(luò)管理員正在拋棄重要的線索。

“這是使用數(shù)百萬種不同數(shù)據(jù)源進行操作的復雜性，”他說。“管理運營團隊的傳統(tǒng)方式是過濾信息，幾乎關(guān)閉過多的信息。

“在思科，如果我在運營一個服務(wù)提供商網(wǎng)絡(luò)，我每天會接近一百萬個活動，而我可能會有一個40到50人的運營團隊，他們必須處理所有這些事情。”

因此，管理員最終只會尋找“他們認為公平的場景”，“正在關(guān)閉基于性能的場景”，以及有關(guān)網(wǎng)絡(luò)相對質(zhì)量的信息。

但是，安德森說，“你不想關(guān)閉信息，你想把它匯集起來，并用它來確定哪些條件會推動一致的場景，

“最終，如果他們受過訓練，解決方案可能會有所不同，”他提出。數(shù)據(jù)可能導致以不同方式構(gòu)建事物。“通常，您有一個有計劃的網(wǎng)絡(luò)條件，但是有一個實際的網(wǎng)絡(luò)條件;通過學習，您可能會發(fā)現(xiàn)實際情況比計劃更優(yōu)化，然后根據(jù)新的洞察力執(zhí)行策略”。

Anderson表示，有一些新領(lǐng)域需要實現(xiàn)，例如以“圖形數(shù)據(jù)庫”格式提供數(shù)據(jù)分析。“我們處于運營和網(wǎng)絡(luò)世界，因此您希望在網(wǎng)絡(luò)圖概念中可視化所有這些。”一些客戶“希望看到它只是以編程方式傳播到北向系統(tǒng)，這些系統(tǒng)將利用該信息，能夠使用圖形數(shù)據(jù)庫進行可視化，并使用API??將該北向信息發(fā)送到BSS層。”

目前所有這一點中的一個問題是，系統(tǒng)管理員尚未準備好關(guān)閉循環(huán)，可以這么說，讓機器學習完全接管并自動檢測和解決網(wǎng)絡(luò)問題。

“這不是技術(shù)限制，它是一種文化方面，”他說。機器學習系統(tǒng)是概率性的，而不是確定性的。因此，雖然他們可以檢測到許多故障問題，但是不愿意自動化可能是誤報的情況。“你只需要花費0.0001%的時間，這就是一個大問題。”

“我仍然認為我們在關(guān)閉循環(huán)方面有點偏僻，我認為它對技術(shù)的信任。它將逐步發(fā)生，你可以在非災(zāi)難性的東西上關(guān)閉循環(huán)，不會造成失敗的情況，風險低的地方，然后是其他地區(qū)