预测网络技术有望更快地发现和解决问题

在人工智能 (AI) 和机器学习 (ML) 的帮助下，预测网络技术会尽早提醒管理员注意可能的网络问题并提供潜在的解决方案。

德勤咨询公司负责人兼美国平台和基础设施负责人 Bob Hersch 表示，用于预测网络技术的 AI 和 ML 算法已经变得至关重要。“预测网络技术利用人工神经网络并利用模型来分析数据、学习模式并做出预测，”他说。“AI 和 ML 显着增强了可观察性、应用程序可见性以及响应网络和其他问题的能力。”

虽然预测网络技术在过去几年取得了令人瞩目的进步，但许多开发人员和观察家相信最好的还在后头。“工具和系统现在可用，但就像技术中最重要的演变一样，早期采用者面临风险，因为开发甚至如何评估转变的有效性都在飞行中，”技术研究和技术总监大卫莱辛说。咨询公司 ISG。

电信软件和服务提供商 Tangoe 的首席技术官 Yaakov Shapiro 表示，预测分析不再仅仅用于预测网络中断和主动处理带宽和应用程序性能问题。“预测分析现在正被应用于解决网络周围的问题，并帮助解决SD-WAN的缺点，最显着的问题是供应商无序扩张以及对更广泛的运营商服务管理和电信成本优化的需求，”他说。“在使用MPLS（单运营商服务和双运营商服务）换取可能包含数百家互联网服务提供商的宽带服务的时代，这些已经成为更大的问题。”

人工智能正在推动预测网络向前发展。

人工智能的最新发展是预测网络技术中最重要的发展。“基于云的 AI 技术可以提高向网络技术人员提供信息的质量和速度，同时为他们提供一个有价值的工具来调查中断和其他问题，”瞻博网络研究员 Patrick MeLampy 说。“人工智能可以比人类更快地检测到异常，甚至可以分析异常的根本原因，帮助指导技术人员比以前更快地了解和修复问题。”

将人工智能工具集成到预测网络技术中也有可能成为经济游戏规则的改变者。“借助成熟的 AI 和 ML 工具，服务提供商和组织等可以降低发现和解决问题的成本，”MeLampy 说。除了底线经济效益外，人工智能还有助于简化企业内部或整个服务提供商产品组合的管理。“平均修复时间减少了，最终用户的满意度也提高了，”他说。

多云网络技术公司 Aviatrix 的首席解决方案策略师 Bryan Woodworth 表示，预测网络技术将在未来几年迅速发展。它已经有助于快速有效地解决网络问题。“人工智能可以关联许多不同系统的警报和错误条件，在几分钟甚至几秒钟内发现相关模式，而人类需要数小时或数天才能完成，”他说。

Woodworth 说，预测网络技术还可以大大减少日志和错误分析中的误报数量，从而产生更智能和有用的警报。“你无法从你没有发现的东西中治愈，”他说。“例如，在更改网络以绕过问题之前，您必须知道问题出在哪里。” 基于 AI 和 ML 的自我修复网络就如何从错误中恢复和避免中断提供了更好的建议。

预测建模在数据中心中效果最好。

网络行为分析检查网络数据，例如端口、协议、性能和地理 IP 数据，以便在网络行为发生可能表明存在威胁的重大变化时发出警报。“将来，这些数据可以输入人工智能模型，帮助确认威胁是否真实，然后就如何通过改变网络来解决问题提出建议，”伍德沃思说。“这种预测建模在数据中心等私有网络中效果最好，因为 [那是] 人类可以完全控制所有网络组件及其生成的数据。”

对于公共网络，包括那些连接到互联网的网络，任务变得更具挑战性。学习模型的设计必须能够补偿不受直接控制或提供不完整数据集的系统。Woodworth 说，这意味着学习模型的预测准确性会降低，可能需要人工调整以弥补缺失的数据。

史密斯说，为了完全有效，高级人工智能和机器学习模型应该在生产级别和规模上运行以进行错误修复。“决策者需要相信建模结果，技术赞助商需要有效地执行操作，”他说。

与此同时，云技术和图形处理单元 (GPU) 的不断进步正在将建模提升到新的水平。“开源和商业框架正在帮助组织快速、大规模地部署 ML 操作，同时降低与为 AI 配置云和开源系统所需的时间和复杂性相关的风险，”咨询公司应用智能董事总经理 Maggie Smith 说。埃森哲联邦服务公司。

Smith 表示，几家主要的云提供商已经实施了 AI 模型优化和管理功能。该技术可以在 Amazon SageMaker、Google AI Platform 和 Azure Machine Learning Studio 等工具中找到。“TensorRT 和 Hugging Face 等开源框架重新训练模型监控和效率的更多机会，”史密斯说。

人工智能正在推动预测网络向前发展。

人工智能的最新发展是预测网络技术中最重要的发展。“基于云的 AI 技术可以提高向网络技术人员提供信息的质量和速度，同时为他们提供一个有价值的工具来调查中断和其他问题，”瞻博网络研究员 Patrick MeLampy 说。“人工智能可以比人类更快地检测到异常，甚至可以分析异常的根本原因，帮助指导技术人员比以前更快地了解和修复问题。”

将人工智能工具集成到预测网络技术中也有可能成为经济游戏规则的改变者。“借助成熟的 AI 和 ML 工具，服务提供商和组织等可以降低发现和解决问题的成本，”MeLampy 说。除了底线经济效益外，人工智能还有助于简化企业内部或整个服务提供商产品组合的管理。“平均修复时间减少了，最终用户的满意度也提高了，”他说。

多云网络技术公司 Aviatrix 的首席解决方案策略师 Bryan Woodworth 表示，预测网络技术将在未来几年迅速发展。它已经有助于快速有效地解决网络问题。“人工智能可以关联许多不同系统的警报和错误条件，在几分钟甚至几秒钟内发现相关模式，而人类需要数小时或数天才能完成，”他说。

Woodworth 说，预测网络技术还可以大大减少日志和错误分析中的误报数量，从而产生更智能和有用的警报。“你无法从你没有发现的东西中治愈，”他说。“例如，在更改网络以绕过问题之前，您必须知道问题出在哪里。” 基于 AI 和 ML 的自我修复网络就如何从错误中恢复和避免中断提供了更好的建议。

预测建模在数据中心中效果最好。

网络行为分析检查网络数据，例如端口、协议、性能和地理 IP 数据，以便在网络行为发生可能表明存在威胁的重大变化时发出警报。“将来，这些数据可以输入人工智能模型，帮助确认威胁是否真实，然后就如何通过改变网络来解决问题提出建议，”伍德沃思说。“这种预测建模在数据中心等私有网络中效果最好，因为 [那是] 人类可以完全控制所有网络组件及其生成的数据。”

对于公共网络，包括那些连接到互联网的网络，任务变得更具挑战性。学习模型的设计必须能够补偿不受直接控制或提供不完整数据集的系统。Woodworth 说，这意味着学习模型的预测准确性会降低，可能需要人工调整以弥补缺失的数据。

史密斯说，为了完全有效，高级人工智能和机器学习模型应该在生产级别和规模上运行以进行错误修复。“决策者需要相信建模结果，技术赞助商需要有效地执行操作，”他说。

与此同时，云技术和图形处理单元 (GPU) 的不断进步正在将建模提升到新的水平。“开源和商业框架正在帮助组织快速、大规模地部署 ML 操作，同时降低与为 AI 配置云和开源系统所需的时间和复杂性相关的风险，”咨询公司应用智能董事总经理 Maggie Smith 说。埃森哲联邦服务公司。

Smith 表示，几家主要的云提供商已经实施了 AI 模型优化和管理功能。该技术可以在 Amazon SageMaker、Google AI Platform 和 Azure Machine Learning Studio 等工具中找到。“TensorRT 和 Hugging Face 等开源框架重新训练模型监控和效率的更多机会，”史密斯说。