5 نکته که باید درباره پیش بینی در شبکه بدانید

استفاده از تجزیه و تحلیل و پیش بینی در شبکه

اما باید پاسخ دیگری برای این سوال پیدا کنیم. اگر تیم های شبکه از امکانات بیشتری برخوردار باشند آیا می توانند این مشکلات را حل کنند؟ ما هنوز در سالهای اولیه پذیرش شبکه از طریق نرم افزار هستیم و بسیاری از سازمانها هنوز پتانسیل کامل خود را کشف نکرده اند. در این زمان ما در حال بررسی این هستیم که چگونه می توانیم از طریق قابلیت های پیشرفته شبکه، از تجزیه و تحلیل قدرتمند و پیش بینی کننده برای شبکه های نرم افزاری و اینترنت استفاده کنیم.

البته ، بسیاری از مشاغل مانند صنعت خرده فروشی سالهاست از تجزیه و تحلیل پیش بینی کننده برای پیش بینی عرضه و تقاضا استفاده می کنند. جالب است بدانید که اینترنت منحصراً از رویکرد واکنشی استفاده می کند. یعنی هنگامی که مشکلی تشخیص داده شد شبکه واکنش نشان می دهد. چرا رفتارهای تاریخی را برای پیش بینی رفتارهای آینده یاد نمی گیرید؟ اگر بتوانیم وضعیت شبکه را پیش بینی کنیم ، بدانیم در دستگاه ، سرویس گیرنده یا برنامه کجا نقصی رخ می دهد و سپس قبل از وقوع خرابی اقدامات اصلاحی را انجام دهیم؟ نتیجه این است که تجربه کاربر بسیار بهبود یافته است. در واقع ممکن است کاربر حتی از وجود مشکلی آگاه نباشد زیرا اصلاح پیشگیرانه برنامه های آنها را در عملکرد مطلوب نگه داشته است.

ترکیب مناسب داده و تجربه

در تصویرسازی orChart برای آوردن بینش های تأثیرگذار AI/ML (هوش مصنوعی و یادگیری ماشین) که به تیم های عملیات شبکه کمک می کند، مقادیر زیادی داده مورد نیاز است.

ما خوش شانس هستیم که با بزرگترین پایگاه نصب شبکه در جهان یعنی سیسکو، حجم عظیمی از داده ها را دارد که به سرعت در حال رشد است. علاوه بر این ، ما در دهه های گذشته تعدادی از محصولات مبتنی بر ML را در زمینه هایی مانند امنیت ، بی سیم و WAN طراحی کرده ایم و این تخصص منحصر به فرد است که با داده های بی بدیل ترکیب شده است و به Cisco اجازه می دهد تا بهترین نژاد مبتنی بر ML/AI را ارائه دهد.

در ماه های آینده ، من به این مفهوم گسترده تر می پردازم که چگونه تجزیه و تحلیل پیش بینی کننده در شبکه و اینترنت به طور چشمگیری تجربه کاربر را بهبود می بخشد.

در این بخش می خواهیم 5 نکته اساسی درباره تجزیه و تحلیل و پیش بینی را با هم بررسی کنیم.

الگوریتم ها موفق می شوند و شکست می خورند

الگوریتم ها سازه های ریاضی هستند که در حجم عظیمی از داده های شبکه اجرا می شوند و متغیرهای زیادی را در شبکه بررسی می کنند. درک این نکته مهم است که پیش بینی ها ممکن است نادرست باشند و ممکن است برخی از سناریوها را در نظر نگیرند. با این حال ما همچنین می توانیم الگوریتم ها را در طول زمان تغییر دهیم و آنها را حتی برای عملکرد برتر تنظیم کنیم. حتی الگوریتم های بهتری برای یادگیری و اصلاح طراحی شده اند.

بسیاری از شبکه ها همه شبکه ها را بهبود می بخشند

با جمع آوری داده های تله متری از هزاران شبکه ، درس های آموخته شده از آن داده ها را می توان در سایر شبکه ها به کار گرفت. هر شبکه منحصر به فرد است، اما تجزیه و تحلیل پیش بینی کننده به ما امکان می دهد موضوعات و رویدادهای مشابه را در جایی پیدا کنیم و اصلاح را در شبکه دیگری انجام دهیم. در برخی موارد الگوریتم ها ممکن است کاملاً روی یک شبکه معین تمرکز کنند. در حالی که در موارد دیگر الگوریتم ممکن است در مجموعه گسترده ای از مجموعه داده های ناشناس آموزش داده شود، بنابراین از داده های بیشتری استفاده می کند.

اقدامات پیشگیرانه جایگزین اقدامات واکنشی نمی شود

چندین روش اصلاحی واکنشی مبتنی بر رفع مشکلات پس از وقوع خرابی است. تجزیه و تحلیل پیش بینی در شبکه به این معنی است که شما قادر خواهید بود اقدامات پیشگیرانه را برای جلوگیری از مشکلات قبل از وقوع آنها انجام دهید. همچنین قابل توجه است که ما اقدامات پیشگیرانه و واکنشی را برای رویکرد قوی تر برای بهبود سلامت شبکه های خود ترکیب می کنیم.

سیستم های ابری تجزیه و تحلیل پیش بینی را مقیاس پذیر می کند

سیستم های ابری ممکن است گاهی اوقات پیچیدگی را در شبکه ایجاد کند زیرا چیزهای بیشتری به سمت ابر منتقل می شوند. با این حال ، این دلیل عمده ای است که ما قادر به جمع آوری حجم زیادی از داده های دورسنجی در یک محیط بسیار توزیع شده هستیم. داده ها از سراسر ردپای جهانی ما وارد می شوند ، به این معنی که الگوریتم های ما می توانند متغیرهایی را که ممکن است فقط مربوط به یک کشور یا منطقه خاص باشد ، در نظر بگیرند. بدیهی است که امنیت همیشه یکی از نگرانی های اصلی است و سیسکو از بالاترین استانداردها برای مطابقت با GDPR و حفظ حریم خصوصی پیروی می کند.

ما هرگز نمی توانیم همه چیز را پیش بینی کنیم

پیش بینی همه چیز به سادگی غیرممکن است. چرا؟ زیرا برای پیش بینی ، الگوریتم باید برخی از “علائم اولیه” را بیاموزد. چنین علائم ممکن است در تله متری موجود نباشند ، یا ممکن است به اندازه کافی سریع در دسترس نباشند. و البته ، برای برخی از شکست ها ، چنین علائم اولیه ممکن است در سر و صدا پنهان شود. به عنوان مثال ، چه کسی می تواند پیش بینی کند که یک خط فیبر نوری توسط خدمه ساختمانی قطع شود؟ اگر کسی بخواهد آن را انجام دهد ، نه تنها یک رویداد غیرقابل پیش بینی است ، بلکه یک تمرین هزینه بر است. در این مثال خاص علائم اولیه کمی تنها چند میلی ثانیه قبل از خرابی وجود دارد. بنابراین ما باید انتظارات خود را مبنی بر محدودیت تجزیه و تحلیل های پیش بینی کننده تعیین کنیم. اما در عین حال ، اجازه ندهیم که این امر ما را از استخراج ارزش بالقوه ای که می توانیم به دست آوریم ، باز دارد.

اوقات هیجان انگیز

پس از تقریباً 30 سال در این صنعت ، من از لذت واقعی در زمینه توسعه فناوری های پیشرفته متعدد (IP ، MPLS ، بازیابی شبکه ، امنیت ، بی سیم ، اینترنت اشیاء ، …) لذت بردم. اما می توانم بگویم که استفاده از تجزیه و تحلیل های پیش بینی کننده در شبکه ، واقعاً یکی از مهیج ترین و پیشگام ترین فرصت هایی است که خوشبختانه در طول حرفه ام در آن مشارکت داشته ام. تجزیه و تحلیل شبکه های پیش بینی کننده صنعت بازی ما را تغییر می دهد و ما در آستانه آوردن این نوآوری ها به راه حل های خود در زمان مناسب زمانی که تیم های شبکه به آن بیشترین نیاز را دارند ، ارائه می دهیم. چرا بازی تغییر می کند؟ فقط به این دلیل که ما می توانیم اینترنت را به سمت “اینترنت پیش بینی کننده” حرکت دهیم که تجربه کاربر و برنامه را به شدت بهبود می بخشد.