نقش Network Analytics در پیش بینی و جلوگیری از خروج سرویس

اتصال شبکه یکپارچه ستون فقرات عملیات مدرن کسب و کار است.یک قطع خدمات تنها می تواند باعث خرابی های کاتتر - درآمد از دست رفته، اعتماد مشتری را از بین ببرد و جریمه های نظارتی سنگین است که ارائه دهندگان شبکه به تجزیه و تحلیل های پیشرفته نه تنها برای واکنش به قطع سریع تر، بلکه برای پیش بینی و جلوگیری از آنها به طور کامل.

Network Analytics چیست؟

تجزیه و تحلیل شبکه اشاره به جمع آوری سیستماتیک، پردازش و تفسیر داده های تولید شده توسط دستگاه های شبکه، پروتکل ها، جریان های ترافیکی و رفتارهای کاربر است. آن را تلهومتر خام به بینش عملی بر خلاف نظارت سنتی تبدیل می کند، که هشدار پس از یک آستانه نقض، تجزیه و تحلیل الگوهای، روند ها و همبستگی برای آشکار کردن سلامت اساسی شبکه.

انواع Network Analytics

  • تجزیه و تحلیل توصیفی - پاسخ "چه اتفاقی افتاد؟" با جمع آوری داده های عملکرد تاریخی (به عنوان مثال، تأخیر متوسط در طول هفته گذشته).
  • تجزیه و تحلیل های تشخیصی [FLT 1] - به "چرا این اتفاق افتاد؟" با استفاده از تجزیه و تحلیل ریشه و پرس و جو.
  • تجزیه و تحلیل پیش بینی - پیش بینی "چه اتفاقی خواهد افتاد؟" از طریق مدل های آماری و الگوریتم های یادگیری ماشین.
  • تجزیه و تحلیل پیش نویس [FLT 1] - توصیه می کند "ما باید چه کنیم؟" با شبیه سازی اقدامات اصلاحی و نتایج مورد انتظار خود.

منابع داده و متریک های کلیدی

تجزیه و تحلیل شبکه موثر بر داده های با کیفیت بالا از منابع مختلف. Routers، سوئیچ ها، فایروال ها، تعادل بار و کنترل کننده های بی سیم از طریق پروتکل هایی مانند NetFlow، sFlow، IPFIX و SNMP. محیط های مبتنی بر ابر کمک می کند تا از سوئیچ های مجازی، دروازه های API و شبکه های تحویل محتوا.

  • ] استفاده از پهنای باند [FLT 1 ] - کمک می کند تا تراکم و ظرفیت را قبل از اینکه کاربران کاهش وزن را تجربه کنند، تشخیص دهد.
  • و شوخی [FLT 1] - شاخص های اولیه مشکلات مسیریابی، بافر نفخ و یا تخریب لینک.
  • کاهش - امتیاز به سخت افزار معیوب، دخالت بی سیم و یا لینک های اشباع شده است.
  • نرخ - خطایCRC، تنظیم مجدد رابط و دور زدن سیگنال فیزیکی لایه یا محرک مسائل.
  • CPU و حافظه بار بر روی دستگاه ها [FLT 1] - تجهیزات بارگذاری شده یک پیش نویس رایج برای سقوط نرم افزار یا عملکرد ضعیف است.

چگونه پیش بینی تجزیه و تحلیل برای پیشگیری از خروج

تجزیه و تحلیل پیش بینی شده از داده های تاریخی و یادگیری ماشین برای شناسایی الگوهایی که پیش از شکست هستند، استفاده می کند.این فرآیند معمولا شامل مراحل زیر است:

  1. جمع آوری داده - جمع آوری تله عدم تقارن از تمام لایه های شبکه و عادی آن را به یک فرمت زمان سری.
  2. مهندسی مواد (FLT:1) - ویژگی های معنی دار مشتق مانند نرخ تغییر، پایه های فصلی و ارتباط متقابل بین معیارها.
  3. آموزش مدل - استفاده از یادگیری تحت نظارت (به عنوان مثال، جنگل های تصادفی، گرادیان افزایش) در داده های حادثه برچسب زده، یا روش های نظارت نشده (به عنوان مثال، خودکارسازی، خوشه) برای تشخیص ناهنجاری بدون برچسب های قبلی.
  4. تنظیم - پایه های پویا را تنظیم کنید که با الگوهای ترافیکی سازگار است (به عنوان مثال، پهنای باند بالاتر در طول ساعات اوج).
  5. [FLT 1] نسل - خروجی امتیازات خطر بی ثبات کننده به جای زنگ هشدار دودویی، اجازه می دهد تیم ها اولویت بندی رویدادهای پرخطر بالا.

مدل های یادگیری ماشین به طور معمول استفاده می شود

  • ] پیش بینی زمان- سری [ [FLT 1 ] - ARIMA، پیامبر، یا شبکه های LSTM پیش بینی حجم ترافیک آینده و یا روند تاخیر.
  • تشخیص ناهنجاری - جنگل متروک و یک کلاس SVM نشان می دهد که مطابق با پایه های تاریخی نیست.
  • مدل های کلاس سازی - رگرسیون Logistic یا شبکه های عصبی می توانند حالت های سلامت دستگاه (سالخوردگان، ضعیف، قریب الوقوع) را طبقه بندی کنند.

برنامه های کاربردی در دنیای واقعی در پیشگیری از خروج

گزینه های سخت افزاری Proactive

با ردیابی خطاهای ضد، سنسورهای دما و ولتاژهای تامین برق، تجزیه و تحلیل می تواند پیش بینی کند که یک سوئیچ یا روتر نزدیک به پایان عمر است، به عنوان مثال، افزایش مداوم در خطاهایCRC اغلب با شکست بینایی یا ترانسفرنس های کار خودکار می تواند جایگزین قبل از اینکه دستگاه ترافیک را مختل کند.

مدل های پیش بینی شده بارهای ترافیکی را در سراسر لینک های WAN تجزیه و تحلیل می کنند و تشخیص می دهند که یک مسیر به اشباع نزدیک می شود، سیستم می تواند توصیه کند – یا به طور خودکار اجرا شود – سیاست های مهندسی ترافیک مانند فرمان مسیر SD-WAN یا مقیاس پهنای باند در محیط های ابری.

حمله DDoS

ترافیک غیر معمول همیشه شکست های سخت افزاری نیستند؛ آنها می توانند حملات انکار سرویس توزیع شده را نشان دهند. Analytics که داده های جریان را با فیدهای هوش تهدید ترکیب می کند می تواند بین جمعیت فلش و حمله تفاوت قائل شود، سپس اسکراب یا سیاه را در لبه شبکه ایجاد کند.

تشخیص تصویر

پیکربندی های نادرست باعث ایجاد 60٪ از قطع شبکه، با توجه به مطالعات صنعت. Analytics سیستم عامل مقایسه تنظیمات دستگاه در برابر قالب های طلایی و انحراف پرچم است که می تواند منجر به حلقه های مسیریابی، حفره های امنیتی و یا ناسازگاری VLAN شود.

مزایای فراتر از جلوگیری از خروج

در حالی که هدف اصلی قابلیت اطمینان است، همان زیرساخت تجزیه و تحلیل ارزش اضافی را ارائه می دهد:

  • [[۱] [۱۰] بهینه سازی [FLT: ۱] - ظرفیت های لینک مناسب و اجتناب از ارتقاء بیش از حد بر اساس پیش بینی تقاضا.
  • ] برنامه ریزی سرمایه داری [ [FLT 1 ] - شناسایی زمانی که به اضافه کردن سوئیچ ها، مدارهای ارتقاء و یا مهاجرت به رابط های با سرعت بالاتر.
  • بهبود وضعیت امنیتی - تشخیص آنوما اغلب نشان می دهد اسکن شناسایی، حرکت جانبی، یا تلاش های نفوذ داده.
  • بهره وری عملیاتی - کاهش زمان برای تعمیر (MTTR) با مشخص کردن علل ریشه قبل از دخالت انسان.

چالش های Overcome

هیچ راه حل بدون موانع نیست.سازمان ها باید به آن ها رسیدگی کنند:

  • حجم داده ها و سر و صدا - شبکه های مدرن تولید Petabytes از داده ها بدون فیلتر مناسب و استراتژی های ذخیره سازی، خطوط لوله تجزیه و تحلیل می تواند غرق شود.
  • دقت مدل و مثبت کاذب [FLT 1] - مدل های بسیار حساس با هشدار؛ مدل های کمتر حساس شکست های بحرانی را از دست می دهند.
  • پیچیدگی گزارش - تجهیزات میراث ممکن است تلهومتر غنی صادر نمی شود. محیط های Heterogened نیاز به یک هواپیمای داده یکپارچه (به عنوان مثال، جریان تلهومتر با gNMI).
  • شکاف مهارت - تخصص علوم داده باید با دانش دامنه مهندسی شبکه برای نتایج معنی دار ترکیب شود.

بهترین روش ها برای اجرای

  1. با استفاده از یک مورد استفاده روشن [FLT 1] شروع کنید، بر روی یک نقطه درد (به عنوان مثال، جلوگیری از شکست لینک ISP) قبل از گسترش تمرکز کنید.
  2. ] سرمایه گذاری در بهداشت داده - استاندارد سازی قراردادهای نام گذاری، زمان بندی و شدت در سراسر فروشندگان.
  3. استفاده از یادگیری افزایشی - مدل ها باید با تغییرات شبکه (دستگاه های جدید، تغییرات ترافیکی) بدون آموزش کامل سازگار شوند.
  4. حلقه بازخورد [FLT 1] را پر کنید، هنگامی که هشدار منجر به یک اقدام پیشگیرانه می شود، نتیجه را ثبت کنید و آن را به مدل برای بهبود دقت بازگردانید.
  5. داوری انسانی شرکت - داشبورد باید توضیحاتی ارائه دهد (به عنوان مثال، "Latency در 15 دقیقه به دلیل BGP که در AS 64512 همپوشانی دارد، 20٪ افزایش یافته است") بنابراین مهندسان می توانند تصمیم گیری را تایید کنند.

آینده روند

تجزیه و تحلیل شبکه همچنان در حال تکامل است.سه روند قابل توجه عبارتند از:

  • ادغام - ترکیب تجزیه و تحلیل شبکه با نظارت عملکرد برنامه و معیارهای پایگاه داده برای نظارت بر قابلیت نگهداری نهایی.
  • یادگیری اجباری - مدل های آموزشی در سراسر مرزهای سازمانی متعدد در حالی که نگه داشتن داده های خام محلی، مفید برای ارائه دهندگان خدمات مدیریت شده است.
  • شبکه های مبتنی بر نفوذ [FLT 1] - Analytics نه تنها مسائل را پیش بینی می کند بلکه به طور خودکار شبکه را برای حفظ هدف کسب و کار تنظیم می کند (به عنوان مثال، "اطمینان از ترافیک صوتی هرگز بیش از 150 میلیون تاخیر نیست").

تحلیل پیش بینی درباره ی شناخت آینده با اطمینان نیست، بلکه در مورد کاهش عدم اطمینان کافی است تا قبل از وقوع آسیب، عمل کند. - مهندس قابلیت اطمینان شبکه، ۵۰۰ Telco

خارجی ارجاع

نتیجه گیری

تجزیه و تحلیل شبکه از توانایی خوب به رفتار به یک دفاع باید در برابر قطع خدمات منتقل شده است.با تبدیل تلهومتر خام به بینش پیش بینی، سازمان ها می توانند قبل از اینکه کاربران متوجه یک مشکل شوند، هزینه های عملیاتی را کاهش دهند و امنیت را تقویت کنند، راه از آتش نشانی واکنشی برای جلوگیری فعال نیاز به سرمایه گذاری در زیرساخت های داده، تیم های ماهر و بهبود مستمر دارد - اما پرداخت هزینه های کاهش و اطمینان مشتری به طور فزاینده ای است که آنها را تقویت می کند، زیرا آنها را به طور فزاینده ای تجزیه و آنها را افزایش می دهد، زیرا آنها را به طور فزاینده ای پیچیده تر می دهد، و نه تنها به عنوان آنها را افزایش می دهد.