Сетевые механизмы предиктивной аналитики анализируют доступные данные, запоминают закономерности и делают прогнозы. Алгоритмы искусственного интеллекта и машинного обучения в таких средствах позволяют значительно улучшить характеристики комплексного контроля и прозрачности приложений, обеспечивая возможность реагировать на сетевые и иные проблемы.

Предиктивные сетевые технологии активно развиваются последние несколько лет, но специалисты уверены, что их звездный час еще не настал. При этом сегодня прогнозная аналитика в сетях применяется уже не только для предсказания отказов и предупреждения падения пропускной способности и производительности приложений, но также для решения проблем, имеющих косвенное отношение к сетям, и устранения недостатков программно-конфигурируемых глобальных сетей (SD-WAN), обусловленных трудностями управления услугами большого числа операторов и оптимизации соответствующих затрат.

Предиктивные сетевые технологии развиваются благодаря прогрессу искусственного интеллекта. Облачные средства ИИ повышают качество и ускоряют доставку информации специалистам по сетям, помогая им изучать причины отказов и других неполадок. ИИ способен обнаруживать аномалии быстрее человека, и в каких-то случаях даже может проанализировать первопричину — это происходит за счет корреляции предупреждений и сообщений об ошибках, поступающих от множества разнородных систем, с обнаружением закономерностей за считанные минуты и секунды, тогда как человеку на то же самое потребовались бы часы или дни.

Предиктивные технологии обещают экономические преимущества за счет существенного снижения затрат на обнаружение и разрешение проблем. Кроме того, такие средства позволяют значительно уменьшить число ложно-положительных срабатываний систем анализа журналов и ошибок, выдавая более обоснованные и конструктивные предупреждения. Возможна и реализация с их помощью функций автоматического устранения ошибок и предотвращения отказов.

На сегодня механизмы прогнозного моделирования наиболее эффективно функционируют в центрах обработки данных. Средства анализа поведения сети изучают данные портов, протоколов, производительности и геолокации IP-адресов, предупреждая о серьезных изменениях в функционировании, которые могут указывать на угрозу. Такие данные можно передавать модели ИИ, способной подтвердить или опровергнуть реальность угрозы и дать рекомендации по устранению проблемы путем внесения изменений в сеть. Сейчас подобные средства больше подходят для частных сетей, администраторы которых полностью контролируют все оборудование. В распределенных сетях задача усложняется — нужны модели обучения, учитывающие наличие систем, которые нельзя напрямую контролировать, или от которых нельзя получить полный набор данных.

Непрерывный прогресс облачных технологий и графических процессоров поднимает моделирование на все новые уровни. Широко доступные открытые и коммерческие фреймворки машинного обучения позволяют быстро проводить масштабные внедрения, а облачные сервисы ускоряют и упрощают настройку. Крупнейшие облачные операторы уже предлагают функции оптимизации моделей ИИ и управления ими — соответствующие возможности есть в таких инструментах, как Amazon SageMaker, Google AI Platform и Azure Machine Learning Studio. Фреймворки с открытым кодом, включая TensorRT и Hugging Face, дают дополнительные возможности мониторинга и повышения эффективности моделей.

Предиктивные средства позволяют анализировать облачные и граничные рабочие нагрузки, в том числе трафик пользовательских устройств. Такой анализ, учитывающий потребности в снижении сетевой задержки и характеристики работы с данными, позволяет получить подробные сведения, на основании которых предиктивные механизмы могут автоматически адаптировать виртуальные частные облака. В оптимизации при этом участвуют системы микросегментации, балансировки нагрузки, шейпинга и др. Анализ данных уровня пользователей и приложений обязателен для построения эффективных прогнозных моделей. К тому же данные такого сетевого ИИ можно использовать как вспомогательные для комплексных систем обнаружения и реагирования на угрозы безопасности для распознавания аномалий, угроз нулевого дня, бокового перемещения и др.

За прогнозной аналитикой — будущее. Новое направление в области ИИ — вычисления на чипах, чья архитектура имитирует структуру головного мозга человека, обещает возможности высокоэффективного машинного обучения на пограничных устройствах. Специалисты прогнозируют, что нейроморфные вычисления позволят перейти от предиктивной к рекомендательной аналитике — системам, советы которых будут помогать в достижении необходимых результатов.

Нейроморфные технологии разрабатывают IBM, Intel, Qualcomm и другие. Первая и вторая выпустили экспериментальные нейроморфные чипы для исследовательского сообщества — TrueNorth и Loihi соответственно. Для коммерческого применения они пока недоступны, и скорее всего пройдет еще несколько лет интенсивных исследований, прежде чем нейроморфные вычисления станут массовыми, но возможности, которые они принесут, по прогнозам, будут колоссальными.