Hoe machine learning bijdraagt aan een optimale benutting van het netwerk

Dick-van-der-Land

De toekomst voor datacenters van grote ondernemingen en zelfs nog meer voor de infrastructuur van grote operators ligt in gevirtualiseerde netwerken. Nu de vraag naar bandbreedte explosief toeneemt, lossen voortdurende uitbreidingen van de capaciteit het probleem niet langer op. In plaats daarvan wordt het steeds belangrijker om de bestaande infrastructuur optimaal te benutten. Dit is mogelijk door intensieve analyse en automatisering van het netwerk.

Veel beheerders worstelen met heterogene en hybride netwerken opgebouwd uit sterk verschillende fysieke en gevirtualiseerde componenten. Dit brengt vanuit managementperspectief verschillende uitdagingen met zich mee. Alleen al voor (her)configuraties en de dagelijkse zorg voor het netwerk is een leger van netwerktechnici nodig. In een dergelijke complexe netwerkomgeving is een strategische doelstelling als het versnellen van de levering van diensten om zo de gebruikerservaring te optimaliseren en de omzet te verhogen eenvoudigweg niet te realiseren. Het doel kan alleen bereikt worden met automatisering, door gebruik te maken van intelligente, zelflerende systemen. Hiervoor zijn ook ingrijpende wijzigingen van de managementsystemen voor netwerkbeheer noodzakelijk. Bestaande systemen zijn namelijk ontwikkeld voor fysieke netwerken en ingericht voor reactieve beveiliging. Een hybride omgeving vereist echter voorspellende netwerktechnologie. Automatisering biedt hierbij veel mogelijkheden. Van het automatiseren van de afstelling van optische systemen tot het afstemmen van de bandbreedte on demand en het verlichten van de onderhoudslast van technici, zodat ze tijd overhouden voor de ontwikkeling en levering van nieuwe netwerkdiensten.

Netwerkdiagnose via automatische patroonherkenning

Voor operators is het essentieel om netwerkproblemen zo vroeg mogelijk te signaleren. Dit is mogelijk met behulp van oplossingen die gebruikmaken van algoritmes voor machine learning, gebaseerd op flexibele analysemodellen. Uit gesprekken met IT-managers bij bedrijven komt echter al snel naar voren dat het potentieel van deze systemen pas in de komende jaren zal worden benut, zodra geautomatiseerde patroonherkenning op brede schaal is uitgegroeid tot de standaard voor netwerkdiagnose. Er worden momenteel al oplossingen voor patroonherkenning gebruikt om overbelasting van het netwerk in een vroegtijdig stadium te detecteren, de netwerkcapaciteit af te stemmen op de vraag en om sneller op beveiligingsincidenten te kunnen reageren. In de toekomst zullen deze systemen in staat zijn om te leren op basis van informatie uit diverse bronnen en proactieve maatregelen te treffen die de grip op het netwerk vergroten.

Proactief onderhoud met network health predictor

Uit de ‘smart data’ die in een netwerk besloten ligt kan nog veel meer interessante informatie worden geput die beheerders kan helpen om hun infrastructuur optimaal te benutten. Dit is mogelijk door een combinatie van Business Process Automation, Network Functions Virtualization (NFV), Software Defined Networking (SDN) en cloud-applicaties. Hiervoor kan gebruik worden gemaakt van data van systemen voor netwerktelemetrie, fysieke en gevirtualiseerde netwerkcomponenten, klantenserviceoplossingen, applicaties voor domeinbeheer enzovoort. Daarnaast is een belangrijke rol weggelegd voor een network health predictor. Dit is een analyse-applicatie die het netwerk visualiseert om beheerders in staat te stellen om proactief onderhoud uit te voeren op verschillende niveaus, zoals de Ethernet- en IP-laag, maar ook voor optische systemen. Gebruiksvriendelijke grafische tools bieden de beheerder niet alleen zicht op het gehele netwerk en de componenten daarvan, maar ook trendinformatie en storingsprognoses. Dit is mogelijk door een slimme koppeling van gegevensbronnen, zoals historische foutmeldingen en real-time informatie over schommelingen in de overdrachtssnelheden.

Realtime netwerkoptimalisatie met programmeerbare hardware

De inzichten die met behulp van kunstmatige intelligentie worden verkregen kunnen gericht worden ingezet om de netwerkcapaciteit op hardwareniveau te optimaliseren. Oplossingen zoals Liquid Spectrum maken het mogelijk om optische netwerken real-time te optimaliseren door de capaciteit van optische verbindingen naar behoefte op te voeren, de reikwijdte van kanalen te vergroten en de beschikbaarheid van diensten uit te breiden. Moderne netwerkoplossingen maken gebruik van geïnstrumenteerde en programmeerbare hardware in de vorm van optische componenten met variabele bitrates. Deze maken het mogelijk om de netwerkcapaciteit op de vraag af te stemmen. Ook herconfigureerbare en flexibele fotonische netwerklagen die golflengtes naar wens binnen het netwerk kunnen routeren spelen hierbij een belangrijke rol. De hardware wordt bestuurd door intelligente software die een uniform en geïntegreerd overzicht biedt van alle netwerkfuncties. Deze software maakt het mogelijk om op geautomatiseerde wijze en in realtime op de netwerkprestaties te reageren. Er wordt daarbij een beroep gedaan op telemetrie voor het aanleveren van de data die nodig is om de netwerkefficiëntie op te voeren.

Meer omzet genereren met bestaande infrastructuur

Door de intelligente combinatie van deze verschillende benaderingen ontstaat een netwerk dat in staat is om zichzelf te bewaken en beheren, de vraag naar bandbreedte te bewaken en de netwerkbronnen dienovereenkomstig aan te passen of te herverdelen. Op deze manier kunnen programmeerbare netwerken worden ingericht die de operator de mogelijkheid bieden om de reikwijdte, latency, efficiëntie en kostenrichtlijnen in te stellen, waarop het netwerk alles zelfstandig optimaliseert. Het netwerk kan daarmee efficiënt blijven presteren bij hoge belasting en bottlenecks en geïsoleerde eilandjes van capaciteit voorkomen. Door een efficiëntere levering van netwerkservices en betere overeenstemming met Service Level Agreements (SLA) kan het netwerk daarmee bijdragen aan forse omzetverbeteringen. Bovendien kunnen netwerkbeheerders vrijgekomen tijd besteden aan het ontwikkelen van verdere manieren om de omzet op basis van de bestaande infrastructuur te vergroten.

Dick van der Land, Packet Consultant bij Ciena

Lees ook
Cisco neemt AI-specialist MindMeld over

Cisco neemt AI-specialist MindMeld over

Cisco neemt MindMeld over voor 125 miljoen dollar. Dit bedrijf richt zich op kunstmatige intelligentie (AI) en heeft een AI-platform ontwikkeld waarmee klanten conversationele interfaces kunnen ontwikkelen voor iedere applicatie en elk apparaat. Cisco verwacht dat AI en machine learning een steeds belangrijkere rol gaat spelen in alle onderdelen van...

Machine learning en tekstanalyse: fata morgana of data morgana?

Machine learning en tekstanalyse: fata morgana of data morgana?

Een goede analyse van teksten kan veel werkprocessen drastisch verbeteren. Machine learning lijkt hierbij een belangrijke rol te kunnen spelen. Maar zoals bij elk visioen geldt de hamvraag: is dit realistisch of is het een fata morgana? Of in dit geval dus een ‘data morgana’? Simon Been, een informatie-specialist, gaat dieper op deze materie in. Misschien...

SAP S/4HANA Cloud krijgt functies op basis van machine learning

SAP S/4HANA Cloud krijgt functies op basis van machine learning

SAP stelt nieuwe functies beschikbaar voor de cloud ERP oplossing SAP S/4HANA Cloud. Deze nieuwe functies zijn onder andere gebaseerd op machine learning technologie. Daarnaast kondigt het technologiebedrijf nieuwe functionaliteiten aan die later dit jaar beschikbaar komen. SAP S/4HANA Cloud combineert de voordelen van de SAP S/4HANA business suite...