Juniper Networks: ‘Rule-based systemen moeten klanten vertrouwen geven’

Juniper-550400

Netwerken ontwikkelen zich steeds meer naar zogenoemde ‘self driving networks’. De inzet van kunstmatige intelligentie is hierbij vanzelfsprekend. Maar hoe train je deze kunstmatige intelligentie? Juniper Networks kiest voor op regels gebaseerde systemen die klanten automatisch werk uit handen moeten nemen. Zonder dat zij daarbij de controle verliezen.

Bedrijfsnetwerken die edge-omgevingen, on-premise datacenters tot aan de diverse (multi)cloudomgevingen aan elkaar knopen, zijn flink in ontwikkeling. Vooral ontwikkelen zij zich steeds meer richting zogenoemde ‘self driving networks’. Dit zijn netwerken die telemetrie, workflow-automatisering, DevOps en kunstmatige intelligentie met elkaar combineren. Hierdoor wordt de netwerkinfrastructuur responsive en is daardoor in staat zichzelf automatisch te monitoren, te analyseren, te configureren, te beheren en te herstellen.

Volgens Kireeti Kompella, CTO Engineering Team van Juniper Networks, krijgen bedrijven hierbij tegenwoordig steeds vaker met een paradox te maken. Zij willen graag deze self-driving networks omarmen om een zelfbepalende en geautomatiseerde infrastructuur mogelijk te maken, maar zij willen ook steeds meer inzicht in de hele netwerkinfrastructuur en deze controleren met een set van ‘virtuele schuifregelaars’. Kireeti Kompella noemt dit ‘controllable autonomy’.

Rule-based systeem

De CTO ziet bij deze ‘virtuele schuifregelaars’ een belangrijke rol weggelegd voor kunstmatige intelligentie. Maar daarvoor is het natuurlijk wel belangrijk dat deze kunstmatige intelligentie zo wordt getraind, dat het geen beslissingen neemt op vooraf bepaalde aannames. De beslissingen moeten op basis van ‘onafhankelijke ’informatie worden genomen.

Juniper Networks heeft hiervoor een methode ontwikkeld op basis van telemetrie. Het bedrijf verzamelt al jarenlang gegevens van de diverse netwerkapparatuur die het aan zijn klanten levert. Met behulp van deze data maken experts een op regels gebaseerd of ‘rule-based ‘model. De rules geven aan welke acties de beheerders -of het netwerk zelf-moeten doen ondernemen om het netwerk gezond te houden wanneer afwijkingen worden ontdekt.

Vertrouwen

Met dit rule-based’model of systeem mogen klanten erop vertrouwen dat experts de juiste informatie uit de verzameling aan telemetrie-gegevens aan het systeem voeden. Een voordeel hiervan is dat eindgebruikers direct aan de slag kunnen. Zij hoeven zelf geen grote hoeveelheden data meer te verzamelen, deze te analyseren en op basis hiervan rules te definiëren.

Playbooks

Wanneer het rule-based systeem eenmaal is gedefinieerd, dan kunnen bedrijven deze nog specifiek naar individuele netwerksituaties aanpassen. Juniper Networks heeft hiervoor zogenoemde ‘playbooks’ ontwikkeld. De playbooks bepalen eigenlijk welke informatie voor het rule-based systeem wordt verzameld, op welke manier deze informatie bij elkaar wordt gebracht en wat het uiteindelijk met deze data moet doen. Dit kan voor iedere klant of bedrijfssector afzonderlijk worden ingeregeld. Zij bepalen op deze manier waar het systeem automatisch naar kijkt en welke acties het daarmee moet uitvoeren. Om alles verder te automatiseren wordt in een later stadium een algoritme op basis van machine learning toegevoegd die het hele proces eigenlijk verder automatiseert.

Controlled autonomy

Alles functioneert dus op basis van onafhankelijke telemetrie uit het systeem, waarvoor rules worden ontwikkeld die met machine learning worden geoptimaliseerd. Hierdoor ontstaat een ‘closed-loopsysteem’ dat deze hele set van rules ‘automatisch’ voor het netwerk afhandelt. De playbooks zorgen ervoor dat klanten dit systeem naar hun eigen wens veder kunnen aanpassen. Dit geeft klanten die vorm van controle of ‘contolled automomy’ van de netwerken die zij graag wensen.

HealthBot

Juniper Networks past dit complete closed-loopsysteem toe in zijn eigen HealthBot-toepassing. Deze oplossing biedt onder meer consistente en coherente diagnostische inzichten van netwerken. HealthBot verwerkt hiervoor grote hoeveelheden aan verzamelde telemetriedata en geeft een compleet overzicht van de status van alle netwerkomgevingen, inclusief de onderliggende applicaties.

 Deze informatie wordt verder geanalyseerd door het vergelijken van verschillende databronnen en operationele benchmarks, het ontdekken van afwijkingen in deze patronen. Uiteindelijke voert HealthBot hiervoor geheel geautomatiseerd de juiste acties uit of geeft beheerders de juiste informatie om actie te ondernemen.

Stap in proces

Kireeti Kompella ziet de controlled autonomy die HealthBot levert als een belangrijke stap richting het ‘echte’ self-driving network. Juniper Networks is hier, onder meer met andere oplossingen en de technologie van het overgenomen Mist Systems, al flink mee bezig.

Meer over
Lees ook
Extreme Networks traint 50.000 nieuwe cloud networking engineers voor de groeiende digitale economie

Extreme Networks traint 50.000 nieuwe cloud networking engineers voor de groeiende digitale economie

Extreme Networks, Inc, een cloudgedreven netwerkbedrijf, introduceert een nieuw wereldwijd initiatief voor iedereen die een (andere) loopbaan ambieert in de technologiesector: Extreme Academy Live. Extreme Academy Live is een acht weken durende training die vanaf 3 december 2020 gratis te livestreamen is.

‘IT en telecom integreren steeds verder met elkaar’

‘IT en telecom integreren steeds verder met elkaar’

MachCloud Nederland is onderdeel van het succesvolle Amerikaanse bedrijf MachSol, marktleider in multicloud operations management, orchestration en service delivery oplossingen. MachSol heeft klanten in meerdan honderd landen die bestaan uit Fortune 500-bedrijven, hosting- en cloudproviders, overheden, financiële instellingen en telecomproviders. Door...

Databricks maakt met SQL Analytics cloud data warehousing mogelijk op data lakes

Databricks maakt met SQL Analytics cloud data warehousing mogelijk op data lakes

Databricks, marktleider in data en AI, kondigt vandaag de lancering aan van SQL Analytics, de eerste oplossing waarmee data-analisten binnen data lakes werk kunnen verrichten dat voorheen alleen in datawarehouses mogelijk was. Hierdoor zijn data lakes niet meer beperkt tot datawetenschap en machine learning, maar zijn alle typen dataverwerking mogelijk