3 najważniejsze przypadki użycia sieci opartych na sztucznej inteligencji

Kobieta Technologia

Część 3 serii: Infrastruktura wspomagana sztuczną inteligencją dla operacji sztucznej inteligencji.

W poprzednich blogach omówiłem znaczenie infrastruktury opartej na sztucznej inteligencji (AI) dla zespołów operacyjnych IT oraz technologie umożliwiające stosowanie tych modeli. Teraz nadszedł czas, aby porozmawiać o tym, jak możliwości sieciowe oparte na sztucznej inteligencji są obecnie wykorzystywane w operacjach.

Coraz więcej organizacji na całym świecie odnosi korzyści z zastosowania technologii wspomaganych sztuczną inteligencją w celu zapewnienia lepszych możliwości informatycznych. Jednym z przykładów jest San Jose State University, który wykorzystuje możliwości ML i AI w infrastrukturze sieciowej, aby uzyskać bardziej strategiczny obraz sieci, zabezpieczeń i ryzyka, a tym samym zwiększyć swoją odporność operacyjną.

Świat technologii wykorzystujących Sztuczną Inteligencję jest dość szeroki, dlatego wybór odpowiednich rozwiązań jest uzależniony od przypadków użycia, które każda organizacja chce wdrożyć. Na podstawie niektórych sukcesów klientów firmy Cisco chciałbym omówić trzy przypadki użycia, które pokazują korzyści płynące z infrastruktury opartej na sztucznej inteligencji dla zespołów NetOps i które można zastosować w niemal każdej branży:

1. Identyfikacja problemów w oparciu o sztuczną inteligencję

Tradycyjnie, gdy wystąpi problem z siecią, zespół NetOps musi ręcznie przeglądać dzienniki, zdarzenia i inne dane operacyjne z wielu systemów w celu określenia problemu. Może to być bardzo czasochłonne i może znacznie wydłużyć czas przestojów, których doświadczają klienci. Staje się to jeszcze trudniejsze, jeśli problem występuje sporadycznie i nie może być tworzony w sposób ciągły. Dla zespołów IT ręczne przeglądanie wszystkich wskaźników wydajności sieci, dzienników, zdarzeń itp. w celu znalezienia i rozwiązania sporadycznych problemów jest po prostu niemożliwe.

Infrastruktura rozszerzona o AI stale generuje telemetryczne dane operacyjne. Techniki AI/ML wykorzystują dane telemetryczne do tworzenia dynamicznych linii bazowych systemu, wykrywania znaczących odchyleń od tych linii bazowych oraz wykrywania anomalii systemowych i sugerowania możliwych przyczyn źródłowych tych odchyleń lub anomalii. Jeśli dodamy do tego funkcje rozumowania maszynowego (MR), infrastruktura wspomagana przez sztuczną inteligencję może wskazać dokładne źródło usterki i zapewnić krok po kroku środki zaradcze w celu rozwiązania problemu.

Obserwowalność sieci oparta na sztucznej inteligencji nie tylko usprawnia pracę zespołu NetOps, ale także zapewnia najlepsze możliwe wrażenia użytkownikom sieci, ponieważ większość problemów z siecią można rozwiązać niemal natychmiast lub, w najlepszym przypadku, można im całkowicie zapobiec, dzięki czemu łączność przebiega bez zakłóceń, bez konieczności angażowania użytkownika lub powiadamiania go o jakichkolwiek awariach.

Posiadanie w pełni zautomatyzowanego modelu rozwiązywania problemów może być „przerażające” dla niektórych zespołów NetOps, ponieważ – jak już wspomnieliśmy – wszystkie systemy oparte na sztucznej inteligencji wymagają pewnego poziomu zaufania, aby mogły płynnie działać jako system o zamkniętej pętli. Aby uzyskać takie zaufanie, możliwe jest zintegrowanie środków zaradczych z przepływami pracy ITOps lub NetOps za pomocą określonych ludzkich punktów kontrolnych, w których specjaliści sieciowi mogą zatwierdzić analizę przeprowadzoną przez SI przed wdrożeniem sugerowanych środków zaradczych. Można to osiągnąć dzięki integracji systemu AI z systemami zarządzania usługami IT (ITSM), które mogą zapewnić niezbędne bramki zatwierdzające.

Obecnie jesteśmy w stanie pomóc organizacjom w realizacji tego celu dzięki Cisco DNA Center Assurance. Wdrażanie rozwiązania DNA CentZapewnienie bezpieczeństwa er w infrastrukturze sieciowej może zapewnić lepszy wgląd w działanie sieci oraz zautomatyzować identyfikację i wykrywanie problemów.

2. Poprawa wydajności sieci bezprzewodowej

Standardy łączności bezprzewodowej bardzo się rozwinęły, od początkowych 802.11a/b do obecnego Wi-Fi 6E. Szybkość, liczba kanałów, przepustowość kanałów itp. spowodowały gwałtowny wzrost złożoności wdrażania sieci bezprzewodowych.

Funkcja zarządzania zasobami radiowymi (Radio Resource Management – RRM) jest wykorzystywana do dynamicznego dostosowywania przydziału kanałów i poziomów mocy nadawania punktów dostępowych w danym systemie, aby uniknąć zakłóceń we współkanale i w kanale sąsiednim powodowanych przez wiele sąsiednich punktów dostępowych.

W sieci Wi-Fi 6E z czterokanałową szerokością pasma, ponad 80 kanałami i wieloma atrybutami do optymalizacji, wszystkie potencjalne kombinacje operacyjne uniemożliwiają człowiekowi ręczną optymalizację wydajności. Funkcje AI/ML pomagają działowi NetOps nadążyć za tą złożonością.

Funkcja zarządzania zasobami radiowymi wspomagana przez sztuczną inteligencję może analizować bieżące i historyczne warunki w sieci, a nie warunki bieżące (tylko jeden punkt w czasie), aby ustawić idealne parametry konfiguracji sieci bezprzewodowej i zapewnić optymalną wydajność, ponieważ warunki w sieci zmieniają się w czasie.

Inna interesująca funkcja wspomagana przez sztuczną inteligencję dla sieci bezprzewodowych jest związana ze sposobem, w jaki środowisko fizyczne może wpływać na jej wydajność. Zaprojektowanie najlepszej architektury sieci bezprzewodowej zależy od wielu czynników, takich jak liczba użytkowników, przeszkody fizyczne, takie jak ściany czy okna, a nawet układ budynku.

W przeszłości przy tworzeniu architektury sieci bezprzewodowej polegaliśmy na bezprzewodowej wizualizacji 2D przestrzeni budynku, ponieważ większość urządzeń w sieciach biurowych stanowiły komputery PC umieszczone na biurku na stałej wysokości. Obecnie, wraz z pojawieniem się czujników i urządzeń IoT, urządzeń mobilnych oraz różnorodności środowisk pracy, pojawia się potrzeba pomiaru i optymalizacji wydajności sieci bezprzewodowej w całej przestrzeni fizycznej.

Cisco DNA Center i jego Wireless 3D Analyzer pomagają zespołom NetOps, oszczędzając czas na planowaniu, rozwiązywaniu problemów i sprawdzaniu poprawności oczekiwanego zasięgu sieci za pomocą wciągającej wizualizacji 3D środowiska wdrożeniowego, oferującej między innymi możliwość wirtualnego spaceru po budynku w pierwszej osobie.

3. Udoskonalona analiza punktów końcowych

Punkty końcowe mogą wymagać różnych polityk QoS i bezpieczeństwa podczas łączenia się z siecią. Zespoły NetOps mogły to osiągnąć na dwa sposoby podczas włączania urządzeń do sieci: (1) ustawienie polityki dla każdego urządzenia w momencie jego podłączenia do sieci lub (2) ustawienie polityki dla grupy urządzeń i ręczne określenie grupy dla nowo podłączonego urządzenia. Oczywiście oba te modele były podatne na błędy ludzkie, zwłaszcza przy gwałtownym wzroście liczby urządzeń sieciowych, jaki IoT wprowadził do środowiska pracy.

Złożoność ręcznego kategoryzowania każdego pojedynczego urządzenia w sieci stanowi alarmujące zagrożenie dla bezpieczeństwa, ponieważ dopuszczenie do sieci urządzeń z niewłaściwymi politykami sieciowymi może otworzyć furtkę dla złych aktorów do uzyskania dostępu i zaatakowania infrastruktury.

Aby ograniczyć błędy ludzkie, wykorzystuje się sztuczną inteligencję/ML do automatycznego rozpoznawania i rozumienia wszystkich punktów końcowych podłączonych do sieci na podstawie zachowania urządzeń. Ta automatyczna identyfikacja klasyfikuje i przypisuje każdy punkt końcowy do odpowiedniej grupy, zapewniając zastosowanie spójnego zestawu zasad do wszystkich urządzeń.

całą grupę urządzeń, przy minimalnej interwencji człowieka.

Funkcja AI Endpoint Analytics w Cisco DNA Center pomaga zespołom ITOps radykalnie zmniejszyć ryzyko związane z bezpieczeństwem i skrócić czas operacji ręcznych poprzez uzyskanie głębszego kontekstu i widoczności sieci oraz ekosystemu urządzeń. Następnie, gdy punkty końcowe działają już w sieci, Cisco Identity Services Engine (ISE) może pomóc w monitorowaniu zachowania urządzeń oraz ciągłym egzekwowaniu zasad i segmentacji w celu zapewnienia skutecznego środowiska sieciowego o zerowym zaufaniu.

Powyższe trzy przykłady to krótkie przykłady przypadków użycia, które zespoły IT mogą wykorzystać od zaraz. Chciałbym jednak ponownie podkreślić, jak ważne jest wdrożenie istotnych dla biznesu przypadków użycia infrastruktury opartej na sztucznej inteligencji i nadanie odpowiedniego tempa własnej podróży w kierunku transformacji AI.

Jeśli chcesz dowiedzieć się więcej o tych przypadkach użycia, zapraszam do wysłuchania najnowszego odcinka podcastu Cisco Champion Radio, w którym omawiamy, w jaki sposób technologie AI wspierają dziś zespoły ITOps.

Posłuchaj podcastu Cisco Champions Podcast AI-Enhanced Infrastructure for AIOps

Dodatkowe zasoby:

Blog: Dlaczego i jak infrastruktura wspomagana

sztuczną inteligencją Blog

:

6 rzeczy, które powinieneś wiedzieć o infrastrukturze wspomaganej sztuczną inteligencją dla AIOps

Blog

: Co neurobiologia ma wspólnego z Internetem?

Dowiedz się więcej o analityce sieciowej

Udostępnij

:

Czytaj dalej: https://blogs.cisco.com/networking/top-3-use-cases-of-ai-enhanced-networking

Dodaj komentarz

Twój adres e-mail nie zostanie opublikowany.