Elnur - stock.adobe.com
Die Vorteile von Machine Learning beim Netzwerk-Management
Unternehmen wie Anbieter sind dabei, Deployment-Strategien für Machine Learning zu entwickeln. Welche Vorteile bietet maschinelles Lernen in puncto Netzwerkanalyse und -Management?
Es ist wichtig, den Unterschied zwischen Machine Learning (maschinelles Lernen) und anderen Formen von Automation Analytics zu verstehen. Ältere Netzwerk-Management-Lösungen verließen sich auf regelbasierte Systeme. Diese Systeme lassen sich relativ einfach erstellen, denn sie beruhen auf simplen Regeln, die Netzwerkexperten nutzen können, um Netzwerkprobleme zu diagnostizieren. Regelbasierte Systeme legen eine auszuführende Aktion fest, wenn eine Regel erfüllt wird. Die Aktionen reichen vom Auslösen eines Alarms bis hin zum Starten komplexer Reparaturaufgaben (Remediation).
Problematisch sind regelbasierte Systeme deshalb, weil man sie warten und regelmäßig aktualisieren muss, wenn neue Regeln benötigt werden. Häufig ist es zu umständlich, Regeln zu erstellen, bei denen zahlreiche Änderungen der Bedingungen ganz unterschiedliche Maßnahmen erfordern. Außerdem sind diese Systeme nicht sehr flexibel. Die Regelsätze übersehen möglicherweise ein Problem, falls die fraglichen Regeln nicht exakt mit den Symptomen des Problems übereinstimmen.
Es ist deutlich besser, ein System zu erstellen, das den Umgang mit Problemen von den Netzwerkexperten lernen kann, die es verwenden – ähnlich der Ausbildung einer Person, für die der Networking-Bereich Neuland ist. Wenn dann neue Probleme und Lösungen gefunden werden, lernt das System die Symptome und die zu ergreifenden Folgeaktionen.
In der Branche herrscht weitgehend Konsens, dass die Integration von KI zu den Vorteilen von Machine Learning gehört. Für unsere Zwecke können Sie sich Machine Learning und Deep Learning als Beispiele für neuronale Netzwerke vorstellen. Um ein neuronales Netzwerk zu trainieren, wird es mit einer großen Menge an Daten aus dem betreffenden Fachgebiet gefüttert – zusammen mit der passenden Antwort oder Reaktion. Das neuronale Netzwerk lernt die passende Reaktion, wenn man ihm neue Daten präsentiert. In gewisser Hinsicht lernen diese Netzwerke nicht, sondern werden vielmehr darauf trainiert, auf allgemeine Klassen von Eingabedaten zu reagieren.
Vorteile von Machine Learning und Netzwerk-Management
In den letzten Jahren wurde der Trend erkennbar, maschinelles Lernen auf das Netzwerk-Management anzuwenden. Das ist eine spannende Entwicklung, denn sie besitzt das Potenzial, die Fähigkeit der Management-Software, Probleme zu erkennen und richtig mit ihnen umzugehen, erheblich zu verbessern. Es ist sogar möglich, Remediation-Maßnahmen in die Aktionen einzubinden, die sich aus der genauen Bestimmung der Problemursache ergeben.
Zum Beispiel hat Moogsoft, ein Entwickler von Netzwerk-Management-Software auf KI-Basis, dank Machine Learning sein Produkt so gestaltet, dass die Anzahl der Netzwerk- und Systemereignisse – von SNMP-Traps (Simple Network Management Protocol) sowie Syslog- und Server-Log-Meldungen –, um die sich die IT-Mitarbeiter kümmern müssen, beträchtlich reduziert werden.
Es dauert einige Wochen, bis die Software lernt, wie das IT-Personal Ereignisse handhabt, ehe sie eine Korrelation herstellen kann. Input vom IT-Team ist hierbei der Schlüssel. Genau dies hilft der Software von Moogsoft zu verstehen, welche der vielen Ereignisse relevant sind und welche nicht. Die Machine Learning Engine wiederum automatisiert einfach das, was sie von den IT-Mitarbeitern gelernt hat.
Die Algorithmen für maschinelles Lernen sind weder in der Lage, die Auswirkungen auf Geschäftsprozesse abzuschätzen, noch können sie lernen, wie sich beliebige Probleme lösen lassen. Doch sie können die Anzahl der Ereignisse deutlich reduzieren, um die sich die IT-Mitarbeiter jeden Tag kümmern müssen. Die Verminderung des Ereignisvolumens ist beachtlich – von Tausenden oder sogar Millionen von Ereignissen jeden Tag auf nur wenige kritische Vorkommnisse.
Beispielsweise kann der Konnektivitätsverlust zu einem Remote-Standort eine enorme Zahl von Fehlerereignissen bezüglich der Erreichbarkeit auslösen. Die Software von Moogsoft ist imstande, die vielen sekundären Ereignisse zu durchforsten und zu entfernen, die als Folge des Konnektivitätsverlusts aufgetreten sind. Die IT-Mitarbeiter profitieren auf diese Weise von den Vorteilen durch Machine Learning, denn sie können sich auf die Frage konzentrieren, warum es zum Verlust der Verbindung gekommen ist.
Tetration und seine Funktionsweise
Ciscos Analysesystem Tetration nutzt unterdessen einen völlig anderen Ansatz, um per Big Data Analytics die Daten von Paket-Headern zu untersuchen. Die ersten 160 Byte jedes Pakets werden zur Erfassung und Analyse an Tetration gesendet. Das ist in der Tat eine große Menge – fast 2 Prozent des generierten Traffics. Um das erfasste Datenvolumen zu bewältigen, benötigt Tetration jede Menge Leistung – ein 42U-Rack voller Server und Storage-Systeme. Es gibt aber auch eine genügsamere Version und eine Cloud-Variante. Die Plattform nutzt Hadoop-Verarbeitung, um Probleme mit der Anwendungs-Performance, Sicherheitsbedrohungen und Netzwerkprobleme zu erkennen. Darüber hinaus lernt das System, wie Anwendungen arbeiten, und erstellt eine Messbasis für die Anwendungs-Performance.
Wenn sich die Performance einer Anwendung ändert, versucht Tetration, den Grund zu finden oder mindestens einen Alarm über die Änderung zu generieren. Zu den vielen Performance-Merkmalen, die Tetration überwacht, gehören eine höhere Latenz, Pakete, die auf eine Cyberattacke hindeuten, oder Neuübertragungen als Zeichen von Paketverlusten. Ein solcher Ansatz hilft der IT bei der Feststellung, ob eine langsame Anwendung auf Interna der Anwendung zurückzuführen ist – etwa eine langsame Datenbank – oder auf ein Netzwerkproblem. Eine Präsentation auf dem Network Field Day im Oktober 2017 verriet weitere Informationen über die Analyse-Engine.
Machine Learning: Vorteile durch weniger Ressourcen
Von einem Netzwerk-Management-System, das dazu beiträgt, den Aufwand für das Monitoring und Management eines Netzwerks zu verringern, ergeben sich für IT-Fachleute eine Reihe von Vorteilen. Die meisten Netzwerk-Management-Tools werden als Frameworks bereitgestellt. Das impliziert, dass einiges an Aufwand nötig ist, um das Framework in ein funktionierendes System zu verwandeln. Einige Produkte erfordern einen Vollzeit-Administrator für das Feintuning im Betrieb.
Wäre es nicht wunderbar, wenn das System anhand der Aktionen der Netzwerk-Administratoren lernen könnte, welche Maßnahmen durchzuführen sind? Selbst ohne aktivierte Remediation-Funktionalität zeigt Machine Learning neue Probleme auf und löst bei deren Auftreten Alarme aus. Stellen Sie sich ein System vor, das die Fehler- und Auslastungs-Schwellenwerte für verschiedene Verbindungstypen lernen kann.
Folgen Sie SearchNetworking.de auch auf Twitter, Google+, Xing und Facebook!
