Использование предиктивного анализа для устранения сетевых проблем: факты или вымысел?

Использование предиктивного анализа для устранения сетевых проблем: факты или вымысел?

Источник · Перевод автора

Прогнозная аналитика может выявить скрытые проблемы в сети, прежде чем они повлияют на надежность или производительность. Когда-то считавшаяся футуристической технологией, прогнозная аналитика готова стать основным инструментом диагностики и управления сетью.

Предсказывать будущее становится легче. Хотя до сих пор невозможно точно спрогнозировать завтрашний выигрышный лотерейный номер, возможность предвидеть различные типы разрушительных сетевых проблем – и пресечь их в зародыше – теперь доступна любому сетевому менеджеру.

Инструменты прогнозного анализа опираются на различные технологии и методологии, включая большие данные, интеллектуальный анализ данных и статистическое моделирование. Инструмент прогнозной аналитики может быть обучен, например, использованию распознавания образов – автоматического распознавания закономерностей и закономерностей в данных – для выявления проблем до того, как они станут серьезными проблемами или приведут к частичным или полным сбоям сети.

«Опираясь на множество источников чистых данных, а также на встроенные избыточности для предоставления качественной и точной информации, видимость в сети может предотвратить проблемы, а не просто реагировать на них», – говорит Ричард Пиасентин (Richard Piasentin), директор по стратегии в специалистах по производительности сети Accedian. Он отмечает, что аналитика может быть даже интегрирована в системы оркестровки с обратной связью, чтобы обеспечить самокоррекцию сети для многих распространенных проблем. «В конечном счете, прогностическая аналитика … помогает компаниям экономить на эксплуатационных расходах и предотвращает проблемы, которые остаются незамеченными – проблемы, которые обычно заканчиваются полным отключением», – говорит он.

Анализ поведения сети, порогов инфраструктуры

«При правильном проектировании и развертывании прогностическая аналитика может дать глубокое представление о множестве общих и уникальных сетевых проблем, помогая операторам справиться со всем – от настройки политики и контроля сети до безопасности», – говорит Рахим Расул (Rahim Rasool), научный сотрудник Data Science Dojo, Data Science организация. Например, для решения проблем безопасности прогностическая аналитика может использовать алгоритмы обнаружения аномалий, чтобы выявлять подозрительные действия и выявлять возможные утечки данных. «Эти алгоритмы сканируют поведение сетей, работающих при передаче данных, и отличают законную деятельность от других», – объясняет Расул. «В системах прогнозной аналитики уязвимости в сети могут быть обнаружены до того, как это сделает хакерская группа, и, следовательно, механизм защиты может быть задействован».

Еще один способ, которым прогностическая аналитика может помочь организациям, состоит в сравнении тенденций с возможностями инфраструктуры и пороговых значений оповещения. «Почти все сигналы имеют верхнюю и нижнюю границы, которые являются результатом возможностей инфраструктуры», – говорит Гади Орен (Gadi Oren), вице-президент по технологической евангелизации в LogicMonitor, который управляет облачной платформой мониторинга производительности. «Например, определенный интерфейс устройства может передавать столько емкости только за единицу времени, прежде чем он будет насыщен», – говорит он. Кроме того, некоторые сигналы связаны с порогами оповещения. «Используя выставленный тренд и его дисперсию, мы можем предсказать, когда определенная физическая система достигнет максимальной мощности или когда ожидается, что тренд достигнет порога и вызовет предупреждение».

Прогнозная аналитика на работе

Хотя практически любой тип корпоративной сети может извлечь выгоду из аналитической информации, генерируемой с помощью прогнозирования, сети, транспортирующие важные данные в таких секторах жизни или смерти, как здравоохранение, реагирование на чрезвычайные ситуации и управление воздушным движением, смогут извлечь максимальную выгоду из этой технологии.

Энергетические компании особенно заинтересованы в обеспечении надежности сети, поскольку даже незначительное отключение может привести к значительному человеческому и финансовому ущербу. «Мы используем модели машинного обучения для прогнозирования будущих отключений, которые влияют на сеть клиента на основе входящего погодного события, а также помогают улучшить целостность данных, обнаруживая и исправляя ошибки в модели сети клиента», – говорит Фарназ Амин (Farnaz Amin), главный менеджер по цифровым продуктам аналитики в сети в GE Power.

Работая в более чем 180 странах, GE Power заявляет, что она производит треть электроэнергии в мире, оснащает 90% энергопредприятий по всему миру и разрабатывает программное обеспечение, которое управляет более чем 40% мировой энергии. Однако по мере усложнения сетей электропередачи, в значительной степени связанных с появлением технологий использования возобновляемых источников энергии, генерация стала менее устойчивой из-за непредвиденного снижения ветра или солнечного света. Неэффективное управление системой передачи может привести к отключению электроэнергии и значительным финансовым и репутационным штрафам за коммунальные услуги. Чтобы решить эту проблему, GE Power обратилась к искусственному интеллекту, чтобы облегчить измерение и прогнозирование устойчивости генерации, создав более стабильную энергосистему.

Компания также использует аналитику для решения еще одной постоянной и потенциально вредной для службы проблемы: ошибок данных, которые часто возникают в результате ручного ввода информации на уровне поставщика услуг. Даже кажущиеся простыми ошибки могут помешать группам реагирования на чрезвычайные ситуации и сбои, что приведет к общему снижению качества обслуживания клиентов и снижению уровня удовлетворенности GE Power решает эту проблему, разрабатывая алгоритмы, включающие географическую информационную систему (ГИС) и другие формы данных операционной системы, для обнаружения, рекомендации и исправления распространенных ошибок. Благодаря более качественным данным коммунальные предприятия могут более эффективно отправлять команды, сокращать время восстановления после сбоя и избегать неправильных уведомлений о сбоях для клиентов.

Утилиты генерируют огромное количество данных из своих активов каждый день, но для раскрытия своего потенциала и реализации действенных идей нужны очень специфические знания в области аппаратного и программного обеспечения, отмечает Амин. «Современные подходы к решению этих проблем, такие как целостность данных сетевой модели, прогнозирование сбоев и оптимизация труда, являются ручными, трудоемкими и зачастую неточными», – говорит она. «Усовершенствованный аналитический подход учится на исторических данных, чтобы иметь возможность делать прогнозы, которые обеспечат лучшую видимость сетевых активов и помогут организациям принимать более экономичные решения».

Проблемы принятия прогнозирующей аналитики

Несмотря на растущий интерес, прогностическая аналитика остается новой технологией, изобилующей ловушками и проблемами усыновления. «Главный недостаток заключается в том, что эти подходы [прогнозной аналитики] хорошо работают для масштабируемых сред, но не для сред, которые меняются очень быстро», – предупреждает Орен. Быстро меняющиеся среды создают ситуацию, когда сигналы изменяются слишком быстро, прежде чем аналитическая система сможет обнаружить медленные тренды. «Это, в свою очередь, дает неточные результаты при попытке предсказать, когда что-то произойдет».

Получение и использование высококачественных данных также важно для точных прогнозов. В среднем, энергетический сектор использует только небольшую часть данных, которые он агрегирует, отмечает Амин. «Эти данные включают в себя все, начиная от датчиков, рекомендаций от руководителей предприятий и динамической информации от множества активов и сетей», – объясняет она. «Данные явно доступны, но многие коммунальные службы тонут в количестве, не имеющем четкой картины того, как его использовать, а это означает, что они не могут в полной мере использовать преимущества прогнозной аналитики».

Помимо сбора данных, для достижения максимальной прогнозирующей мощности также необходимо создать систему для сбора и записи различных предупреждений и отчетов, генерируемых сетевой командой организации с течением времени. Такие детали могут быть использованы для расширения возможностей инструмента прогнозной аналитики для обнаружения скрытых сетевых аномалий. «Кроме того, команда должна сосредоточиться на обработке данных и анализе идей», – говорит Расул. «Этот шаг требует наличия команды с опытом в предметной области, чтобы понять всю настройку».

Сетевая команда организации также должна иметь возможность предоставлять соответствующие процессы положительной и отрицательной обратной связи в систему прогнозной аналитики, поскольку такая информация поможет обучающим возможностям модели. «При надлежащем анализе эти данные могут создать гораздо большую ценность, если разработать средства для работы с нештатными ситуациями – что-то вроде того, что делает сетевой менеджер в настоящее время», – говорит Расул. Однако самообучение не означает, что прогностическая аналитика устранит необходимость в людских сетевых менеджерах. «Фактически, такая система сможет помочь менеджерам в более эффективном принятии решений и реагировании», – объясняет Расул.

Еще одна проблема заключается в том, чтобы убедить сетевые команды принять и регулярно использовать инструменты прогнозной аналитики. «Команды по IT и науке могут предложить решения, но если они не будут приняты операционными группами, эти инвестиции не принесут хорошего результата», – говорит Амин. «Следовательно, понимание текущих процессов и внедрение передовой аналитики в эти процессы являются ключом к успеху».

С чего начать

Для организаций, которые только начинают изучать предиктивный анализ сети, важно тщательно продумать, какие именно типы данных должны быть получены, а также типы сетевых проблем, которые необходимо решить. «Если у вас есть четкое представление о вариантах использования, это увеличит ценность вашей организации», – отмечает Амин.

Помните также, что подача слишком большого количества информации в инструмент прогнозной аналитики может быть почти такой же плохой, как и предоставление слишком малого количества данных. «Если организация не сократит размерность данных, которые она анализирует, она может отправить в облако непрактичный объем сетевой телеметрической информации», – предупреждает Джон Смит (John Smith), технический директор и соучредитель поставщика технологий сетевой производительности LiveAction.

Также важно подумать о практической стороне управления данными: в частности, как и где хранить соответствующие данные. «Изучение контейнеров, их функциональности и применимости в различных случаях использования также целесообразно, так как предоставляет дополнительные возможности», – говорит Амин. «Технологии быстро развиваются, поэтому откладывание этого исследования оставит компании позади».