Novas ferramentas poderosas substituem as previsões de bola de cristal com insights profundos e acionáveis.
Identificar potenciais falhas de rede e problemas de desempenho tem sido uma questão de adivinhação, mas uma geração emergente de ferramentas de análise preditiva promete trazer uma maior precisão para as previsões confiáveis da rede, permitindo que a equipe de suporte atenda a problemas específicos, antes mesmo deles começarem a afetar a operação da rede.
A análise preditiva é uma mudança de jogo, dando aos CIO a capacidade de olhar literalmente para o futuro. Existe uma necessidade crescente de redes para se adaptarem às demandas de aplicativos dinâmicos, bem como abordar dinamicamente eventos especiais, sazonalidade e assim por diante, embora tenhamos muitos sistemas de automação e regras para gerenciar e operar redes, ainda não é suficiente para lidar com o intenso ambiente em mudança e adaptar-se proativamente às demandas dessas mudanças.
O choque do novo
A análise preditiva que incorpora processos como a aprendizagem de máquinas (ML) e a inteligência artificial (AI) são conceitos relativamente novos para muitos CIOs. É preciso tempo para avaliar uma tecnologia mais nova para o mercado empresarial, a maior parte da adoção está ocorrendo entre plataformas de segurança e tecnologias de nó de extremidade que possuem análises preditivas como recurso.
A análise preditiva melhorou significativamente ao longo dos últimos anos, graças aos avanços em AI e campos relacionados. As previsões baseadas em dados da série temporal, como os logs da rede, são cada vez mais precisas e, portanto, mais úteis, o nível de precisão depende da qualidade do conjunto de dados, em alguns problemas, a aprendizagem profunda pode atingir um aumento de precisão de dois dígitos.
Com a implantação de rede digital e analítica, agora é possível prever futuros comportamentos de rede, como a demanda e a experiência do serviço, com mais de 95% de precisão, exigindo apenas um histórico de cinco vezes o período da previsão. Em outras palavras, para prever dados para o próximo mês, você precisa de cinco meses de dados históricos.
Os avanços no poder de computação e no armazenamento distribuído abriram caminho para o uso irrestrito de dados de rede a nível de pacote, mas a maioria dos operadores de rede não conseguiu aproveitar ao máximo este recurso potencialmente poderoso. Vemos muitos testes iniciais com investimento em capacitadores de tecnologia, mas muitas vezes essas iniciativas são frustradas pela falta de uma abordagem holística levando em consideração o efeito transformador da adoção de modelos operacionais baseados em dados.
Leia também: A IA irá transformar a contabilidade
Antecipação dos requisitos de capacidade
Obter um controle sólido sobre futuras necessidades de capacidade de rede é um problema de análise preditiva relativamente simples, descubra a métrica na qual você está interessado em mensurar, capture os dados de capacidade da rede e em seguida, compare.
Digamos que uma organização, por exemplo, quer atualizar seus circuitos quando atingir 75% da capacidade, é necessário recolher dados por vários meses anteriores para prever onde você estará em três a quatro meses à frente (aproximadamente o tempo necessário para fornecer novos circuitos). Quando sua análise mostrar que você estará em 75 por cento em três a quatro meses, comece o processo de aquisição.
Os algoritmos preditivos podem ser aplicados contra o tráfego, o serviço, o comportamento do dispositivo e do usuário, estendendo essencialmente as atividades padrão de planejamento estatístico da rede para cobrir muitas outras dimensões da performance de rede e tecnologia.
Atualmente, a abordagem de planejamento de capacidade baseia-se em KPI de desempenho de referência que são certificados por provedores de tecnologia e apoiados pelo design de engenharia. A aplicação de algoritmos de aprendizagem de AI permite a melhoria desta abordagem com um processo de aprendizagem contínua para melhorar o desempenho além do que seria possível usando KPI estáticos.
Garantir desempenho e qualidade
No caso do desempenho da rede e problemas de qualidade, os algoritmos de previsão ajudam a gerenciar múltiplas dimensões da análise e decidem quais os eventos que mais têm impacto nos resultados. A aprendizagem profunda pode ser uma ferramenta particularmente útil para o desempenho da rede / otimização de qualidade.
Quando você tem um conjunto de dados que inclui registros de eventos que você deseja prever, você pode treinar uma rede neural profunda nesses dados, se a rede profunda for devidamente treinada, ela pode prever com precisão quando esses eventos provavelmente ocorrerão. Quando você pode prever problemas de capacidade com precisão, você pode agir preventivamente para reequilibrar a carga em sua rede e a fornecer com mais capacidade.
O desempenho da rede e os problemas de qualidade são semelhantes aos problemas de fabricação, quanto mais dados você tem sobre o processo de fabricação, e quanto mais informações você tiver sobre os problemas que entram em centros de reparo, mais facilmente você pode prever falhas. É praticamente o mesmo para problemas de rede, prever falhas e problemas de desempenho na borda e no núcleo da sua rede, prevendo taxas de erro, prever a falha dos componentes com base em logs e tomar medidas antes que o problema seja notável.
A análise preditiva também pode examinar as tendências nos padrões de tráfego de dados com base no tipo de uso e fornecer um aviso precoce sempre que descubrir possíveis problemas. Por exemplo, o tráfego em tempo real de baixa prioridade que usa o UDP (User Datagram Protocol) começará a ver os problemas de desempenho antes que o tráfego de maior prioridade seja impactado, uma ferramenta de análise preditiva boa e capacitada pode prever o impacto e se capacitada, pode fazer mudanças para evitar esse impacto.
Segurança proativa
A maioria das redes é protegida através de firewalls que suportam detecção de intrusão e análise de pacotes. No entanto, os atacantes estão se tornando mais inteligentes, mais espertos, mais sofisticados e às vezes organizados e patrocinados como uma empresa. Defender proativamente a rede requer uma abordagem muito diferente e a análise preditiva é uma delas.
A análise preditiva permite que as plataformas de análise de segurança reconheçam comportamentos anômalos de sistemas, dispositivos e/ou usuários. Isso preenche um fosso muito necessário. Com o NGFW (Next-Generation Firewall) e a tecnologia de ponto final, a análise preditiva identifica de forma proativa potenciais ameaças externas ou mesmo de dia zero, reconhecendo o que um arquivo deve ou não deve fazer em termos da maneira como ele se comporta quando é baixado e executado ou mesmo simplesmente salvo.
A mitigação de risco de ameaça interna e a detecção rápida de violações de segurança são mais importantes do que nunca, e as análises preditivas podem fornecer pistas que escapam de observadores humanos. A análise preditiva, juntamente com os dados do NetFlow ou sflow, pode ajudar a pesar o risco de dispositivos em sua rede (incluindo usuários finais) e prever quais são os riscos mais elevados. O custo de uma infração de rede geralmente é de vários milhões de dólares. Quanto mais rápido você puder detectar e corrigir a violação, menor será o custo e o impacto da reputação da sua empresa.
Leia também: Como funciona a SD-WAN?
Custos de controle
A comparação de estruturas de preços de rede torna-se complicada quando várias alternativas técnicas estão disponíveis. As redes definidas por software (SDNs), quando acopladas com análises preditivas, podem ajudar a simplificar a previsão e ajustar os custos da rede.
As plataformas de análise que implementaram análises preditivas podem ajudar a prever custos de rede porque eles têm a capacidade de ingerir e processar grandes quantidades de dados de rede. A análise preditiva é uma tecnologia proativa de previsão com a plataforma, permitindo que as empresas visem o uso, a performance e a qualidade da rede com meses e até alguns anos para o futuro. Por sua vez, isso ajuda a empresa a preparar e prever atualizações de rede, novos dispositivos e pessoal.
Como pré-requisito para a previsão de custos de rede, é necessário criar bases de custos de alocação de rede que permitam a atribuição de custos, tanto de investimento em capital (CapEx) quanto de despesas operacionais (OpEx), a serviços técnicos específicos ou produtos para clientes finais.
Este é um processo difícil para os operadores convergentes, onde os elementos da rede suportam vários produtos e serviços, mas em última instância, precisam entender com precisão o custo total de propriedade dos produtos e serviços. O inventário da rede também deve ser combinado com o catálogo de compras para criar uma dashboard entre os projetos de rede, a capacidade da rede e os custos de expansão, a análise de capacidade preditiva de rede é empregada para entender os custos futuros.
Começando
O primeiro passo na implantação de análises preditivas para qualquer forma de otimização de rede é a coleta e organização de evidências históricas claramente definidas de problemas passados. Você deve saber o que constitui o funcionamento normal para identificar o que é anormal, um aumento nas questões de desempenho pode ser normal dependendo da natureza da rede, ou pode ser um indicador inicial de problemas sérios por vir.
Os CIOs também precisam definir uma estratégia e um roteiro de análise preditiva que se relacionem com as necessidades do negócio. No âmbito dessa estratégia, escolha um objetivo gerenciável que possa ser usado como prova de conceito, o próximo passo é descobrir todos os fatores que contribuem para a sua variabilidade e obter acesso a todos e quaisquer dados/logs disponíveis para as variáveis.
A melhor maneira de começar com a análise preditiva não é começar com análises preditivas, mas sim começar a entender e identificar padrões de comportamento em todos os sistemas, esses padrões estabelecem a base para a aplicação de análises preditivas.
Uma vez que uma plataforma de análise preditiva foi implantada, alimente os modelos de aprendizagem da máquina com uma quantidade significativa de dados de treinamento, em seguida, confie em especialistas humanos para validar as previsões iniciais e executar mudanças em redes com aprovação de especialistas até que a precisão dos modelos ML cresça consistentemente acima das expectativas de linha de base. Até que haja estudos de caso sólidos para comprovar a precisão dos modelos ML, os operadores serão céticos em assumir o risco de permitir que os modelos ML façam mudanças na rede para o gerenciamento autônomo.
Um esforço que vale a pena
A análise preditiva não é uma solução, é uma ferramenta derivada da estratégia, é apenas uma parte de um arsenal analítico geral.
Muitas organizações querem saltar para análises preditivas e começar imediatamente modelos de treinamento para prever falhas, mas essa não é realmente uma boa ideia. Treinar um modelo preditivo leva uma enorme quantidade de dados e requer cientistas de dados com acesso ao contexto histórico. É melhor começar com análises básicas e visualizações para que você possa começar a ver o que está acontecendo.
Os benefícios da análise preditiva fornecem todo o tempo e esforço necessários para estruturar e implantar a tecnologia. É uma ideia incrível que irá estabilizar significativamente o desempenho da rede e otimizar o OpEx para gerenciamento de rede, tornando o gerenciamento da rede muito mais eficaz. Conte o time de especialistas em tecnologia da ICMP Consultoria em TI para lhe auxiliar nessa nova jornada.
