- silicon.de - http://www.silicon.de -

Maschinelles Lernen zur Verbesserung der Netzwerkauslastung

Virtualisierten Netzwerken gehört die Zukunft. Das gilt für die Rechenzentren großer Unternehmen und erst recht für die Infrastruktur der führenden Telekommunikationsanbieter. In Zeiten rasant wachsender Nachfrage nach Bandbreite kann die Lösung schließlich nicht allein in einem ständigen Ausbau der Kapazitäten liegen. Vielmehr geht es zunehmend darum, mehr Nutzen aus der bestehenden Infrastruktur zu ziehen. Mit Hilfe einer weitreichenden Analyse und Automatisierung der Netzwerke lässt sich diese Herausforderung meistern.

maschinenlernen [1]

Derzeit müssen sich die meisten Administratoren um sehr heterogene und hybride Netzwerke kümmern, die aus sehr unterschiedlichen physischen und virtuellen Komponenten bestehen. Das ist mit erheblichen Herausforderungen für das Management verbunden. Allein für das Konfigurieren, Rekonfigurieren und tägliche Betreuen des Netzwerks bedarf es eines wahren Heeres von Netzwerktechnikern.

Strategische Ziele lassen sich auf diese Weise nicht erreichen: Kurze Reaktionszeiten auf Serviceanforderungen, verbessertes Nutzererlebnis und höhere Profitabilität seien hier als Beispiele genannt. Die Lösung kann in diesem Bereich nur lauten, die Chancen der Automatisierung durch selbst lernende, intelligente Systeme zu nutzen. Damit muss jedoch zugleich ein grundsätzlicher Wandel der Netzwerk-Management-Systeme einhergehen. Schließlich waren diese bislang für physische Netzwerke konzipiert und grundsätzlich eher auf den reaktiven Schutz ausgerichtet. In einer hybriden Umgebung sind dagegen vorausschauende Verfahren gefragt. Sie bieten eine Menge Potenzial. Die Spanne reicht dabei von der Automatisierung bei Änderungen an der optischen Abstimmung, über die Maximierung der Bandbreiten-Reserven je nach Nachfrage bis zum Abzug von Technikern aus der Wartung, um diese stattdessen zur Implementierung und Bereitstellung von Diensten einzusetzen.

Aus Sicht der Telekommunikationsanbieter kommt es im ersten Schritt zunächst darauf an, Probleme möglichst früh erkennen zu können. Hier zahlen sich Lösungen aus, die maschinelles Lernen bieten und auf flexiblen Analysemodellen aufbauen. Im Gespräch mit den IT-Verantwortlichen dieser Unternehmen wird jedoch schnell klar, dass das Potenzial dieser Systeme erst in den kommenden Jahren ausgenutzt wird – sobald die automatisierte Mustererkennung zum weitverbreiteten Standard bei der Diagnose von Netzwerken geworden ist.

Bislang werden zwar schon Möglichkeiten der Mustererkennung genutzt, etwa um Netzwerküberlastungen frühzeitig erkennen zu können. Auch wenn es um die Kapazitätsanpassung und die Response-Zeiten nach Sicherheitsvorfällen geht, kommen entsprechende Lösungen bereits zum Einsatz. In Zukunft werden diese Systeme jedoch in der Lage sein, von einer Vielzahl von Datenquellen zu lernen und proaktiv Maßnahmen zur besseren Kontrolle der Netzwerke zu ergreifen.

Tatsächlich lassen sich aus den “Smart Data” eines Netzwerkes noch weitaus interessantere Informationen generieren, die den Betreibern dabei helfen, den Output ihrer Infrastruktur zu maximieren. Möglich ist dies über eine Business Process Automation, die zusammen mit Network Functions Virtualization (NFV), Software-defined Networking (SDN) und Cloud-basierten Applikationen arbeitet. Dabei können die Datenquellen verschiedene Systeme wie die Netzwerk-Telemetrie, physische und virtuelle Netzwerkbestandteile, Lösungen für den Kundendienst, Domain-Management-Applikationen und viele weitere Komponenten umfassen.

Eine wichtige Rolle nimmt auch ein Network Health Predictor ein. Eine solche Analyse-Applikation bietet eine Visualisierung des Netzes, um proaktiv Wartungsarbeiten auf verschiedenen Ebenen – etwa den Ethernet- und IP-Layern, aber auch bei optischen Systemen – durchführen zu können. Einfach bedienbare grafische Tools liefern dem Administrator dabei nicht nur Einblicke zum Netz und seinen Komponenten, sondern auch Trends und Einschätzungen zur Wahrscheinlichkeit von Ausfällen. Möglich ist dies über die geschickte Verbindung unterschiedlicher Datenquellen, etwa Fehlerberichten aus der Vergangenheit und Echtzeit-Daten über Fluktuationen bei der Übertragungsleistung.

Die durch Künstliche Intelligenz gewonnenen Erkenntnisse lassen sich gezielt nutzen, um Netzwerkkapazitäten auf Hardware-Ebene zu optimieren. So ermöglichen es Lösungen wie Liquid Spectrum, die Kapazität optischer Verbindungen je nach Bedarf zu vergrößern, die Reichweite einzelner Kanäle zu erhöhen oder die Serviceverfügbarkeit auszuweiten.

[highlightbox id="41634292"]

Moderne Netzwerklösungen nutzen dafür instrumentierte, programmierbare Hardware: In Form von kohärenten optischen Komponenten mit variabler Bitrate, die abstimmbare Netzwerkkapazitäten ermöglichen. Auch rekonfigurierbare und flexible photonische Netzwerkschichten, die bestimmte Wellenlängen nach Bedarf umleiten können, bilden einen wichtigen Bestandteil. Intelligente Software steuert die Hardware und bietet einen einheitlichen und integrierten Überblick aller Netzwerkfunktionen. Die Software erlaubt es, automatisiert und in Echtzeit auf die Netzwerkleistung zu reagieren. Telemetrie liefert dabei die Daten, um die Effizienz des Netzes zu optimieren.

Intelligente und abstimmbare Glasfaserlösungen sind ein wichtiges Element in der Entwicklung hin zu vollständig automatisierten Netzwerken, die sich selbst reparieren und Probleme eigenständig lösen. Auch gewinnen Netzbetreiber unmittelbare Erkenntnisse über den Zustand des Netzwerkes und den Datenverkehr. Ebenfalls wird leichter ersichtlich, wie sich mit der bestehenden Infrastruktur der Umsatz steigern lässt.

[highlightbox id="41634270"]

Durch die intelligente Kombination dieser verschiedenen Ansätze entsteht ein Netz, das in der Lage ist, sich selbst zu überwachen und zu managen, kontinuierlich den Bandbreitenbedarf zu erfassen und Ressourcen entsprechend anzupassen oder umzuverteilen. Somit lassen sich programmierbare Netze umsetzen, in denen Reichweite, Latenz, Effizienz und Kostenrichtlinien durch den Netzbetreiber definiert und durch das Netz selbständig optimiert werden. Es ist damit in der Lage, bei hoher Belastung effizient zu arbeiten sowie Engpässe und isolierte Kapazitäten zu vermeiden. Durch die effizientere Bereitstellung der Services und das bessere Einhalten von Service Level Agreements (SLA) trägt es somit letztendlich spürbar zur Umsatzgenerierung bei.