使用預測分析解決網絡問題：事實還是虛構？

John Edwards

預測未來正變得越來越容易。雖然它們仍然無法準確預測明天的彩票中獎號碼，但是它們已經可以讓所有的網絡管理者都能夠對各種類型的破壞性網絡問題進行預測，并將其扼殺在萌芽狀態。

預測分析工具正在從大數據、數據挖掘和統計建模等各種不同的技術和方法中汲取力量。例如，預測分析工具可以被訓練使用模式識別（自動識別數據中的模式和規則）以便在發展成為重大問題或導致部分或全部網絡故障之前識別出問題隱患。

專業的網絡性能企業Accedian的首席戰略官Richard Piasentin說：“憑借多個干凈數據源，以及內置的冗余來提供準確信息，網絡中的可見性可以提前防止問題發生，而不僅僅是在問題發生后作出反應。”他指出，分析甚至可以集成到閉環編排系統中，為許多常見問題提供網絡自校正。“最終，預測分析……有助于公司節約運營成本，防止問題被忽視，而這些問題往往會導致完全停機。”

分析網絡行為和基礎設施閾值

數據科學培訓機構Data Science Dojo的助理數據科學家Rahim Rasool說，如果設計和部署得當，預測分析可以深入了解一系列常見和特殊的網絡問題，幫助運營商處理策略設置、網絡控制、安全等所有問題。例如，為了解決安全問題，預測分析可以使用異常檢測算法來發現可疑活動，并識別可能的數據泄露。“這些算法能夠掃描網絡在數據傳輸中的行為，并將合法活動與其他活動區分開來。有了預測分析系統，管理者可以搶在黑客小組之前發現網絡中的漏洞，然后制訂出相應的防御機制。”

預測分析幫助企業的另一種方式是將趨勢與基礎設施能力和警報閾值進行比較。運營基于云的性能監控平臺的LogicMonitor公司技術傳播副總裁Gadi Oren稱：“幾乎所有信號都有一個上限和一個下限，這代表著基礎設施的能力范圍。”例如，某個設備接口在飽和之前，單位時間只能傳輸這么多容量。此外，有些信號是與警報閾值相關聯的。利用暴露出來的趨勢及其方差，我們可以預測某個物理系統何時將達到其最大容量，或者預測趨勢何時將達到閾值并引發警報。”

工作中的預測分析

盡管幾乎所有類型的企業網絡都可以從預測分析產生的洞察力中受益，但是在醫療、應急響應和航空交通管理等人命關天的部門中傳輸關鍵數據的網絡將從這項技術中獲得最大收益。

電力公司尤為重視確保網絡的可靠性，因為即使是一次小小的停電事故也會造成重大的人身和經濟損失。通用電氣電力業務部門（GE Power）負責電網分析的首席數字產品經理Farnaz Amin說：“我們利用機器學習模型，根據即將到來的天氣事件預測到了未來可能會影響客戶網絡的停電事故。此外，機器學習還能夠通過檢測和糾正客戶網絡模型中的錯誤，幫助改善數據完整性。”

GE Power表示，他們在180多個國家開展業務，生產了全球1/3的電力，為全球90%的輸電設施提供設備，開發了管理著全球40%以上能源的軟件。由于可再生能源技術的到來，輸電網絡變得越來越復雜，由于風力或太陽能的發電量會出現不可預見的下降從而導致發電量彈性出現降低。輸電系統管理不力可能導致停電，并對公用事業造成重大財務和聲譽損失。為了解決這一問題，GE Power開始轉向人工智能，以促進發電量彈性的測量和預測，從而實現電網更穩定。

該公司還利用分析技術來解決另一個長期存在的、可能導致服務癱瘓的問題，即數據錯誤。這些錯誤通常是由服務提供商層面的手動輸入信息導致的。看似簡單的錯誤也會影響應急和故障響應團隊，導致總體客戶服務體驗差和滿意度低。為了解決這一問題，GE Power正在通過開發整合了地理信息系統（GIS）和其他操作系統數據的算法，以檢測、推薦和糾正普遍存在的錯誤。有了更高質量的數據，電力公司可以更有效地派遣人員，縮短停電恢復時間，避免向客戶發出不正確的停電通知。

Amin指出，公用事業公司的資產每天都會產生大量數據，但是需要在硬件和軟件方面具有非常專業的知識才能發揮這些數據的潛力，帶來具有可操作性的洞察力。目前解決這些問題的方法，如網絡模型數據完整性、中斷預測和人工優化，都是人工的勞動密集型的工作，而且結果還往往不準確。高級分析方法能夠學習歷史數據并做出預測，從而為網絡資產提供更好的可見性，幫助企業做出更經濟的決策。

部署預測分析面臨的挑戰

盡管人們對預測分析越來越感興趣，但是它們仍然是一項新興技術，充滿了陷阱和使用上的挑戰。Oren警告稱：“主要的問題是，這些預測分析方法在規模緩慢擴張的環境中工作得很好，但是在變化非常迅速的環境中往往工作不佳。”快速變化的環境會造成信號變化過快，在分析系統檢測到緩慢變化的趨勢之前就已經發生了變化。“這反過來又會導致在預測何時會發生某些事情時出現不準確的結果。”

獲得和使用高質量的數據對于準確預測是必不可少的。Amin指出，平均而言，能源部門只使用了其匯總數據的一小部分。她解釋道：“這些數據包括傳感器、工廠經理的建議，以及大量資產和網絡的動態信息。”這些數據明顯是可用的，但是許多公用事業企業正淹沒在這些海量數據當中，對于如何利用這些數據沒有一個清晰的規劃，這意味著這些數據無法被充分利用到預測分析當中。”

除了數據收集之外，為了獲得最大的預測能力，還需要建立一個系統來收集和記錄各種警報以及企業網絡操作團隊提供的報告。這些細節可以用來增強預測分析工具檢測潛在網絡異常的能力。Rasool稱：“團隊必須要專注于數據處理和洞察分析。這一步需要一支具有領域專業知識的團隊來處理整個設置。”

一個企業的網絡團隊還應該能夠為預測分析系統提供適當的正反饋和負反饋過程，因為這些信息將有助于提升模型的學習能力。Rasool 說：“憑借適當的分析，通過開發可以處理異常情況的方案，就像網絡管理者目前所做的那樣，這些數據可以創造更多的價值。不過，自我學習并不意味著預測分析將消除對人類網絡管理者的需求。事實上，這樣一個系統將能夠幫助管理者更好地做出決策和作出反應。”

另一個挑戰是說服網絡團隊接受并經常使用預測分析工具。Amin說：“IT和數據科學團隊可以提出解決方案，但是如果運營團隊不采用這些方案，那么這項投資就不會產生良好的回報。因為了解當前流程并將高級分析嵌入到這些流程中是成功的關鍵。”

如何開始

對于剛剛開始采用網絡預測分析的企業來說，他們必須仔細考慮應該獲取哪些類型的數據，以及需要解決什么類型的網絡問題。Amin指出，“只有對用例有了清晰的認識，才會為你的企業帶來價值。”

還需要記住的一點是，向預測分析工具提供過多的信息和提供過少的數據幾乎是一樣糟糕的。網絡性能技術提供商LiveAction的聯合創始人兼首席技術官John Smith警告稱：“如果一個企業不降低其所分析數據的維度，那么這將導致大量不實用的網絡遙測信息被發向云端。”

考慮數據管理的實際方面也很重要。具體來說，就是如何以及在何處存儲相關數據。Amin說：“對容器化及其在各種用例中的功能和適用性是值得探索的，因為它們提供了更多的可選擇性。技術的發展速度是很快的，推遲這種探索可能會使企業在競爭中處于落后的局面。”

本文作者John Edwards 為資深商業技術記者，曾在《紐約時報》《華盛頓郵報》以及CIO、Computerworld、Network World、CFO Magazine、IBM Data Management Magazine、RFID Journal和Electronic Design等眾多商業和技術刊物上發表過大量文章。

原文網址

https：//www.networkworld.com/article/3434518/using-predictive-analytics-to-troubleshoot-network-issues-fact-or-fiction.html