Bevezető
A mesterséges intelligencia az elmúlt években az informatikai üzemeltetés egyik legtöbbet használt fogalmává vált. Gyártók és szolgáltatók ígérnek önállóan tanuló rendszereket, automatikus hibaészlelést, előrejelzést és olyan hálózatokat, amelyek bizonyos problémákra emberi beavatkozás nélkül is képesek reagálni.
Könnyű ebből arra következtetni, hogy a hagyományos hálózatfelügyelet hamarosan feleslegessé válik. A vállalati környezet azonban ennél jóval összetettebb. Az AI valóban használható már éles rendszerek felügyeletében, de nem minden feladatra, és főként nem korlátlan önállósággal. A valódi előnye ma elsősorban abban rejlik, hogy nagy mennyiségű működési adatból gyorsabban képes mintázatokat és eltéréseket felismerni. Ez pedig nem az IT szakemberek kiváltását, hanem a munkájuk hatékonyabb támogatását jelenti.
Az AI-alapú hálózatfelügyelet már ma is működő technológia: képes rendellenességeket felismerni, eseményeket összefüggésbe hozni, várható problémákra figyelmeztetni és segíteni a hibák okának feltárását. Nem jelent azonban önállóan működő, emberi felügyelet nélküli hálózatot. Az eredményessége nagymértékben függ a rendelkezésre álló adatok minőségétől, a megfelelő beállításoktól és az emberi szakértelemtől.
Érdemes tehát különválasztani azt, ami ma már ténylegesen használható, attól, amit egyelőre inkább a technológiát övező várakozások táplálnak. Egy AI-val támogatott felügyeleti rendszer nem „érti” a vállalat hálózatát úgy, ahogyan egy tapasztalt hálózati szakember. Viszont olyan mennyiségű mérési adatot, naplóbejegyzést és eseményt képes folyamatosan elemezni, amelynek kézi feldolgozása már nem lenne reális. A kérdés tehát nem az, hogy átveszi-e az AI a hálózat üzemeltetését. Sokkal inkább az, hogy mely feladatokat érdemes már ma rábízni, és mely döntéseknél van továbbra is szükség szakemberre.
Mit jelent valójában az AI-alapú hálózatfelügyelet?
A hagyományos hálózatfelügyelet különböző mérési adatok alapján követi a hálózati eszközök és kapcsolatok működését. Figyelhető például az elérhetőség, az adatforgalom, a processzor- és memória használat, a késleltetés, a csomagvesztés vagy egy adott hálózati kapcsolat terheltsége. Ha valamely érték átlép egy előre meghatározott határt, a rendszer riasztást küldhet az üzemeltetőknek.
Az AI-val támogatott megoldások ehhez képest további elemzési réteget adnak. A mesterséges intelligencia és a gépi tanulás segítségével a rendszer korábbi és aktuális adatokból mintázatokat kereshet, összevetheti egymással a különböző eseményeket, illetve felismerhet olyan eltéréseket, amelyek egyetlen előre beállított határérték alapján nem feltétlenül lennének feltűnőek.
Tegyük fel például, hogy egy hálózati kapcsolat kihasználtsága minden munkanapon 9 és 10 óra között jelentősen megemelkedik. Egy hagyományos rendszer ezt minden alkalommal problémaként jelezheti, ha az érték meghaladja a beállított határt. Egy megfelelően működő, tanuló elemzés viszont felismerheti, hogy ez a viselkedés az adott környezetben rendszeresen előfordul.
Fordított helyzet is elképzelhető. Egy kapcsolat terhelése ugyan nem éri el a riasztási határt, de kedden hajnalban hirtelen többszörösére nő a megszokotthoz képest. A statikus szabály ezt esetleg nem jelzi, az eltéréseket kereső rendszer számára azonban gyanús lehet.
Az AI-alapú hálózatfelügyelet egyik legnagyobb előnye nem az, hogy több adatot gyűjt, hanem hogy a meglévő adatok között olyan összefüggéseket is képes keresni, amelyeket hagyományos szabályokkal nehéz lenne előre meghatározni.
Miben különbözik a hagyományos hálózatfelügyelettől?
Fontos, hogy az AI-alapú hálózatfelügyeletet ne a hagyományos felügyelet leváltásaként képzeljük el. A kettő sok esetben egymásra épül.
A hálózati eszközökből továbbra is adatokat kell gyűjteni. Szükség van naplókra, teljesítmény mutatókra, forgalmi információkra és megfelelően kialakított felügyeleti rendszerre. Ha ezek hiányosak vagy pontatlanok, az AI sem tud megbízható következtetéseket levonni belőlük.
A különbség elsősorban az elemzés módjában jelenik meg.
| Hagyományos hálózatfelügyelet | AI-val támogatott hálózatfelügyelet |
| Előre meghatározott szabályokat követ | Mintázatokat és eltéréseket is kereshet |
| Rögzített határértékek alapján riaszt | A megszokott működéshez is viszonyíthat |
| Egyedi eseményeket jelez | Több esemény között is kereshet kapcsolatot |
| Az elemzés nagy része az üzemeltető feladata | Segítheti az események értelmezését és rangsorolását |
| Elsősorban azt mutatja, mi történt | Bizonyos esetekben a kialakuló problémákra is figyelmeztethet |
A megfelelő IT és hálózat management alapja tehát továbbra is a megbízható adatgyűjtés és a hálózat folyamatos felügyelete. Az AI ezekre az adatokra építve teheti gyorsabbá az elemzést és a rendellenességek felismerését.
1. mítosz: az AI előre lát minden hálózati hibát
Ez az egyik legerősebb ígéret, ugyanakkor érdemes pontosítani.
A mesterséges intelligencia bizonyos problémák kialakulását valóban képes lehet előre jelezni, ha azok előtt felismerhető változás történik a rendelkezésre álló adatokban. Egy hálózati eszköz fokozatosan növekvő terhelése, romló válaszideje vagy szokatlan hibaaránya például jelezheti, hogy valamilyen probléma van kialakulóban.
Ez azonban nem jelenti azt, hogy minden meghibásodás előre látható.
Ha egy optikai kábelt egy munkagép fizikailag átvág, egy eszköz tápegysége előzetes figyelmeztetés nélkül meghibásodik, vagy egy külső szolgáltatónál váratlan üzemzavar történik, az AI sem feltétlenül rendelkezik olyan előzetes információval, amelyből biztosan következtethetne a közelgő kiesésre.
Valóság: az AI javíthatja bizonyos problémák korai felismerését, de nem teszi kiszámíthatóvá az összes hálózati hibát.
2. mítosz: nincs többé szükség riasztási határértékekre
A tanuló rendszerek egyik előnye, hogy nem kizárólag előre rögzített határértékek alapján képesek eltéréseket keresni. Ebből azonban nem következik, hogy a hagyományos riasztási szabályok feleslegessé váltak.
Vannak olyan állapotok, amelyeknél továbbra is egyértelmű szabályokra van szükség. Ha egy kritikus eszköz elérhetetlenné válik, egy kapcsolat megszakad vagy egy szolgáltatás nem válaszol, nem szükséges bonyolult elemzés annak eldöntéséhez, hogy az üzemeltetőket értesíteni kell.
Az AI ott adhat hozzá többletet, ahol a helyzet nem ennyire egyértelmű.
Egy adott érték önmagában még normális lehet, de több kisebb változás együttesen már problémára utalhat. Ilyenkor a különböző adatok közötti összefüggések vizsgálata értékesebb lehet, mint egyetlen határérték figyelése.
Valóság: a tanuló elemzés és a hagyományos szabályalapú felügyelet inkább kiegészíti, mint helyettesíti egymást.
3. mítosz: az AI önállóan megoldja a problémákat
Technikailag ma már lehetséges bizonyos hálózati eseményekre automatikus választ adni. Egy rendszer például újraindíthat egy szolgáltatást, módosíthat egy beállítást, vagy előre meghatározott folyamatot indíthat el.
A valódi vállalati környezetben azonban komoly különbség van aközött, hogy egy rendszer javaslatot tesz, és aközött, hogy önállóan módosítja az infrastruktúrát.
Egy téves beavatkozás önmagában is szolgáltatáskiesést okozhat. Minél kritikusabb üzletileg a hálózat, annál fontosabb annak pontos meghatározása, hogy mely műveletek hajthatók végre automatikusan, és melyekhez szükséges szakember jóváhagyása.
Különösen igaz ez összetett vállalati vagy ipari környezetben, ahol egy hálózati módosítás hatása nem feltétlenül korlátozódik egyetlen eszközre.
Valóság: az automatizált beavatkozás már létező lehetőség, de a teljesen önálló hálózatüzemeltetés nem általános vállalati gyakorlat.
Minél nagyobb üzleti hatása lehet egy automatikus döntésnek, annál fontosabb az emberi ellenőrzés szerepe.
4. mítosz: bármilyen hálózatban azonnal működik
Egy AI-val támogatott felügyeleti rendszer nem tud megbízhatóan dolgozni olyan környezetben, amelyről nem áll rendelkezésre megfelelő adat.
Ha az eszközök egy részét nem figyelik, a naplózás hiányos, a hálózat dokumentációja elavult, vagy a különböző rendszerek adatai nem kapcsolhatók össze, az elemzés eredménye is korlátozott lesz.
Ezért egy ilyen fejlesztés előtt gyakran előbb a hálózatfelügyelet alapjait kell rendbe tenni:
- milyen eszközöket figyelünk
- milyen adatokat gyűjtünk
- milyen gyakorisággal történik a mérés
- mennyi korábbi adat áll rendelkezésre
- mely események számítanak üzletileg kritikusnak
- hogyan kapcsolódnak egymáshoz a különböző rendszerek
A megfelelő rendszerintegráció különösen fontos lehet akkor, amikor több felügyeleti és üzleti rendszer adataiból szeretnénk egységes képet kialakítani.
Valóság: rossz minőségű vagy hiányos adatokból az AI sem tud megbízható hálózati képet létrehozni.
Mire használható már ma megbízhatóan?
A mesterséges intelligenciával támogatott hálózatfelügyelet legnagyobb értéke jelenleg azokban a feladatokban jelenik meg, ahol sok adatot kell folyamatosan értelmezni, és az ember számára nehezen észrevehető eltéréseket kell megtalálni.
Rendellenes működés felismerése
A rendszer megtanulhatja egy hálózati környezet jellemző működési mintáit, majd jelezheti az ettől jelentősen eltérő viselkedést.
Riasztások rangsorolása
Nagy infrastruktúrában egyetlen probléma több tucat riasztást is kiválthat. Az elemző rendszer segíthet az egymással összefüggő események csoportosításában, így az üzemeltetőnek nem feltétlenül kell minden jelzést külön kivizsgálnia.
A hiba okának gyorsabb feltárása
Ha egyszerre változik meg több hálózati mutató, a rendszer segíthet meghatározni, mely esemény történhetett először, és mely további riasztások lehetnek annak következményei.
Kapacitásproblémák korai felismerése
A hosszabb időszak teljesítmény adataiból láthatóvá válhat, hogy valamely hálózati kapcsolat vagy eszköz terhelése folyamatosan közelít a kapacitásának határához.
Szokatlan forgalom felismerése
A megszokott hálózati viselkedéstől való jelentős eltérés működési vagy biztonsági problémára is utalhat. A telephelyen belüli adatforgalom biztonságos kezelése és szeparációja mellett az ilyen eltérések gyors felismerése is fontos része lehet a vállalati hálózat ellenőrzésének.
Hol vannak jelenleg a technológia korlátai?
Az AI-alapú felügyelet egyik problémája, hogy egy észlelt összefüggés nem feltétlenül jelent valódi ok-okozati kapcsolatot. A rendszer felismerheti, hogy két esemény rendszeresen egyszerre történik, de ebből még nem következik automatikusan, hogy az egyik okozza a másikat.
További kihívást jelentenek a téves riasztások. Egy vállalati hálózat működése természetes módon változik: új alkalmazások jelennek meg, módosulnak a munkarendek, új telephelyek csatlakoznak, vagy időszakosan jelentősen megváltozik az adatforgalom. Amit a rendszer korábban rendellenességnek tekintett, később akár normális működéssé válhat.
Az eredmények értelmezhetősége szintén fontos. Egy IT szakember számára kevés az az információ, hogy „a rendszer rendellenességet észlelt”. Tudnia kell azt is, mely adatok alapján született a jelzés, milyen rendszereket érinthet, és mekkora bizonyossággal állítható, hogy valódi problémáról van szó.
Végül az adatbiztonság kérdését sem lehet figyelmen kívül hagyni. Ha a felügyeleti adatok külső szolgáltatásba kerülnek elemzésre, pontosan tisztázni kell, milyen adatok hagyják el a vállalati környezetet, hol történik a feldolgozás, és milyen hozzáférési szabályok vonatkoznak rájuk.
Milyen hálózatokban hozhatja a legnagyobb előnyt?
Nem minden infrastruktúrában ugyanakkora az AI-alapú felügyelet hozzáadott értéke. Egy néhány hálózati eszközből álló, egyszerű irodai környezetben könnyen előfordulhat, hogy a hagyományos monitoring minden szükséges információt biztosít.
A technológia előnye jellemzően az infrastruktúra összetettségével növekszik.
Különösen hasznos lehet:
- sok hálózati eszközt tartalmazó környezetben
- több telephelyes vállalatoknál
- nagy mennyiségű felügyeleti esemény esetén
- összetett adatközponti infrastruktúrában
- gyorsan változó hálózati környezetben
- üzletileg kritikus rendszereknél
- informatikai és ipari hálózatokat egyaránt üzemeltető vállalatoknál
Ipari környezetben ugyanakkor különösen fontos az óvatosság. Az Operational Technology (OT – ipari működést vezérlő technológia) esetében egy hibás automatikus beavatkozás nemcsak informatikai szolgáltatásra, hanem fizikai folyamatokra is hatással lehet.
Hogyan érdemes elkezdeni?
Az első lépés nem feltétlenül egy „AI-monitoring” megoldás beszerzése. Először azt érdemes megvizsgálni, hogy a jelenlegi hálózatfelügyelet milyen adatokat szolgáltat, és hol vannak azok a pontok, ahol az üzemeltetők már nehezen tudják kézzel feldolgozni az információmennyiséget.
Egy gyakorlati bevezetés például így épülhet fel:
- a jelenlegi hálózatfelügyelet felmérése
- az adatforrások és hiányosságok azonosítása
- megfelelő minőségű korábbi adatok biztosítása
- egy jól körülhatárolt felhasználási terület kiválasztása
- az AI által adott jelzések összevetése a szakemberek megállapításaival
- a téves és hasznos riasztások mérése
- csak ezután az automatizált beavatkozások fokozatos bevezetése
A legfontosabb, hogy már a projekt elején meghatározzuk, milyen konkrét problémát szeretnénk megoldani. A „használjunk AI-t a hálózatban” önmagában nem üzleti vagy műszaki cél.
Sokkal pontosabb cél például az, hogy csökkentsük a téves riasztások számát, gyorsabban azonosítsuk a hálózati problémák okát, vagy hamarabb felismerjük a kapacitás szűkösségét.
Összefoglalás
Az AI-alapú hálózatfelügyelet nem pusztán jövőbeli ígéret. A mesterséges intelligencia és a gépi tanulás már ma is használható rendellenességek felismerésére, események összekapcsolására, riasztások rangsorolására és bizonyos problémák korábbi észlelésére. Minél nagyobb és összetettebb egy hálózat, annál több olyan adat keletkezik, amelynek elemzésében ezek a technológiák valódi segítséget jelenthetnek.
Ugyanakkor fontos elválasztani a működő megoldásokat a túlzó várakozásoktól. Az AI nem lát előre minden meghibásodást, nem javítja ki automatikusan a rosszul felépített infrastruktúrát, és nem teszi szükségtelenné a tapasztalt IT szakembereket. Ha az alapadatok hiányosak, a felügyelet rosszul van kialakítva vagy a hálózat működése nem átlátható, egy új elemzési réteg önmagában nem oldja meg ezeket a problémákat.
A valódi előrelépés ezért nem az „ember vagy AI” kérdés eldöntése. Sokkal inkább olyan munkamegosztás kialakítása, amelyben a gép folyamatosan feldolgozza a nagy mennyiségű adatot és jelzi a fontos összefüggéseket, miközben a szakember értelmezi a helyzetet, felméri annak üzleti hatását és meghozza a szükséges döntést. Az AI ma elsősorban nem önálló hálózatüzemeltető, hanem egy egyre használhatóbb eszköz a hálózatüzemeltetők kezében.
Forduljon hozzánk!
Az AI-alapú elemzés akkor tud valódi értéket teremteni, ha megfelelően felügyelt, átlátható és jól kialakított hálózati infrastruktúrára épül. Érdemes ezért először azt megvizsgálni, milyen adatok állnak rendelkezésre, hol vannak a jelenlegi felügyelet vakfoltjai, és mely folyamatokban hozhat mérhető javulást az intelligensebb elemzés.
Forduljon a UNICORN CriticalTech szakembereihez, ha szeretné felmérni hálózatfelügyeleti rendszerének jelenlegi állapotát, fejlesztené a monitoringot, vagy megvizsgálná, hogy vállalati környezetében mely AI-alapú megoldások jelenthetnek valódi szakmai és üzleti előnyt.
GYIK
Tényleg használ mesterséges intelligenciát a hálózatfelügyelet?
Igen. A mesterséges intelligencián és gépi tanuláson alapuló módszerek már ma is megjelennek vállalati hálózatfelügyeleti megoldásokban. Használhatók például a megszokottól eltérő működés felismerésére, nagy mennyiségű esemény feldolgozására vagy egymással összefüggő riasztások azonosítására. Az „AI-alapú” megjelölés azonban önmagában keveset mond arról, hogy egy konkrét termék pontosan milyen képességekkel rendelkezik.
Kiválthatja az AI a hálózati szakembereket?
A jelenlegi technológia mellett nem ez a reális felhasználási mód. Az AI elsősorban az adatok feldolgozásában, a mintázatok felismerésében és az üzemeltetők figyelmének megfelelő helyre irányításában erős. A hálózat üzleti szerepének megértése, az összetett hibák értelmezése és a jelentős következményekkel járó beavatkozások eldöntése továbbra is szakembert igényel.
Előre tudja jelezni az AI, hogy mikor fog meghibásodni egy hálózati eszköz?
Bizonyos esetekben jelezhet olyan változásokat, amelyek egy kialakuló problémára utalnak, de nem minden meghibásodás előre jelezhető. Ehhez olyan korábbi és aktuális mérési adatokra van szükség, amelyekben felismerhető a meghibásodást megelőző változás. Egy teljesen váratlan fizikai hiba esetében ilyen jelzés nem feltétlenül létezik.
Megéri kisebb vállalati hálózatnál is AI-alapú felügyeletet használni?
Nem automatikusan. Ha kevés eszköz működik a hálózatban, a környezet ritkán változik, és a hagyományos felügyelet könnyen áttekinthető, az AI hozzáadott értéke korlátozott lehet. Elsősorban ott válik érdekessé, ahol az adatok és események mennyisége vagy a hálózat összetettsége már jelentős terhet ró az üzemeltetőkre.
Mi szükséges az AI-alapú hálózatfelügyelet bevezetéséhez?
Elsősorban megfelelő adat. A hálózati eszközök és szolgáltatások működéséről következetesen gyűjtött, megbízható adatok nélkül az elemzés eredménye sem lesz megbízható. Emellett pontosan meg kell határozni, milyen problémát szeretnénk megoldani, hogyan mérjük az eredményességet, és mely döntéseket hagyjuk továbbra is emberi ellenőrzés alatt.