在我最近的博客，我写过自动化将网络与IT的其他领域联系起来，以及自动化是如何成为一种能力的可用的今天你应该开始使用。
机器学习是另一个热门话题。虽然网络中的许多机器学习应用程序的时间表还需要几年的时间，但它有可能成为每隔几十年才出现一次的罕见技术之一，并从根本上改变网络的运行方式。
+也在网络世界:足球竞猜app软件谷歌云将给企业带来人工智能、机器学习的4种方式+
毕竟，如亚马逊，苹果，Facebook，谷歌和百度领先的公司都已经在改变他们的产品和业务流程与机器学习。
我们希望，随着技术的成熟，其中大部分是内部工作的将是深的系统和你的供应商的云内。但是，如果你的公司很快开始寻找你的帮助支持早期的机器学习的应用程序或实验我不会感到惊讶。
因此，我认为这是及时坐下来一个Q＆A与业界最重要的机器学习专家之一，大卫·迈耶他在过去的四年里研究了ML如何帮助我们解决网络和安全方面的难题。
问:什么是机器学习?
在传统的编程，程序员建立了产生输出的规则。在机器学习，你提供的数据，与观察到的结果（例如，监督学习）一起，而且软件的作用是学习规则。下面的图像示出了在方法的对比度。
机器学习软件通过寻找产生特定输入的观察结果的过程来“学习”。输入数据和结果的训练集决定了模型的预测精度。经过这个训练阶段后，经过训练的软件就可以进行推论了。给定一个新的输入数据，经过训练的模型现在可以推断出预期的结果。在某些情况下，比如在线系统，软件可以继续学习。
锦
问：你能否提供的例子，今天的工作？
搜索引擎就是我们每天都在使用的机器学习软件的一个例子。搜索引擎通过不断在线学习算法来改进搜索结果。这种学习不仅包括过去的点击经验，而且通常还包括基于为搜索引擎定义的性能结果的大量附加因素。广告收入就是一个很好的例子。
此外，那些使用苹果Siri或亚马逊Alexa产品的用户可能会注意到，随着设备了解用户的具体偏好，个性化结果会随着时间的推移而改善。
问：哪里的机器学习软件的运行？
运行机器学习软件的一个选择是云。谷歌的搜索引擎、苹果的Siri和亚马逊的Alexa就是这样的例子。另一种选择是在传统模式下运行一个经过训练的机器学习程序——软件不再学习，但用户通过推理获得了之前所有学习的优势。
光学字符识别“改为”书面文字和自然语言处理“听”到今天所说的话，在许多传统的软件包的例子。这两种方法是提供获取情报，而无需在本地计算能力是需要运行机器学习软件的优势。
问:以输入和输出的映射作为基本原则，机器学习在网络中的应用如何?
机器学习的一个优点是它可以解决高度复杂的现实世界的问题。您可能已经读过如何机器学习系统正在成为从一组症状，诊断健康问题越来越准确。这是因为我们可以用数据机从非常大的群体的患者，如那些谁曾中风和那些谁没有训练，并指示该软件来学习如何区分它们。
我们在网络中也有类似的场景，使用大量的观察输入和结果意味着机器学习可以帮助我们预测正在发生的事情。机器学习将能够分析收集到的数据的结构，以发现我们不知道的模式。这将解决更广泛的网络和安全行为，而不是那些我们能够在功能关系中数字描述的行为。
问:机器学习在哪里可以应用于网络?
我们将采用机器学习网络的了解，产生我们如此观察作为分类的事件数据集，预测和各种和先前未知类型的网络和安全事件响应过程。
目前，机器学习在网络中能够解决的问题类型，由于缺乏来自大量网络样本集的行为数据，尤其是大型网络。此外，我们的能力受到限制，以一种共同的方式标记数据和描述结果。然而，在接下来的两年里，我们还可以解决一些重要的问题，比如安全性和异常检测、组件故障、拥塞以及优化的网络编排。
从长远来看，机器学习可以从根本上改变我们运行网络的算法，甚至是像路由这样的网络基础算法。今天，我们的路由规则是简单的，基于链接度量的有限因素的数字数学。如果我们的网络可以考虑更大的实时状态集来确定传输流量的最佳方式，我们的网络会有多大的效率?未来10年，机器学习可能会改变我们管理网络及其运行方式的几乎所有方面。
第一个使用案例学习机将是在我们观察的结果是至关重要的问题。推进我们现有的分析和预测工具，而不仅仅是统计或数字的方式来真正考虑大范围观测到的网络行为的简单处理的许多厂商，包括以下发展研究的一个热点领域：
安全和异常检测
我们已经知道了一些恶意网络流量的例子，可以对机器学习系统进行培训，以便它们能够向网络和安全管理员发出潜在的主动风险警报。在未来，机器学习不仅可以帮助检测，还可以预测和修复威胁。随着越来越多的设备通过物联网和机器对机器的连接加入网络，快速学习能力将成为强大的安全立场的关键。
正如在所有的工具，它不仅是那些谁保护，将使用这些新的系统网络;那些谁威胁到网络必将应用于机器学习找到漏洞。因此，安全性确实是网络让我们快速地将机器学习的一个重要领域。
预测和调解
机器学习系统现在正在学习如何分析网络行为和预测网络协议异常，这些异常是网络中出现的新问题的信号，比如拥塞。他们还可以学会识别其他问题，比如在最初阶段的组件故障或性能下降，以主动协调和避免影响用户的事件。
网络协调和控制
网络编排和控制的复杂动态是，我们很可能会看到机器学习系统的应用的另一个领域。机器学习将使这些系统能够适应不断变化的环境，优化资源取得了虚拟化的网络可用，以及网络的配置和管理。
自动化工具
由于需要创建和管理大量的数据，网络自动化是应用机器学习的一个丰富领域。例如，去年KDDI实验室宣布了世界上第一个人工智能辅助的自动化网络操作系统概念验证(PoC)。KDDI能够表明能够学习并预测在出现硬件或软件异常会导致灾难性的网络故障的系统。
此外，PoC系统可以启动通过综合管理系统的恢复计划。在空间其他正在探索机器学习如何可以用来连接网络自动化工具来超越网络的自动化流程，如用于DevOps的。
问：你有什么推荐网络设计师做准备？
如果您负责构建任何规模的网络，请继续关注机器学习领域。我建议你从Coursera的课程开始Andrew Ng他是斯坦福大学的副教授。在此基础上，对机器学习和网络的谷歌搜索将产生额外的资源，包括我最近的播客。
你会想知道足够评估机器学习工具，从供应商的特定网络和潜在价值在部署过程中进行考虑。一旦你的基础，你可以看到你的网络中，是值得在实验机器学习系统的发展，看它如何帮助你一些具体的挑战。
问：你有什么推荐的网络和安全管理员做准备？
更加熟悉基本的工具和简单的自动化编程，例如NetOps。这个基础不仅将帮助您今天运行您的网络，而且还准备您受益于早期的机器学习能力，可以帮助您保护您的网络，并更有效地运行它。你可能希望开始使用现在在你的个人生活中可用的机器学习工具，比如苹果的Siri或亚马逊的Alexa，来体验它们是如何随着时间的推移学习偏好和需求的。