更多的IT组织应用人工智能(AI)、机器学习(ML)和所谓的AIOPS系统技术网络管理网络数据对成功至关重要AI/ML技术需要越来越多的数据学习单个网络、获取洞察力并提出建议可惜许多组织在试图向网络数据输入AI工具时遇到问题
换句话说,网络团队需要更新网络数据方法后再接受AI技术
企业管理联想最近调查了250名IT专业人员,了解他们在AI/ML驱动网络管理解决方案方面的经验,撰写报告“AI-Driven网络:升级网络管理”。发现数据问题是应用AI/ML网络管理时遇到的二大技术挑战网络复杂性是一个更大的技术问题
发现90%的组织在试图使用AI/ML解决方案时至少遇到网络数据挑战
IT副总裁最近表示:「AIOps需要数据驱动工作流,如果你没有数据,你没有Aiops最先需要做的是准备数据看它,理解它, 并观察漏洞在哪里。”
数据故障关键源 根据IT素数调查
数据质量
头号问题影响46%的组织,数据质量问题IT组织快速发现垃圾数据产生垃圾洞察力处理错误 格式问题 非标准数据IT组织从多片嵌入第三方AIOS解决方案时,这尤其可能是一个问题典型IT组织使用4至15工具管理并监控网络每种工具保有自身质量不等的数据库AIOps解决方案试图将全套数据相联洞见时,问题就会出现。
安全风险
近39%向EMA表示,他们正在奋战与AI/ML系统共享网络数据相关的安全风险多家商家提供AI驱动网络化解决方案,IT团队必须将网络数据送入云分析金融服务业等行业不愿意向云中发送网络数据他们宁可用套房工具存放多家网络商贩不支持假设版AI数据湖,
一些商家还合并所有客户匿名数据对网络进行全局分析允许它们看到跨地理学、行业和其他变量的趋势但有些客户对AI/ML解决方案的这一方面感到不安连匿名资料都不想卷进
网络间接
第三个最大数据挑战就是网络管理费36%以上的组织担心网络成本将大数据交换机移入云基数据湖数据传输有时会消耗过多带宽一些商家通过本地探针处理网络边缘数据来缓解这一问题,然后将元数据推入AI云分析组织评价AI驱动网络解决方案应询问潜在供应商如何解决这一问题
数据粒度
最后,32%的组织告诉EMA说,他们的数据缺少粒度无法按极短时间段收集数据,使其AI解决方案对网络有足够的洞察力这一问题可以各种方式出现。偏偏SD广域网销售商限制收集网络遥测速率,因为遥测通信可影响网络性能
某些监控工具限制使用SNMP投票网络的间隔时间,因为高投票率会破坏监控平台稳定。 一些网络开关和路由器因性能冲击而多发流记录有限。最近一些网络销售商开始使用开关硅优化生成更多粒度数据,帮助缓解这一问题,但硬件往往以溢价运来。
评估网络数据你已经收集
即使你没有计划使用 AI/ML解决方案网络管理, 总是一个很好的想法审查网络数据状况网络操作团队常告诉EMA说,总体而言,最大的挑战就是数据质量,而不管AI是否遥不可及。
组织应判断网络中是否有盲点,他们应审查工具所收集并保留数据的质量收集数据易出错吗?数据也应遵守标准如果工具用元数据标记数据,第三方能解析数据吗?标准化将确保它为其他系统读取并思考数据采集间隔SNMP投票间隔5或10分钟内会发生很多事
关于AI/ML优化网络运维EMA免费webinar关于它最新研究。 )