به کارگیری تجزیه و تحلیل پیش بینی برای رفع مشکلات شبکه

تجزیه و تحلیل پیش بینی می تواند مشکلات شبکه را قبل از تأثیرگذاری بر قابلیت اطمینان یا عملکرد آن نشان دهد. هنگامی که یک فناوری آینده نگر در نظر گرفته شود، تجزیه و تحلیل پیش بینی، به ابزار اصلی تشخیص خطا و مدیریت شبکه تبدیل می شود. پیش بینی آینده آسانتر می شود. امکان پیش بینی انواع مختلف آسیب های شبکه، اکنون در دسترس هر مدیر شبکه است.

ابزار تحلیلی پیش بینی کننده قدرت خود را از انواع فن آوری ها و روش های مختلف از جمله داده های بزرگ، داده کاوی و مدل سازی آماری می گیرد. برای مثال  می‌توان از تشخیص الگویی برای شناسایی مسائل، قبل از اینکه آنها به مشکلات مهمی تبدیل شوند و یا منجر به خرابی جزئی یا کامل شبکه شوند، استفاده کرد.

ریچارد پیازنتین، مدیر ارشد راهبردی و متخصص عملکرد Accedian می گوید: “تكیه بر منابع متعدد داده های دقیق، همراه با افزونگی های داخلی برای ارائه اطلاعات خوب و دقیق در شبکه می تواند از بروز مسائل جلوگیری كند”. وی خاطرنشان می کند که تحلیل سیستم حتی می تواند با سیستم های ارکستراسیون یا توزیع ارکسترال با حلقه بسته ادغام شود تا بسیاری از مشکلات رایج را پیش بینی کند. وی می گوید: “نهایتا، تجزیه و تحلیل پیش بینی به شرکتها کمک می کند تا در هزینه های عملیاتی صرفه جویی کنند و مانع از نادیده گرفتن مسائل شوند، مسائلی که معمولاً منجر به خرابی کامل شبکه می شوند”.

تجزیه و تحلیل رفتار شبکه: آستانه زیرساخت ها

رحیم رسول، دانشمند داده در سازمان آموزش علمی Data Science Dojo می گوید: “تجزیه و تحلیل پیش بینی هنگامی که به درستی طراحی و مستقر شود، می تواند بینش عمیقی از آرایش شبکه های متداول و منحصر به فرد ارائه دهد و به اپراتورها کمک می کند تا به همه چیز، اعم از تنظیم سیاست و کنترل و مانیتورینگ شبکه ، رسیدگی کنند. به عنوان مثال برای مقابله با مسائل امنیتی، تجزیه و تحلیل های پیش بینی می توانند از الگوریتم های تشخیص ناهنجاری برای انجام فعالیت های مشکوک و شناسایی نقض احتمالی داده ها استفاده کنند. وی توضیح می دهد: “این الگوریتم ها رفتار شبکه هایی را که در راستای انتقال داده ها کار می کنند، اسکن می کنند و فعالیتهای مشکوک را از دیگر فعالیتها متمایز می کنند. با سیستم های تحلیلی پیش بینی، می توان آسیب پذیری های موجود در یک شبکه را قبل از حمله هکرها تشخیص داد و متعاقباً یک مکانیزم دفاعی تنظیم کرد”.

روش دیگر تجزیه و تحلیل پیش بینی می تواند به سازمانها با مقایسه روندها با قابلیت های زیرساختی و آستانه های هشدار، کمک کند. گادی اورن، معاون رئیس تبلیغات فناوری در LogicMonitor، که بستر نظارت بر عملکرد مبتنی بر ابر را دارد، می گوید: “تقریباً تمام سیگنال ها دارای یک حد بالایی و یک حد پایین هستند که نتیجه توانایی های زیرساخت ها است.” وی می گوید: “به عنوان مثال رابط دستگاه خاص فقط می تواند تا اندازه ای ظرفیت را در واحد زمان قبل از اشباع منتقل کند. علاوه بر این، برخی سیگنال ها به آستانه های هشدار مرتبط هستند. با استفاده از روند در معرض و واریانس آن، می توان پیش بینی کرد که یک سیستم فیزیکی خاص ظرفیتش تکمیل شده است و یا چه زمانی انتظار می رود که این روند به آستانه ای برسد که باعث ایجاد هشدار شود”.

تجزیه و تحلیل پیش بینی در کسب و کار

تقریباً در مورد هر نوع شبکه سازمانی می توان از بینش های تحلیلی پیش بینی شده بهره مند شد، مانند شبکه هایی که داده های مهم حیاتی را پردازش می‌کنند (مانند مراکز بهداشتی، مراکز بحران، مدیریت ترافیک و حمل و نقل هوایی) بیشترین بهره را از این فناوری می گیرند.

تاسیسات برق بویژه با اطمینان از قابلیت اطمینان شبکه نگران هستند، زیرا حتی یک قطع کوچک جزئی نیز می تواند به آسیب های انسانی و مالی قابل توجهی منجر شود. فرناز امین، مدیر تحلیل محصولات دیجیتال شبکه در GE Power می گوید: “ما به مدل های یادگیری ماشین برای پیش بینی قطع برق احتمالی در شبکه تکیه می کنیم که ممکن است متاثر از یک رویداد در حال وقوع آب و هوایی باشد. همچنین با شناسایی و تصحیح خطاها در مدل شبکه مشتری، به بهبود یکپارچگی داده ها کمک می کنیم.”

GE Power در بیش از ۱۸۰ کشور جهان فعالیت دارد و یک سوم برق جهان را تولید می کند، ۹۰٪ از تجهیزات انتقال نیرو را در سراسر جهان مجهز می کند و نرم افزاری را توسعه می دهد که بیش از ۴۰٪ از انرژی جهان را مدیریت می کند. با وجود این، شبکه های انتقال نیرو با پیچیدگی رشد می کنند که تا حد زیادی ناشی از ورود فن آوری های انرژی تجدیدپذیر است. مدیریت ناکارآمد یک سیستم انتقال می تواند منجر به خاموشی و خسارت های مهم مالی و اعتباری برای خدمات شهری شود. برای مقابله با این نگرانی، GE Power برای تسهیل اندازه گیری و پیش بینی تاب آوری تولید، از هوش مصنوعی کمک گرفته است تا شبکه پایدارتری را فعال کند.

این شرکت همچنین برای مقابله با مشکلات فلج کننده پایدار و احتمالی سرویس، از تجزیه و تحلیل ها استفاده می کند: خطاهای داده، که غالباً از ورود دستی اطلاعات در سطح ارائه دهنده خدمات حاصل می شوند. حتی خطاهای به ظاهر ساده می تواند تیم های واکنش اضطراری و قطع برق را مختل کند و منجر به تجربه های ارائه خدمات  ضعیف به مشتریان  و سطح رضایت کمتر آنها شود. GE Power با تهیه الگوریتم هایی که از سیستم اطلاعات جغرافیایی (GIS) و سایر اشکال داده های سیستم عملیاتی برای شناسایی و تصحیح خطاهای فراگیر استفاده می کند، این مسئله را برطرف می کند. با داشتن داده های با کیفیت بهتر، خدمات شهری می توانند کارایی بیشتری را با اعزام کارشناسان و کاهش زمان ترمیم قطع برق داشته باشند و از ارسال اعلامیه های نادرست قطع برق برای مشتریان جلوگیری کنند.

فرناز امین خاطرنشان می کند: “ابزارهای اقتصادی هر روز تعداد زیادی از داده های خود را از دارایی های خود تولید می کنند، اما به سخت افزار و نرم افزار تخصصی بسیار ویژه ای برای باز کردن این پتانسیل و هدایت بینش های عملی دارند”. او می گوید: “رویکردهای فعلی برای حل این مشکلات، مانند یکپارچگی داده های مدل شبکه، پیش بینی قطع برق، بهینه سازی نیروی کار و کار فشرده همگی توسط افراد انجام شده و غالباً نادرست است. یک رویکرد تحلیلی پیشرفته از داده های تاریخی یاد می گیرد تا بتواند پیش بینی هایی را انجام دهد که دید بهتری در دارایی های شبکه ایجاد کند و به سازمان ها کمک کند تا تصمیمات اقتصادی بهتری بگیرند.”

چالش های پذیرش پیش بینی تحلیلی

علیرغم افزایش آگاهی مدیران، تجزیه و تحلیل پیش بینی همچنان یک فناوری نوظهور است، همراه با مشکلات و چالشهای پذیرش. اورن هشدار می دهد: “اشکال اصلی این است که این رویکردها [تجزیه و تحلیل پیش بینی کننده] برای محیط هایی که در حال رشد هستند خوب کار می کنند، اما برای محیط هایی که بسیار سریع تغییر می کنند مناسب نیست. با تغییر سریع محیط شرایطی ایجاد می شود که سیگنال ها خیلی سریع تغییر کنند، قبل از اینکه سیستم تحلیلی بتواند روند کند حرکت را تشخیص دهد. این موضوع، به نوبه خود، نتایج نادرستی را برای پیش بینی زمان وقوع مساله ای، پیش بینی می کند”.

به دست آوردن و استفاده از داده های با کیفیت بالا نیز برای پیش بینی های دقیق ضروری است. به طور متوسط، بخش انرژی فقط از بخش کوچکی از داده هایی که جمع می شود، استفاده می کند. وی توضیح می دهد: “این داده ها شامل همه چیز از جمله حسگرها، توصیه های مدیران کارخانه ها و اطلاعات پویا از تعداد زیادی دارایی و شبکه است. داده ها به وضوح در دسترس هستند، اما بسیاری از برنامه های کاربردی در حال غرق شدن در مقدار هستند و هیچ تصویری روشنی از چگونگی بهره برداری از آنها وجود ندارد، به این معنی که آنها قادر به استفاده کامل از تجزیه و تحلیل پیش بینی نیستند.”

فراتر از جمع آوری داده ها، برای دستیابی به حداکثر قدرت پیش بینی، ایجاد سیستم جمع آوری و ضبط انواع هشدارها و گزارش های ایجاد شده توسط تیم عملیات شبکه سازمانبه مرور زمان نیز ضروری است. چنین جزئیاتی را می توان برای تقویت توانایی پیش بینی کننده ابزار تجزیه و تحلیل در تشخیص ناهنجاری های در کمین شبکه استفاده کرد. رحیم رسول می گوید: “علاوه بر این، تیم باید بر پردازش داده ها و تجزیه و تحلیل بینش متمرکز شود. این مرحله نیاز به یک تیم با تخصص دامنه برای درک کل تنظیمات دارد.”

تیم شبکه یک سازمان همچنین باید قادر به ارائه فرآیند بازخورد مثبت و منفی مناسب برای سیستم تحلیلی پیش بینی کننده باشد، زیرا چنین اطلاعاتی به توانایی های یادگیری مدل کمک می کند. رحیم رسول می گوید: “با تجزیه و تحلیل مناسب، این داده ها می توانند با ایجاد ابزاری برای مقابله با شرایط غیر عادی، مقدار ارزش بسیار بیشتری ایجاد کنند مانند نوع کارهایی که یک مدیر شبکه در حال حاضر انجام می دهد”. با این حال، یادگیری خود به معنای این نیست که تجزیه و تحلیل پیش بینی نیاز مدیران انسانی شبکه را برطرف می کند. رحیم رسول توضیح می دهد: “در حقیقت، چنین سیستمی قادر خواهد بود به مدیران در تصمیم گیری بهتر و پاسخ گویی کمک کند”.

یک چالش دیگر، متقاعد کردن تیم های شبکه برای پذیرش و استفاده روزمره از ابزارهای پیش بینی تحلیلی است. فرناز امین می گوید: “تیم های فناوری اطلاعات و دانش می توانند راه حل هایی ارائه دهند؛ اما اگر این موارد توسط گروه های عملیاتی اتخاذ نشود، این سرمایه گذاری بازده خوبی نخواهد داشت. بنابراین، درک فرآیندهای فعلی و جاسازی تجزیه و تحلیل های پیشرفته در آن فرآیندها، کلید موفقیت است”.

از کجا باید شروع کرد

برای سازمانهایی که تازه در آنالیز پیش بینی شبکه شروع به کار کرده اند، لازم است با دقت فکر کنند که دقیقاً چه نوعی از داده ها باید ضبط شوند و همچنین انواع مشکلات شبکه که باید برطرف شوند را بررسی کنند. فرناز امین خاطرنشان می کند: “هنگامی که تصویری واضح از موارد استفاده داشته باشید، ارزش آن به سازمان شما اضافه می شود”.

همچنین به یاد داشته باشید که دادن اطلاعات بیش از حد به یک ابزار تحلیلی پیش بینی کننده می تواند تقریباً به اندازه تهیه اطلاعات خیلی کم، بد باشد. جان اسمیت، CTO و بنیان گذار ارائه دهنده فن آوری عملکرد شبکه LiveAction هشدار می دهد: “اگر سازمانی نتواند ابعادی از داده های مورد تجزیه و تحلیل را کاهش دهد، باعث می شود که مقدار غیر عملی اطلاعات مربوط به تله متری شبکه را به ابر ارسال کند”.

همچنین مهم است که در مورد جنبه عملی مدیریت داده ها فکر کنید: به طور خاص، داده های مربوطه را چگونه و در کجا ذخیره کنید. فرناز امین می گوید: “کاوش در کانتینرها و کارایی و کاربرد آن در موارد مختلف استفاده نیز ارزشمند است؛ زیرا امکان انتخاب را فراهم می کند. فناوری به سرعت پیشرفت می کند، بنابراین خاتمه دادن به این اکتشاف ، شرکت ها را دچار دردسر می کند”.