Was ist KI-Netzwerkoptimierung?

Die KI-Netzwerkoptimierung nutzt KI und ML, um das Verkehrsmanagement und das Routing über das Unternehmens-WAN durchzuführen. KI-Tools arbeiten auf der Steuerungsebene, analysieren Telemetrie, identifizieren Muster und empfehlen Konfigurationsänderungen, die darauf abzielen, die Leistung und Zuverlässigkeit des Unternehmens-WAN zu verbessern.

Da Unternehmensnetzwerke mit der Einführung von Cloud-Infrastrukturen und hybriden Arbeitsmodellen zunehmend verteilt werden, haben Netzwerkineffizienzen einen größeren Einfluss auf das Geschäft. Darüber hinaus bedeutet die dynamische Natur von IT-Umgebungen – mit flüchtigen Cloud-Ressourcen und reisenden Mitarbeitern – dass Konfigurationsänderungen regelmäßig vorgenommen werden müssen, um diese Umgebungen zu optimieren.

KI kann Daten analysieren, Muster erkennen und in Echtzeit Aktualisierungen vornehmen, um mit der schnellen Entwicklung des Unternehmens-WAN Schritt zu halten. Wenn KI als Teil einer SASE-Plattform eingesetzt wird, die in die Netzwerk-Infrastruktur integriert ist, anstatt als Punktlösung bereitgestellt zu werden, kann dies ohne Leistungseinbußen erreicht werden.

Wie definieren Sie KI-Netzwerkoptimierung?

Die KI-Netzwerkoptimierung nutzt KI und ML, um die Netzwerkleistung, die Benutzererfahrung und die Zuverlässigkeit zu verbessern, indem sie die Netzwerk-Telemetrie analysiert und Verbesserungen vorschlägt. Dies baut auf traditionellen Optimierungstechniken auf, wie z.B. TCP-Beschleunigung, Kompression und statischen QoS-Regeln, indem Rückkopplungsschleifen eingeführt werden, um potenzielle Optimierungen zu testen, zu validieren und zu verbessern.

Die KI-Netzwerkoptimierung bezieht sich auf das gesamte Unternehmens-WAN und verwaltet Routing, QoS, Bandbreitenzuweisung und möglicherweise die Platzierung von Sicherheitsrichtlinien, wenn dies für die Pfadauswahl relevant ist.

Kernelemente der KI-Netzwerkoptimierung

Die KI-Netzwerkoptimierung implementiert intelligente Analysen und Optimierungen für das Netzwerkmanagement. Wesentliche Elemente der Infrastruktur umfassen:

• Datenanalyse: KI-Tools benötigen Zugang zu hochwertigen Telemetriedaten, um potenzielle Bereiche für Optimierungen zu identifizieren. Dies umfasst Einblicke in alle Elemente des Unternehmens-WAN, einschließlich On-Premise- und Cloud-basierter Infrastruktur.
• Merkmalextraktion: Die Merkmalextraktion destilliert gesammelte Daten in eine Reihe nützlicher Merkmale für die Analyse. Dies eliminiert Rauschdaten und konzentriert sich auf nützliche Informationen.
• Modelltraining und Inferenz: Mit Zugang zu hochwertigen Daten können KI und ML Analysen durchführen und nach Trends suchen. Das Lernen erfolgt kontinuierlich, wodurch das Modell sich an Veränderungen in der Netzwerkstruktur und -nutzung anpassen kann.
• Durchsetzung im Netzwerk: KI-Netzwerkoptimierungstools können Empfehlungen aussprechen, aber die Integration mit anderen Netzwerktools ist entscheidend für die Durchsetzung. KI wird am besten als Teil eines konvergierten SASE-Einsatzes angewendet, bei dem Empfehlungen konsistent über das gesamte Unternehmens-WAN angewendet werden können.

Wie funktioniert die KI-Netzwerkoptimierung in modernen Netzwerken?

In modernen Netzwerken befindet sich die KI-Netzwerkoptimierung typischerweise im Cloud-Kontrollbereich oder im zentralen Verwaltungsbereich einer SASE- oder SD-WAN-Architektur. Dieses System ist verantwortlich für das Sammeln von Telemetrie, das Identifizieren von Mustern oder Anomalien und das Empfehlen oder automatische Anwenden von Änderungen an Routing- und QoS-Richtlinien.

Echtzeit-Pfadwahl und Richtlinienanpassung

Die Pfadauswahl ist entscheidend für die Netzwerkleistung, insbesondere bei SD-WAN- und SASE-Einsätzen, die auf das öffentliche Internet angewiesen sind. KI-Systeme können verfügbare Pfade basierend auf aktueller Latenz, Jitter, Paketverlust und Durchsatz analysieren und aktuelle Informationen und Rankings anbieten.

Diese nahezu Echtzeit-Transparenz ermöglicht es KI-Systemen, die Pfadauswahl, QoS-Warteschlangen und den Datenverkehr dynamisch anzupassen, basierend auf Leistungsdaten und Verkehrsanalysen. Zum Beispiel könnte das System Video- und Sprachverkehr intelligent auf Pfade mit niedriger Latenz und niedrigem Jitter leiten, während es kostengünstigere Verbindungen für den Transport von Massendaten nutzt.

Wie passt die KI-WAN-Optimierung in dieses Bild?

Die KI-WAN-Optimierung konzentriert sich auf die Optimierung des Unternehmens-WAN, insbesondere auf die Auswahl von WAN-Pfaden und die Anwendung WAN-spezifischer Optimierungen. Mit KI können Organisationen über statische Richtlinien und feste Algorithmen hinausgehen und einen dynamischeren und intelligenteren Ansatz verfolgen.

Welche Probleme löst die KI-Netzwerkoptimierung?

Die KI-Netzwerkoptimierung löst das Problem der unvorhersehbaren Latenz, des Paketverlusts und des Jitters innerhalb von Unternehmensnetzwerken. Moderne Internetverkehr überquert häufig mehrere ISPs und Cloud-Anbieter, was zu einer Komplexität führt, die die Leistung von SaaS beeinträchtigt und das Benutzererlebnis verschlechtert. Mit KI können Probleme nahezu in Echtzeit identifiziert und behoben werden, wodurch die Benutzererfahrung verbessert und die Fehlersuche bei den Betriebsteams verringert wird.

Leistungsprobleme, die die KI-Netzwerkoptimierung anspricht

Verkehr, der über das öffentliche Internet geleitet wird, kann aufgrund der Unzuverlässigkeit dieser Netzwerkverbindungen verschiedene Probleme aufweisen. Häufige Symptome sind:

• Latenzzeit:
• Jitter
• Verlust von Datenpaketen
• Intermittierende Ausfälle
• Stau an gemeinsamen Internet-Austauschpunkten
• Inkonsistente SaaS-Leistung.

KI-Tools sind geschickt in der Mustererkennung, wodurch sie häufige Probleme identifizieren können, wie z.B. Staus zu bestimmten Tageszeiten oder spezifische Verbindungen, die wiederholt Ausfälle erleiden. Basierend auf dieser Analyse und dem Wissen über verfügbare Verbindungen kann die KI alternative Routen vorschlagen oder diese Änderungen automatisch selbst anwenden.

Betriebliche Herausforderungen, die die KI hilft zu reduzieren

Betriebsteams stehen vor erheblichen Herausforderungen, wenn sie versuchen, Probleme im Zusammenhang mit der Netzwerkleistung zu diagnostizieren und zu beheben. Die wachsende Verteilung von Unternehmensumgebungen bedeutet, dass der Unternehmensnetzwerkverkehr mehrere ISPs und Cloud-Plattformen durchqueren kann. Daher ist es schwierig und zeitaufwendig, die Ursache eines Problems zu ermitteln.

KI hilft, den Overhead und die durchschnittliche Zeit bis zur Erkennung zu reduzieren, indem sie eine automatische Ursachenanalyse für Vorfälle durchführt und Einblicke in wahrscheinliche Ursachen bietet. Durch die Automatisierung des Untersuchungs- und Triageprozesses verringern diese Tools die Belastung der menschlichen Betreiber und ermöglichen es kleineren Teams, schnell Entscheidungen zu treffen und Änderungen umzusetzen, um die Leistung komplexer, verteilter Netzwerke zu verbessern.

Welche Daten und Telemetrie speisen die KI-Netzwerkoptimierung?

KI-Systeme sind nur so gut wie die Daten, auf die sie zugreifen können. Im Fall von KI-Netzwerkoptimierungstools benötigen sie hochwertige Telemetrie, die Einblick in das gesamte Unternehmensnetzwerk und in wichtige Ziele wie Netzwerkleistung, Sicherheit und Benutzererfahrung bietet.

KI-Netzwerkoptimierungstools werden häufig als Teil von SASE- und SD-WAN-Plattformen eingesetzt, die bereits die Arten von Netzwerkfluss-, Benutzer-, Anwendungs- und Sicherheitsdaten sammeln, die KI-Tools benötigen. Die Zusammenführung dieser Informationen in einem einzigen, zentralen Datenlake erleichtert es den KI-Tools, auf diese Informationen zuzugreifen und sie zu analysieren.

Netzwerk- und Transportschichtmetriken

Metriken der Netzwerk- und Transportschicht konzentrieren sich darauf, die Leistung und Zuverlässigkeit der Netzwerk-Infrastruktur einer Organisation zu verbessern. Wichtige Metriken sind:

• Latenzzeit:
• Jitter
• Verlust von Datenpaketen
• Durchsatz
• Linkauslastung
• Fehlerquoten
• Routenänderungen.

KI-Modelle können diese Metriken nutzen, um den Gesundheitszustand verschiedener Netzwerkverbindungen zu klassifizieren und die zukünftige Leistung vorherzusagen. Zum Beispiel kann eine bestimmte Netzwerkverbindung zu bestimmten Zeiten einen Anstieg der Nutzung aufgrund des Nutzerverhaltens oder einer geplanten Aufgabe oder eines Jobs verzeichnen. Ein KI-Tool, das dieses Muster identifiziert, kann Empfehlungen geben, um den Datenverkehr zu anderen Verbindungen während dieser Zeiten umzuleiten, um Staus und Latenz zu reduzieren.

Globale SASE-Rückgratstrukturen sind ideal für diese Art der Analyse geeignet, da sie in der Lage sind, Telemetrie zu sammeln und die Leistung über mehrere Kanten und ISPs hinweg zu vergleichen. Dieser breitere Blickwinkel bereichert die Trainingsdaten, die den KI-Modellen zur Verfügung stehen, und verbessert die Pfadauswahl über das Rückgrat.

Anwendungs- und Benutzererfahrungsmetriken

Digital Experience Monitoring (DEM) versucht, die Benutzererfahrung zu verbessern, indem Metriken wie folgt verfolgt werden:

• Telemetrie von Benutzergeräten
• Antwortzeiten von Anwendungen
• Erfolgs- und Fehlerquoten von Transaktionen
• Ergebnisse synthetischer Transaktionen

Mit Einblick in die Netzwerk-Infrastruktur und die Metriken der Anwendungsschicht können KI-Netzwerkoptimierungstools eine Verschlechterung der DEM-Metriken mit Bedingungen auf Netzwerkebene korrelieren. Dies ermöglicht es ihnen, potenzielle Änderungen und Optimierungen auf Netzwerkebene zu identifizieren, die sich ebenfalls positiv auf die Benutzererfahrung auswirken würden.

Zum Beispiel könnten Benutzerberichte über langsame Ladezeiten für eine bestimmte SaaS-Anwendung eine Untersuchung dieser Anwendung anstoßen, um potenzielle Verbesserungen zu identifizieren. Eine umfassendere Untersuchung könnte jedoch zeigen, dass der Datenverkehr zu dieser und anderen SaaS-Anwendungen über eine Verbindung fließt, die häufig überlastet ist. Routing-Updates, die die Belastung dieser Verbindung verringern, würden sich positiv auf die Benutzererfahrung aller SaaS-Anwendungen auswirken, anstatt nur die Symptome innerhalb einer einzelnen Anwendung zu beheben.

Wie verbessert die KI-Vorhersage von Staus die Leistung?

Die KI-Vorhersage von Staus verwendet prädiktive Modelle, um vorherzusagen, wann und wo Staus wahrscheinlich auftreten, basierend auf historischen Daten und Echtzeit-Telemetrie. Mit KI können Organisationen über einfache Schwellenwertwarnungen hinausgehen, um Muster zu identifizieren, die auf potenzielle Staus hinweisen. Dies ist zunehmend wichtig für Unternehmensnetzwerke, da die Mitarbeiter immer mehr auf Sprach- und Videotools sowie andere latenzempfindliche SaaS-Anwendungen angewiesen sind.

Prädiktive Modelle für Staus und Brownouts

KI und ML können Zeitreihenmodelle und Anomalieerkennung nutzen, um wahrscheinliche Staufenster auf bestimmten Netzwerkpfaden oder PoPs zu identifizieren. Ein KI-Tool mit ausreichendem Zugang zu historischen Daten könnte beispielsweise Trends feststellen, wie die Neigung der Mitarbeiter, ihre E-Mails nach der Rückkehr von einer geplanten Mittagspause zu überprüfen, oder die Tatsache, dass Entwickler und IT-Personal bestimmte Aufgaben zu bestimmten Zeiten planen. Mit dem Wissen um diese Trends kann die KI Netzwerkwege empfehlen, die die Netzwerküberlastung vermeiden, die diese Aktivitäten auf bestimmten Netzwerkverbindungen verursachen könnten.

Während diese Quellen der Überlastung intern in einem Unternehmen liegen, haben KI-Tools, die auf einem Multi-Tenant-SASE-Rückgrat gehostet werden, eine viel größere Sichtbarkeit. Mit Zugang zu Daten über aggregiertes Verhalten über viele Kunden und geografische Regionen hinweg können sie Muster identifizieren und Optimierungen auf globaler Ebene durchführen.

Routing- und QoS-Maßnahmen, die durch Vorhersagen gesteuert werden

KI bietet die Möglichkeit, potenzielle Brownouts und Staus vorherzusagen, sodass die Organisation Maßnahmen ergreifen kann, um deren Auswirkungen zu mildern. Ein KI-System kann beispielsweise kritischen Datenverkehr im Voraus auf alternative Routen umleiten, bevor ein Brownout auftritt, oder QoS-Regeln anpassen, um sicherzustellen, dass latenzempfindliche, Echtzeitanwendungen während Zeiten des Spitzenverkehrs priorisiert werden.

Die Fähigkeit dieser Systeme, sich an Veränderungen anzupassen, hängt vom Grad der menschlichen Beteiligung am Prozess ab. Im Falle häufiger, vorhersehbarer Probleme kann die KI den Vorfall rechtzeitig vorhersagen, damit Menschen Änderungen genehmigen können. Wenn die KI jedoch Anzeichen eines unvorhersehbaren, bevorstehenden Ausfalls erkennt, kann dies eine automatische Intervention erfordern, um die Auswirkungen zu minimieren. Organisationen sollten Richtlinienkontrollen implementieren, die festlegen, welche Entscheidungen automatisiert werden können und welche Empfehlungen eine menschliche Überprüfung und Genehmigung erfordern.

Häufig gestellte Fragen zur KI-Netzwerkoptimierung

Ersetzt die KI-Netzwerkoptimierung traditionelle WAN-Optimierungstools?

Nein, die KI-Netzwerkoptimierung ergänzt traditionelle WAN-Optimierungstools wie Caching, Kompression und TCP-Tuning. KI fügt eine Schicht von Intelligenz und Anpassungsfähigkeit hinzu, die es ermöglicht, Konfigurationen und Richtlinien als Reaktion auf Änderungen in der Netzwerkstruktur und -nutzung zu modifizieren. Viele moderne SD-WAN- und SASE-Lösungen beinhalten diese traditionellen WAN-Optimierungstools, die im Kontext sinnvoll sind, während sie gleichzeitig die Fähigkeiten durch die Integration von KI erweitern.

Wie ausgereift sind die Fähigkeiten der KI-Netzwerkoptimierung heute?

KI-unterstützte Netzwerkoptimierungsfähigkeiten sind in SD-WAN-, SASE- und digitalen Erlebnislösungen verbreitet, aber ihre Effektivität kann variieren. Bei der Betrachtung von Lösungen fragen Sie nach, wie KI-Funktionen in der Produktion eingesetzt werden, einschließlich dokumentierter Anwendungsfälle wie dynamische Pfadauswahl, Geräuschreduzierung in Warnmeldungen und prädiktive Einblicke.

Wie interagiert die KI-Netzwerkoptimierung mit Sicherheitsrichtlinien?

KI-Netzwerkoptimierungstools haben die Fähigkeit, den Netzwerkverkehr umzuleiten, aber dies geschieht nicht auf Kosten der Sicherheit. Die Tools müssen sicherstellen, dass der Verkehr weiterhin überprüft oder kontrolliert wird, können jedoch Empfehlungen oder Entscheidungen zwischen mehreren sicheren, richtlinienkonformen Routen treffen und bestimmte Arten von Verkehr innerhalb einer Route priorisieren. Einige Plattformen können auch KI nutzen, um Sicherheitsrichtlinien und Routingregeln zu analysieren, um potenzielle Verbesserungsmöglichkeiten zu identifizieren, wie z.B. die Beseitigung von Redundanzen oder Fehlkonfigurationen, die sich negativ auf die Netzwerkleistung auswirken.

Welche Fähigkeiten benötigen Teams, um von der KI-Netzwerkoptimierung zu profitieren?

Um eine KI-Netzwerkoptimierungsstrategie effektiv zu betreiben, benötigen Teams Fähigkeiten im Datenmanagement, in der KI und in der Optimierung sowie deren Grundlagen in Netzwerken, Routing und Sicherheit. Betriebsleiter sollten verstehen, welche Daten sie dem KI-System zuführen, wie sie dessen Ergebnisse interpretieren und wie sie entscheiden, welche Anwendungsfälle vollständig automatisiert werden können und welche einen Menschen im Prozess erfordern.

Benötigen Unternehmen vollständige Automatisierung oder kann die KI-Netzwerkoptimierung menschlich im Prozess bleiben?

Die KI-Netzwerkoptimierung kann in verschiedenen Modi eingesetzt werden, von vollständiger Automatisierung bis hin zu einer beratenden Rolle, in der Menschen im Prozess bleiben. Oft ist diese beratende Option ein guter Ausgangspunkt für Unternehmen, die die Technologie einführen, da sie ihnen ermöglicht, die Sichtbarkeit und die Qualität der Empfehlungen der KI zu testen, bevor sie ihr erlauben, autonom risikoarme Änderungen am Netzwerk-Routing vorzunehmen. Im Laufe der Zeit bewegen sich Unternehmen häufig in einen hybriden Modus, in dem routinemäßige und sich wiederholende Änderungen von der KI verwaltet werden, während Menschen die Kontrolle über Entscheidungen mit hoher Auswirkung behalten. Unabhängig davon sollten alle Empfehlungen und Änderungen protokolliert werden, damit sie überprüft und bei Bedarf rückgängig gemacht werden können.