資訊專欄INFORMATION COLUMN
摘要：機器學習是推動和加速數據中心自動化的關鍵技術。在軟件定義網絡得到廣泛應用之前，大多數數據中心自動化采用腳本命令的形式，用于網絡中的所有設備。
機器學習是推動和加速數據中心自動化的關鍵技術。例如，檢查網絡基線（網絡基線是指網絡在正常情況下的各種參數）是當今NetOps中使用的最多的人工操作之一。
隨著網絡變得更加虛擬化、軟件定義，以及自動化，網絡的可見性也產生了一些同樣顯著的變化。
自動數據中心仍然必須是“可監控的”，而不像是像過去那樣?？梢娦栽诠芾碜詣踊瘮祿行姆矫姘l揮了什么作用？未來的網絡性能監視和診斷（NPMD）解決方案如何幫助NetOps克服與之相關的挑戰？以下將探討自動化數據中心以及它們如何受到機器學習、軟件定義網絡和公共云／私有云遷移的影響。并且了解下一代網絡性能監視和診斷（NPMD）解決方案在提供可見性方面的作用。
需要明確的是，“自動化”并不意味著缺乏人為干預或疏忽。事實上，推動自動化的目的是響應更廣泛、更復雜的網絡，并減少網絡管理人員。數據中心自動化通過為任何一組常規網絡管理流程或程序添加一定程度的自動化而提高效率。它采用了從腳本到網絡虛擬化和軟件定義網絡的技術，但它本身并不是一種技術，必須有人來確定自動化的關鍵領域，并確定在每種獨特情況下使用的最佳技術。
自治數據中心需要機器學習，這需要輸入數據
機器學習是推動和加速數據中心自動化的關鍵技術。例如，檢查網絡基線（網絡基線是指網絡在正常情況下的各種參數）是當今NetOps中使用的最多的人工操作之一?；€有多種形式，總體利用率和應用程序使用率與性能是最重要的兩個。制定基線涉及許多步驟，包括在統計上重要的時間范圍內收集和存儲適當的數據；提取和分析數據；以簡單、可操作的格式可視化結果；比較當前數據與基線數據；以及根據當前績效指標與基線的偏差確定適當的行動方案。
其整個過程相當繁重，并且考慮到當今NetOps中的所有其他職責，它經常被忽視。機器學習能夠隨時間收集數據、自動建模系統，然后預測未來趨勢，這正是自動化基線分析所需要的。盡管該技術仍在不斷發展，但基于目前市場的發展，似乎只需幾年時間就可以實現自動化基線分析的機器學習產品。
任何機器學習引擎都要求輸入良好的數據，因此網絡需要全面的可視性工具，以提供高質量的數據，以便從機器學習引擎中獲取價值。所有網絡都是不同的，因此機器學習算法需要先實施大量的基線和學習才能產生好的建議，所有這些都需要網絡數據，即提供網絡可視性解決方案輸入的相同數據。
以數據流為中心的數據是目前可用于為機器學習引擎提供最佳數據，但它必須比來自NetFlow的典型五元組數據更詳細。例如，Cisco Flexible NetFlow（FNF），思科應用可視性和控制（AVC）以及Cisco Medianet等技術基于過去的基本五元組流數據，并且有幾種網絡可視性工具可以收集和分析這些數據。從而提供更好的可視性、機器學習算法的靈活性，以及更好的數據。
軟件定義的網絡使端到端的可視性變得更加重要
軟件定義網絡（SDN）是另一項對數據中心自動化產生重大影響的新興技術。在軟件定義網絡（SDN）得到廣泛應用之前，大多數數據中心自動化采用腳本CLI命令的形式，用于網絡中的所有設備。這是一項繁瑣的任務，通常只在自動化必不可少的情況下實現。
但是如果網絡中有一個控制層可以為基礎設施層中的所有設備提供單一、簡單和現代的控制接口呢？采用軟件定義網絡（SDN）。雖然這種承諾聽起來有點夸張，但軟件定義網絡（SDN）正在兌現承諾，而且行業采用的速度比許多人想象的要快得多。
在軟件定義的網絡中，IP地址和服務器實例的數量快速變化，這限制了傳統的網絡監控方法，并使基于流量數據的可視化至關重要。與提供機器學習所需的數據一樣，基于數據流的數據深度對于軟件定義網絡（SDN）的網絡監控至關重要，需要的不僅僅是NetFlow的簡單五元組數據。流量數據提供了映射網絡所需的內容，仍然需要數據包數據進行深入的故障排除。使用多種類型數據的更加統一的網絡性能監視和診斷（NPM）工具將更好地應對基于軟件定義網絡（SDN）的數據中心自動化。
公共／私有云遷移推動了對數據中心自動化和提高可視性的需求
與支持數據中心自動化的機器學習和軟件定義網絡（SDN）不同，公共云／私有云遷移正在推動對更多數據中心自動化的需求。如今，幾乎每個企業都在考慮并實施某種程度的公共／私有云部署。為了充分利用這些部署，進入遠程辦公室的網絡路徑正在迅速地從中心轉移到遠程辦公室直接訪問云服務，無論是公共云還是私有云。雖然這可能被視為網絡的簡化，特別是從用戶的角度來看，它極大地增加了NetOps的配置、監控和管理任務。任何能夠實現直接訪問云資源的自動化對網絡團隊來說都是非常有幫助的。
最終用戶的直接云計算訪問以及應用程序的跨云操作都給當今的網絡可視性解決方案帶來了壓力。遠程辦公室的直接云訪問推動了對SD－WAN解決方案的需求，這些解決方案既可以優化最終用戶體驗，又可以降低通過服務提供商提供的網絡連接的總體成本。
但是，SD－WAN創建了高度動態的網絡路由，大多數傳統網絡可視性解決方案都無法處理這些路由。例如，在同一虛擬環境中從數據庫請求數據的客戶關系管理系統（CRM）應用程序會為網絡和應用程序性能管理創建盲點。遷移到云端時，不僅需要更多的數據中心管理，還需要新的和現代的解決方案來實現網絡可視性。
自動化需要了解流程——它是否正常工作？
數據中心自動化及其驅動的相關技術對網絡可視性提出了更高的要求，這意味著需要多種類型的網絡數據來有效地監控和排除故障。在大多數情況下，增強的基于數據流的技術提供監視和管理這些日益復雜的網絡所需的數據。但是，基于流量的數據的規范在設計時考慮了速度和廣度。
基于數據流的數據可以指示問題何時發生，甚至發生在何處，但對于復雜問題，它缺少故障排除所需的詳細信息。在這些復雜的情況下，IT需要網絡數據包才能找到問題的根本原因。隨著數據中心自動化及其相關技術的日益普及，還需要重新考慮網絡監控，目標是減少工具蔓延，并找到可提供廣度和深度的單一解決方案。
結論
高度自動化的數據中心需要有關網絡本身的準確數據才能正確學習和實施策略，因此從數據中心到網絡邊緣的全面網絡可視性對于網絡自動化的成功至關重要。
雖然隨著公共云／私有云的使用、軟件定義網絡和機器學習工具的進一步發展，需要對網絡監控的工具和方法進行更改，但人們相信在新的自動化時代，網絡監控將一直是網絡安全運行的核心部分。
文章版權歸作者所有，未經允許請勿轉載,若此文章存在違規行為，您可以聯系管理員刪除。
轉載請注明本文地址：http://m.specialneedsforspecialkids.com/yun/5270.html
摘要：在較低水平的神經元中，一個多樣性術語可以揭示一個特征所代表的不同方面簡單優化用多樣性進行的優化揭示了四個不同的彎曲的方面。注意勺子的紋理和顏色與狗的皮毛相似，從而足以讓神經元激活。下面，一個神經元對兩種類型的動物臉部以及車做出響應。 邊緣（層 conv2d0）紋理（層 mixed3a）模式（層 mixed4a）部分（層 mixed4b & mixed4c）目標（層 mixed4d & mix...
摘要：近年來，云計算無疑成為企業開展業務的關鍵組成部分，特別是當企業考慮數字轉型的競爭時。其次，整體可見性和態勢感知水平基于遙測和與所有職能團隊的整個組織相關的。尤其是數字轉換和云計算，是創新和更廣泛業務轉型的組成部分。近年來，云計算無疑成為企業開展業務的關鍵組成部分，特別是當企業考慮數字轉型的競爭時。在全球范圍內，企業正在將他們的應用程序和服務轉移到云端，從而獲得更低的資本性支出和運營支出的好處...
摘要：要理解網絡中的單個特征，比如特定位置的某個神經元或者一整個通道，就可以找讓這個特征產生很高的值的樣本。另一方面，也能看到一些神經元同時對多個沒什么關系的概念產生響應。實際操作經驗中，我們也認為是一組神經元的組合共同表征了一張圖像。 深度神經網絡解釋性不好的問題一直是所有研究人員和商業應用方案上方懸著的一團烏云，現代CNN網絡固然有強大的特征抽取能力，但沒有完善的理論可以描述這個抽取過程的本質...
摘要：阿里云推出的邊緣節點服務這個云產品，就是針對前面提到的目標場景，來應對客戶自建邊緣設施遇到的痛點和挑戰的。針對賽事直播業務場景的優化阿里云團隊針對常規活動賽事電競直播這一業務場景，也做了很多技術優化。 近日，英雄聯盟S8全球總決賽落下帷幕，中國戰隊IG零封FNC奪得冠軍。這場比賽引起了國內網友的超高關注度，也給直播平臺帶來了不小的技術挑戰?；⒀乐辈テ脚_結合阿里云邊緣節點技術方案，保障了...
摘要：隨著云計算逐步落地和深入應用，云數據中心運維這個在年前就已經在討論的問題仍然熱度不退。關注智能自動化運維的趨勢與難點智能自動化運維是云數據中心時代尤為重要的趨勢。進入7月，運維人期待的7·24日運維日馬上就要到了，每年到這個時候，我們就開始重新審視數據中心運維的問題與難點。隨著云計算逐步落地和深入應用，云數據中心運維這個在10年前就已經在討論的問題仍然熱度不退。關注智能自動化運維的趨勢與難點...
閱讀 3215·2021-11-24 09:39
閱讀 2944·2021-11-23 09:51
閱讀 899·2021-11-18 10:07
閱讀 3550·2021-10-11 10:57
閱讀 2757·2021-10-08 10:04
閱讀 3009·2021-09-26 10:11
閱讀 1055·2021-09-23 11:21
閱讀 2797·2019-08-29 17:28
