تعامل هوش مصنوعی با شبکه‌های کامپیوتری
شایعه یا واقعیت: استفاده از تحلیل‌های پیشگویانه برای عیب‌یابی شبکه
Predictive Analytics عبارتی علمی است که ترجمه آن «تحلیل‌های پیشگویانه» می‌شود. تحلیل پیشگویانه شامل تعداد مختلفی از تکنیک‌های آماری مانند مدل‌سازی، تشخیص الگو، یادگیری ماشین و داده‌کاوی است که از وقایع و دست‌آوردهای گذشته برای پیشگویی آینده یا حوادث نامعلوم استفاده می‌کند. در دنیای تجارت، مدل‌های پیشگویی، از الگوهای موجود در گذشته برای شناسایی خطرات و فرصت‌ها بهره می‌برند. تحلیل پیشگویانه در علوم آماری، بازاریابی، خدمات مالی، ارتباط از راه دور، خرده‌فروشی، خدمات مسافرتی، مراقبت‌های بهداشتی، حفاظت از کودکان، تشخیص کالاهای تقلبی، تقلبات دارویی، برنامه‌ریزی ظرفیت و... استفاده می‌شود. اکنون فعالان عرصه فناوری‌اطلاعات تصمیم گرفته‌اند از تحلیل‌های پیشگویانه در شبکه‌های کامپیوتری استفاده کنند تا مشکلات شبکه پیش از اینکه کارایی شبکه کاهش پیدا کند و دسترسی به برخی خدمات غیرممکن شود شناسایی شوند.

تحلیل‌های پیشگویانه در شبکه

کارشناسان بر این باور هستند که تحلیل‌های پیشگویانه این ظرفیت را دارند تا به یکی از ابزارهای اصلی ‌در تشخیص مشکلات شبکه و مدیریت آن‌ها تبدیل شوند. عملکرد الگوریتم‌های هوشمند در ‌پیش‌بینی آینده روبه‌بهبود است و با ضریب خطای کمتری قادر به پیش‌بینی تحولات هستند. البته این حرف بدان معنا نیست که این الگوریتم‌ها می‌توانند دورنمایی از آینده را بی عیب و نقض نشان دهند و اعلام دارند سوییچ قرار است دقیقا تا 300 ساعت دیگر به‌طور کامل خراب شود یا کابل‌های اترنت پس از 8000 هزار ساعت دیگر قابل استفاده نخواهند بود، بلکه تحلیل‌های پیش‌گویانه قرار است به عنوان ابزاری در تشخیص خرابی شبکه پیش از وقوع آن به کار گرفته شوند تا مدیران شبکه فرصت کافی برای برطرف کردن مشکلات داشته باشند. رویکرد فوق به ویژه برای شرکت‌های کوچک که نمی‌توانند کارمندان زیادی را استخدام کنند بسیار با ارزش است. ابزارهای تحلیل پیشگویانه قدرت خود را از فناوری‌ها و متدولوژی‌های گوناگون دریافت می‌کنند که از جمله آن‌ها ‌می‌توان به بزرگ‌داده، داده‌کاوی و مدل‌های آماری اشاره کرد. یک ابزار تحلیل پیشگویانه ‌می‌تواند زنجیره اتفاقات را بررسی کند و (به‌طور مثال) با شناسایی الگوها از اتفاقاتی که به صورت دوره‌ای منجر به بروز اشکال در شبکه می‌شوند، جلوگیری کند. ریچارد پیاسنتین، رئیس بخش راهبردی شرکت Accedian که در زمینه تحلیل آمارها در حوزه فناوری‌اطلاعات فعالیت دارد، می‌گوید: «نباید منتظر ماند تا مشکلات ظاهر شوند و سپس به آن‌ها واکنش نشان داد. این یک کار ساده‌لوحانه است. اتکا به داده‌های دریافتی از منابع مختلف، تحلیل دقیق داده‌ها، قابلیت دید (visibility) در شبکه و حتا در برخی موارد افزونگی داده‌ها (redundancy) می‌تواند مشکلات را قبل از وقوع نشان دهد. تحلیل‌ها ‌می‌توانند در قالب یک فرآیند تکرارشونده به‌طور دائم اجرا شوند تا مشکلات رایج در شبکه به‌طور خودکار شناسایی و تصحیح شوند. تحلیل‌های پیشگویانه می‌توانند هزینه عملیاتی شرکت‌ها را کاهش دهند و مشکلاتی را نمایان کنند که با حل آن‌ها خروجی بهتری به‌دست آید».
رحیم رسول، از محققان شرکت Data Science Dojo می‌گوید: «طراحی و توسعه اصولی الگوریتم‌های تحلیل پیشگویانه اطلاعات معمولی را به دانش کاربردی تبدیل می‌کنند. کارشناسان می‌توانند از دانش به‌دست آمده در تعیین خط‌مشی‌ها، کنترل شبکه و برقراری امنیت شبکه استفاده کنند. به‌طور مثال، برای حل مشکلات امنیتی ‌می‌توان از الگوریتم‌های تشخیص آنومالی (ناهنجاری) برای کشف فعالیت‌های مشکوک و شناسایی نفوذ به سامانه‌ها استفاده کرد. این الگوریتم‌ها رفتار شبکه هنگام انتقال داده‌ها را بررسی می‌کنند و قانونی یا غیرقانونی بودن فعالیت‌ها را تشخیص می‌دهند. با سیستم‌های تحلیل پیشگویانه بخش‌های آسیب‌پذیر شبکه قبل از وقوع یک حمله سایبری شناسایی می‌شوند.»

گادی اورن، نایب رئیس بخش تبلیغاتی شرکت LogicMonitor که در زمینه فناوری‌های ابری فعالیت می‌کند، می‌گوید: « تقریبا در همه دستگاه‌ها یک حد بالا و پایین وجود دارد، اگر زیرساخت‌ها بتوانند این حدود را شناسایی کنند به‌طور خودکار می‌توانند محدودیتی در ارتباط با ارسال و دریافت داده‌ها توسط یک دستگاه اعمال کنند. به‌طور مثال، این امکان وجود دارد تا نقطه شاخصی برای یک رابط شبکه تعیین کنیم که بیان‌گر حداکثر ظرفیت انتقال داده‌ها در هر دقیقه برای کارت شبکه باشد.
پس از انجام این‌کار باید سامانه را به گونه‌ای تنظیم کرد تا اگر کارت شبکه اطلاعاتی فراتر از ظرفیت مجاز ارسال یا دریافت کرد هشداری نشان دهد.راهکار فوق را می‌توان گسترش داد و پیش‌بینی کرد چه زمانی یک سیستم فیزیکی به حداقل یا حداکثر ظرفیت خود رسیده و چه زمانی انتظار داریم به آستانه حداکثری برسد تا اپراتور هشداری دریافت کند».

تحلیل‌های پیشگویانه در کار

فقط سازمان‌ها و شرکت‌های مرتبط با شبکه‌های کامپیوتری نیستند که از دانش حاصل از تحلیل‌های پیشگویانه بهره ‌می‌برند. شبکه‌هایی در بخش حیاتی بهداشت و درمان وجود دارند که تحلیل‌های پیشگویانه می تواند برای آن‌ها سرنوشت‌ساز باشد. مدیریت ترافیک و مدیریت پروازها نیز از فناوری‌های مشابه استفاده ‌می‌کنند.
منابع نیرو یکی از نقاط مهم در شبکه هستند و یک وقفه کوچک به دلیل کمبود انرژی ضررهای مالی زیادی به همراه می‌آورد. فرناز امین، یکی از مدیران ارشد شرکت GEPower می‌گوید: «ما مدل‌های یادگیری ماشین را استفاده می‌کنیم تا خروجی دستگاه‌های تولیدی را ‌پیش‌بینی کنیم. رویکرد فوق تأثیر مثبتی داشته است. شرکت ما در بازار ۱۸۰ کشور دنیا فعال است، محصولات ما یک سوم توان ابزارهای الکتریکی را تأمین می‌کنند و ۴۰ درصد نرم‌افزارهای مدیریت توان توسط این شرکت توسعه پیدا می‌کنند. همچنان که شبکه‌های انتقال نیرو پیچیده‌تر ‌می‌شوند، ویژگی‌های بیشتری به فناوری‌های مرتبط با توان اضافه ‌می‌شود. قاعدتاً در چنین شرایطی انتظار شرایط دشواری را داریم، اما به لطف تحلیل‌های پیشگویانه اتفاقات غیرقابل ‌پیش‌بینی کمتری رخ می‌دهد. مدیریت ناکارآمد در سیستم‌های انتقال اطلاعات علاوه بر خاموشی و ضررهای مالی، اعتبار شرکت‌های سازنده‌ای که این تجهیزات را تولید می‌کنند زیر سوال می‌برد. برای جلوگیری از بروز چنین مشکلی GEPower تصمیم گرفت از هوش مصنوعی استفاده کند تا با اندازه‌گیری پارامترها و پیش‌بینی میزان تغییرات، شرایط پایداری را فراهم کند. شرایطی که قابل اندازه‌گیری، تحلیل و پیش‌بینی هستند. شرکت همچنین از تحلیل‌ها استفاده می‌کند تا سیستم‌ها را در برابر خرابی سرویس‌ها مقاوم کند. از جمله آن‌ها می‌توان به خطاهای مرتبط با داده‌ها اشاره کرد که هنگام وارد کردن اطلاعات به صورت دستی، رخ می‌دهد. برای حل این مشکل، سیستم در زمان ورود اطلاعات هشدارهایی به اپراتور اعلام می‌کند و پیشنهادهایی برای جلوگیری از مشکلات احتمالی ارائه می‌دهد.» 

چالش‌های پذیرش و اعمال تحلیل‌های پیشگویانه

علی‌رغم تقاضای زیاد برای تحلیل‌های پیشگویانه، تحلیل و پیش‌بینی شبکه با چالش‌هایی همراه است که البته این برای یک فناوری نوظهور امری عادی است. گادی اورن هشدار می‌دهد: «اشکال اصلی این است که این رویکردها برای محیط‌هایی مناسب هستند که به آرامی رشد می‌کنند و برای محیط‌هایی که سریع در حال تغییر هستند، جواب‌گو نیست. با تغییر سریع، نشانه‌ها و سیگنال‌ها به سرعت تغییر می‌کنند و سیستم نمی‌تواند اطلاعات به‌دست آمده را تجزیه و تحلیل کند یا حداقل پیش‌بینی به درستی انجام نمی‌شود.»
پیش‌بینی‌های دقیق نیازمند داده‌های کافی و دانش دقیق هستند. به‌طور متوسط در بخش توان (تجهیزات تامین انرژی)، داده‌های کمی موجود است. فرناز امین می‌گوید: «دانش ما شامل اطلاعات به‌دست آمده از حسگرها، توصیه‌های مدیران شرکت‌ها و اطلاعاتی پویا از تجهیزات شبکه است. برخی داده‌ها همواره در دسترس هستند، اما به دلایلی (به‌طور مثال، برنامه‌های اقتصادی) راهکار روشن یا روش مطمئنی برای بهره‌برداری از داده‌ها وجود ندارد؛ به‌طور مثال، ممکن است یک پارامتر اضافی به چرخه اضافه شود که هیچ ارتباطی با وضعیت فنی شبکه ندارد، در این حالت تمامی پیش‌بینی‌ها بلااستفاده می‌شوند.» 
علاوه بر جمع‌آوری داده‌ها، ایجاد یک سیستم هشدار و ارایه گزارش‌های تولید شده توسط تیم عملیات شبکه در سازمان‌ها ضروری است. چنین جزئیاتی می‌تواند برای تقویت پیش‌بینی ناهنجاری‌های شبکه (آنومالی) استفاده شود. رحیم رسول می‌گوید: «تیم باید بر پردازش داده‌ها و تجزیه و تحلیل آن‌ها متمرکز شود. این کار نیازمند یک گروه با تخصص کامل برای درک کلیه تنظیمات و معیارها است. همچنین تیم شبکه یک سازمان باید قادر به ارائه فرآیند بازخورد مثبت و منفی مناسب برای سیستم پیش‌بینی‌کننده باشد. به عبارت دیگر باید بتوانند نتایج پیش‌بینی‌های انجام شده را بررسی کند و مشخص کند پیش‌بینی‌ها به درستی انجام شده‌اند یا خیر. اگر پاسخ منفی است، باید انحراف معیار پاسخ‌ها بررسی شود. چنین اطلاعاتی به یادگیری سیستم کمک می‌کند و در پیش‌بینی‌های آینده موثر خواهد بود. استفاده از نتایج بازخورد یا همان سعی و خطا به معنای این نیست که دیگر نیاز به تحلیل و پیش‌بینی نیست و نیاز مدیران شبکه برطرف شده؛ بلکه چنین سیستمی فقط قادر است به مدیران در تصمیم‌گیری بهتر و پاسخگویی دقیق‌تر کمک کند.» یک چالش دیگر، متقاعد کردن تیم‌های شبکه برای پذیرش و استفاده روزمره از ابزارهای تحلیل پیشگویانه است. تیم‌های فناوری اطلاعات می‌توانند راه‌حل‌هایی ارائه دهند، البته به شرطی که افرادی با تخصص و مهارت بالا در گروه‌های عملیاتی استخدام شده باشند. بنابراین درک دقیق فرآیندهای فعلی پیش‌نیاز کار است. حتا اگر سیستمی پیشرفته برای تحلیل‌ها موجود باشد، اما داده‌های ورودی مناسب به آن تخصیص داده نشود، نتیجه‌ای به‌دست نخواهد آمد. 

از کجا آغاز کنیم؟

سازمان‌هایی که به تازگی روند تحلیل و پیش‌بینی شبکه را شروع کرده‌اند، لازم است با دقت مشخص کنند که چه نوع داده‌هایی باید جمع‌آوری شود و چه مشکلاتی در شبکه باید برطرف شود. به یاد داشته باشید که وارد کردن اطلاعات بیش از حد به یک ابزار تحلیلی به اندازه تهیه اطلاعات اشتباه مضر باشد. جان اسمیت، بنیان‌گذار شبکه Live Action هشدار می‌دهد: «اگر یک سازمان، داده‌های مورد نیاز تحلیلی خود را کم نکند، به‌طور ناخواسته مقدار زیادی اطلاعات بی‌ارزش در خصوص اندازه‌گیری وضعیت شبکه به سیستم می‌دهد. این امر علاوه بر پردازش بیشتر و صرف زمان بیشتر، در نهایت باعث ایجاد خطا در پیش‌بینی می‌شود.» همچنین مهم است که جنبه‌های علمی ‌مدیریت داده‌ها را بررسی کنید؛ به‌طور مثال، این‌که داده‌های مربوطه را چگونه و در کجا ذخیره کنید. جست‌وجوی دقیق در اطلاعاتی که جمع‌آوری و ذخیره شده‌اند، ارزشمند است و کار را برای تصمیم‌گیری ساده‌تر می‌کند. فناوری تحلیل پیشگویانه به سرعت در حال پیشرفت است و بی‌توجهی به آن (حداقل برای شرکت‌های بزرگ) باعث عقب‌ماندگی، هزینه غیرضروری و آشفتگی می‌شود.

ماهنامه شبکه را از کجا تهیه کنیم؟
ماهنامه شبکه را می‌توانید از کتابخانه‌های عمومی سراسر کشور و نیز از دکه‌های روزنامه‌فروشی تهیه نمائید.

ثبت اشتراک نسخه کاغذی ماهنامه شبکه     
ثبت اشتراک نسخه آنلاین

 

کتاب الکترونیک +Network راهنمای شبکه‌ها

  • برای دانلود تنها کتاب کامل ترجمه فارسی +Network  اینجا  کلیک کنید.

کتاب الکترونیک دوره مقدماتی آموزش پایتون

  • اگر قصد یادگیری برنامه‌نویسی را دارید ولی هیچ پیش‌زمینه‌ای ندارید اینجا کلیک کنید.

ایسوس

نظر شما چیست؟