الأخبار التكنولوجية والاستعراضات والنصائح!

مستقبل الشبكات يحدث على الحافة

الشبكات تتغير. مستقبلها والكثير من الابتكار والربحية يحدث على الحافة. هناك تحول بدأ في الظهور وهو تحول لا يمكنك تجاهله إذا كنت ترغب في الاستفادة من الإمكانيات التي توفرها حافة الشبكة. من المتوقع أن تنتقل التطبيقات من مراكز البيانات إلى الحافة ، وبذلك ، ستفتح فرصة سوق جديدة ضخمة.

نبذة عن الكاتب

جوليوس فرانسيس ، مدير إدارة وتسويق المنتجات ، Juniper Networks.

الأرقام تحكي قصة مقنعة. من المتوقع أن ينمو سوق الحوسبة العالمي بمعدل نمو سنوي مركب يبلغ 34٪ بين عامي 2018 و 2024 ، ليصل إلى ما يقرب من 7 مليار دولار أمريكي. أوروبا هي واحدة من اللاعبين الرئيسيين في الفضاء. ولكن في صميم توقعات النمو هذه أهمية الذكاء في جعل الشبكات المتطورة تعمل بكامل طاقتها.

تغذية الطفرة في الحوسبة الحافة هو الاعتماد السريع لل إنترنت الأشياء (IoT) ، المركبات المستقلة ، التداول عالي السرعة ، دفق المحتوى والألعاب متعددة اللاعبين. تشترك هذه التطبيقات في حاجة واحدة – بالقرب من نقل البيانات بدون زمن انتقال ، والتي يتم تعريفها عادةً على أنها أقل من خمسة مللي ثانية.

بالنسبة للعديد من التقنيات الناشئة ، حتى خمسة مللي ثانية عالية للغاية ، ولهذا السبب من المنطقي نقل تطبيقات الأعمال والبيانات إلى أقرب نقطة ممكنة من نقطة استيعاب البيانات. وهذا يقلل من الوقت الإجمالي لرحلة الذهاب والإياب ، وبالتالي ، يمكن للتطبيقات مثل المركبات ذاتية القيادة الوصول إلى المعلومات في الوقت الفعلي للتنقل بشكل فعال وتجنب الاصطدامات.

تخطي الحواجز

ومع ذلك ، فإن الحوسبة المتطورة لا تخلو من التحديات – لمقدمي خدمات الاتصالات على وجه الخصوص. أحد العوامل المعقدة التي نشهدها بشكل متزايد هو وظائف الشبكة التي تتحرك نحو تطبيقات الحوسبة السحابية التي يتم نشرها على البنية التحتية لتكنولوجيا المعلومات الافتراضية والمشتركة والمرنة.

انظر إلى معظم البيئات الافتراضية وسترى كل خادم فعلي يستضيف العشرات من الأجهزة و / أو الحاويات الافتراضية. ويتم إنشاء هذه الآلات وتدميرها باستمرار بشكل أسرع مما يستطيع البشر إدارتها. يمكن أن تكون أدوات Orchestration مفيدة هنا لأنها تدير تلقائيًا البيئة الافتراضية الديناميكية في التشغيل العادي. ومع ذلك ، عندما يتعلق الأمر باستكشاف الأخطاء وإصلاحها ، لا يزال البشر هم المسؤولون عن تنفيذها يدويًا.

وهنا يمكن أن تصبح الأمور صعبة. يكون لانقطاع الخدمة تأثير سلبي على مقدمي الخدمة ، لذا فإنهم بدورهم يضغطون على إدارة تقنية المعلومات لمعالجة أي مشكلات في أسرع وقت ممكن. المعلومات التي يحتاجون إليها لتحديد مصدر المشكلة وإيجاد حل لها موجودة بالفعل ، والتحدي الأكبر هو في الواقع البحث في مجموعات بيانات القياس عن بعد من مكونات الأجهزة والبرامج. ما يحتاجونه هو يد المساعدة للعمل من خلال البيانات بسرعة واكتساب الرؤى الصحيحة بناءً على الاتجاهات التي يرونها.

استجابة قائمة على البيانات

البنية التحتية المتناثرة الغنية بالبيانات والديناميكية للغاية هي البيئة المثالية للذكاء الاصطناعي ، وخاصة التعلم الآلي. يعد التعلم الآلي فعالًا في الخوض من خلال تجمعات البيانات لتحديد الأنماط بطريقة تتجاوز قدرات مشغلي الشبكات.

تتحسن الأدوات القائمة على التعلم الآلي باستمرار وتتكيف من خلال التعلم الذاتي من تجاربهم وإجراء تحليلات سريعة تشبه الإنسان نتيجة لذلك. ومع إضافة الأتمتة إلى المزيج ، يمكن تحويل الرؤى إلى إجراءات. يساعد هذا في التغلب على التحدي المتمثل في الوصول إلى مخرجات ملموسة في عالم الحوسبة الديناميكي المفصل.

يمكنك نشر تعلُّم الآلة ومراقبة الشبكة في الوقت الفعلي والمعلومات التي تحصل عليها من الطرف الآخر لتشغيل الأدوات الآلية التي يمكنها توفير وظائف الشبكة المادية والافتراضية واستحداثها وتكوينها. علاوة على ذلك ، ستتم هذه العملية بشكل أسرع وأكثر دقة مما لو قام الإنسان بتنفيذ المهمة يدويًا. باستخدام ذكاء وكفاءة كل من التعلم الآلي والأتمتة ، ستوفر وقتًا كبيرًا من الموظفين ، والذي يمكن استخدامه لقيادة المبادرات الإستراتيجية التي تساهم بشكل مباشر أكثر في بناء النتيجة النهائية.

البناء والقياس في السحابة

يمكن أن يلعب التعلم الآلي دورًا رئيسيًا في تطوير التطبيقات في سياق الحوسبة المتطورة. ابتعدت شركة Telcos إلى حد كبير عن تطوير برامج الشلال حيث كانت مراحل تسجيل الدخول الطويلة بين كل قسم تعني أن التطبيقات قد تستغرق سنوات حتى تكتمل. يعتمد تطوير السحابة الأصلية بشكل أكبر على التطوير الرشيق و DevOps ، مما يعني أنه يمكن طرح إصدارات متعددة في غضون أسبوع.

ومع ذلك ، فإن الانتقال إلى الحافة يطرح تحديات لتوسيع تطبيقات السحابة الأصلية. إذا كنت معتادًا على بيئة تتكون من عدد قليل من مراكز البيانات المركزية ، فستعلم أن المشغلين البشريين يمكنهم تحديد ظروف الأداء المثلى لوظائف الشبكة الافتراضية (VNF) التي يتكون منها التطبيق.

نظرًا لأن البيئة تنقسم إلى آلاف المواقع الصغيرة ، فإنها قصة مختلفة تمامًا مع احتياجات أكثر تعقيدًا يجب تلبيتها. وذلك لأن كل موقع من المواقع الصغيرة له خصائص تشغيلية مختلفة قليلاً. العاملون البشريون ببساطة ليس لديهم عرض النطاق الترددي للتعامل. هذا هو المكان الذي يتطلب التعلم الآلي. يمكن لخوارزميات التعلم غير الخاضعة للإشراف تشغيل جميع المكونات الفردية من خلال دورة ما قبل الإنتاج لتقييم كيفية تصرفهم في موقع الإنتاج. وهذا يمنح موظفي العمليات الثقة بأن VNF الذي يتم اختباره سيعمل على النحو المطلوب على الحافة.

استخدام الذكاء الاصطناعي لإزالة مشكلة استكشاف الأخطاء وإصلاحها

هناك مجال آخر حيث يمكن أن يضيف الذكاء الاصطناعي والأتمتة قيمة في استكشاف الأخطاء وإصلاحها داخل البيئات السحابية الأصلية. لنفترض على سبيل المثال ، أن VNF لتطبيق سحابي أصلي يعمل في موقع الحافة يعمل بمستوى أقل من المثيلات الأخرى للتطبيق. الحقيقة الأولية التي يجب إثباتها هي ما إذا كانت هناك مشكلة بالفعل لأن بعض الاختلافات في الأداء بين التطبيقات ليست غير عادية.

تتطلب الإجابة على السؤال تحديد النطاق الطبيعي لقيم أداء VNF في العملية الفعلية. إحدى الطرق لمعرفة ذلك هي أن يأخذ الشخص قراءات لعدد كبير من حالات VNF ويستخدم هذه القراءات لحساب قيم مؤشر الأداء الرئيسية المقبولة. لا يُنصح بهذا النهج لعدة أسباب. يستغرق الأمر وقتًا طويلاً ، وهو عرضة للخطأ ويجب أن يتكرر في كل مرة تكون هناك ترقيات للبرامج أو استبدال مكونات أو تغيرات في نمط حركة المرور.

الذكاء الاصطناعي ، من ناحية أخرى ، يعمل بشكل مختلف. يمكنه تحديد مؤشرات الأداء الرئيسية بشكل أسرع وأكثر دقة ، مع تعديل قيم مؤشرات الأداء الرئيسية حسب الحاجة عند تغيير المعلمات. كل هذا يحدث دون الحاجة إلى تدخل بشري. بمجرد أن يحدد AI قيم KPI ، تتولى الأتمتة. باستخدام أداة آلية ، من الممكن مراقبة الأداء بشكل مستمر وتحديد VNFs ضعيفة الأداء.

من هناك ، يمكن مراجعة المعلومات لمعرفة ما إذا كانت هناك حاجة إلى VNF جديد أو خادم فعلي جديد. يضمن المزيج القوي بين الذكاء الاصطناعي والأتمتة امتثال اتفاقية مستوى الخدمة للماء ، كما يقلل من العبء الواقع على المشغلين البشريين.

مستقبل على الحافة

يتم إنشاء طبيعية جديدة من حولنا. يعمل مقدمو الخدمات على زيادة استخدامهم للهياكل الموجهة نحو الحافة ، وعلى هذا النحو ، تستخدم مجموعات تكنولوجيا المعلومات الذكاء الاصطناعي والتعلم الآلي لإيجاد طرق جديدة لتحسين عمليات الشبكة ، واستكشاف الأخطاء وإصلاحها لأداء VNFs وضمان الامتثال لاتفاقية مستوى الخدمة على نطاق واسع.

لتسريع الرحلة إلى هذا المستقبل القائم على الذكاء الاصطناعي على الحافة ، تتحسن التقنيات بوتيرة سريعة ، مما يتيح فوائد جديدة. على سبيل المثال ، يمكن للأنظمة والأجهزة المختلفة توفير قياس عن بُعد عالي الدقة وعالي التردد يمكن تحليله ، ويمكن لحافلات الرسائل القابلة للتطوير بدرجة كبيرة مثل Kafka و Redis التقاط ومعالجة ذلك القياس عن بعد ، وقدرة الحوسبة وأطر الذكاء الاصطناعي مثل TensorFlow و PyTorch إنشاء نماذج من تيارات القياس عن بعد الخام. إنها مجموعة قوية من الأدوات التي يمكن أن ترى في الوقت الفعلي ما إذا كانت أنظمة الإنتاج تعمل كما ينبغي ، كما أنها تعثر على المشكلات التي تنشأ في العمليات وتعالجها.

جميع ما قيل ، هناك الكثير لمقدمي الخدمات لاستكشاف من أجل الحصول على ميزة مع شبكات الحافة ويجب أن ينظروا إلى التحرك نحو الحافة كفرصة. من خلال نشر التعلم الآلي والأتمتة ، يمكنهم تشديد عملياتهم لتقليل أعباء العمل التي تستغرق وقتًا طويلاً. ويمكنهم أيضًا تغيير سير العمل معًا باستخدام رؤى جديدة لم يكن بإمكانهم الوصول إليها من قبل.