IT-Profis machen sich Sorgen darüber, dass Netzwerkdaten an KI-Tools weitergeleitet werden

Von Shamus McGillicuddy

Netzwerkwelt |

Da immer mehr IT-Organisationen künstliche Intelligenz (KI), maschinelles Lernen (ML) und die sogenannte AIOps-Technologie für das Netzwerkmanagement einsetzen, sind Netzwerkdaten von entscheidender Bedeutung für den Erfolg. Die KI/ML-Technologie erfordert immer mehr Daten, um einzelne Netzwerke kennenzulernen, Erkenntnisse abzuleiten und Empfehlungen anzubieten. Leider stoßen viele Unternehmen auf Probleme, wenn sie versuchen, diese KI-Tools mit Netzwerkdaten zu versorgen.

Mit anderen Worten: Netzwerkteams müssen ihren Ansatz für Netzwerkdaten modernisieren, bevor sie KI-Technologie einsetzen.

Enterprise Management Associates befragte kürzlich 250 IT-Experten zu ihren Erfahrungen mit AI/ML-gesteuerten Netzwerkmanagementlösungen für den Bericht „AI-Driven Networks: Leveling up Network Management“. Dabei stellte sich heraus, dass Datenprobleme die zweitgrößte technische Herausforderung bei der Anwendung von KI/ML auf das Netzwerkmanagement darstellen. Nur die Netzwerkkomplexität ist ein größeres technisches Problem.

Es wurde außerdem festgestellt, dass 90 % der Unternehmen beim Versuch, ihre KI/ML-Lösungen zu verwenden, mit mindestens einer ernsthaften Herausforderung im Zusammenhang mit Netzwerkdaten konfrontiert waren.

„AIOps benötigt Daten, um seine Arbeitsabläufe voranzutreiben“, sagte kürzlich ein IT-Vizepräsident eines 9-Milliarden-Dollar-Finanzdienstleistungsunternehmens. „Wenn Sie keine Daten haben, haben Sie kein AIOps. Das erste, was Sie [bei einem KI-Projekt] tun müssen, ist, Ihre Daten vorzubereiten. Schauen Sie sie sich an, verstehen Sie sie und sehen Sie, wo die Lücken sind.“

Laut den befragten IT-Experten liegen hier die Hauptursachen für Datenprobleme.

Das größte Problem, das 46 % der Unternehmen betrifft, war die Datenqualität. IT-Organisationen stellen schnell fest, dass fehlerhafte Daten zu fehlerhaften Erkenntnissen führen. Sie kämpfen mit Fehlern, Formatierungsproblemen und nicht standardisierten Daten. Dies kann insbesondere dann ein Problem sein, wenn eine IT-Organisation Daten aus mehreren isolierten Tools in eine AIOps-Lösung eines Drittanbieters einspeist. Die typische IT-Organisation verwendet zwischen vier und 15 Tools, um ihr Netzwerk zu verwalten und zu überwachen. Jedes Tool unterhält eine eigene Datenbank mit unterschiedlichem Qualitätsniveau. Wenn eine AIOps-Lösung versucht, Erkenntnisse aus diesen Datensätzen zu korrelieren, treten Probleme auf.

Fast 39 % gaben gegenüber EMA an, dass sie mit dem Sicherheitsrisiko zu kämpfen haben, das mit der Weitergabe von Netzwerkdaten an KI-/ML-Systeme verbunden ist. Viele Anbieter bieten KI-gesteuerte Netzwerklösungen als cloudbasierte Angebote an. IT-Teams müssen ihre Netzwerkdaten zur Analyse in die Cloud senden. Einige Branchen, wie z. B. Finanzdienstleistungen, scheuen sich davor, Netzwerkdaten in die Cloud zu senden. Sie möchten es lieber intern mit einem On-Premises-Tool behalten. Leider unterstützen viele Netzwerkanbieter keine On-Premise-Version ihres KI-Datensees, da sie dafür Cloud-Skalierbarkeit benötigen.

Einige Anbieter kombinieren auch die anonymisierten Daten aller ihrer Kunden für die globale Analyse von Netzwerken. Dadurch können sie Trends über Regionen, Branchen und andere Variablen hinweg erkennen. Einige Kunden sind jedoch mit diesem Aspekt von KI/ML-Lösungen unzufrieden. Sie möchten nicht, dass auf diese Weise auch nur ihre anonymisierten Daten betroffen sind.

Die drittgrößte datenbezogene Herausforderung ist der Netzwerk-Overhead. Mehr als 36 % der Unternehmen sind besorgt über die Netzwerkkosten, die durch die Verlagerung riesiger Datensätze von außerhalb des Unternehmens in einen Cloud-basierten Datensee entstehen. Diese Datenübertragung kann manchmal zu viel Bandbreite verbrauchen. Einige Anbieter entschärfen dieses Problem, indem sie Daten am Netzwerkrand mit lokalen Sonden verarbeiten, die dann Metadaten zur Analyse an die KI-Cloud weiterleiten. Organisationen, die KI-gesteuerte Netzwerklösungen evaluieren, sollten potenzielle Anbieter fragen, wie sie dieses Problem angehen.

Schließlich teilten 32 % der Unternehmen der EMA mit, dass es ihren Daten an Granularität mangele. Sie sind nicht in der Lage, Daten in ausreichend kurzen Abständen zu sammeln, um ihren KI-Lösungen ausreichende Einblicke in ihr Netzwerk zu ermöglichen. Dieses Problem kann auf verschiedene Weise auftreten. Einige SD-WAN-Anbieter begrenzen die Raten, mit denen sie Netzwerktelemetriedaten erfassen, da der Telemetriedatenverkehr die Netzwerkleistung beeinträchtigen kann.

Einige Überwachungstools begrenzen die Intervalle, in denen sie Netzwerke mit SNMP abfragen, da höhere Abfrageraten die Überwachungsplattform destabilisieren können. Und einige Netzwerk-Switches und Router können aufgrund von Leistungseinbußen nur begrenzt Flow-Datensätze generieren. In jüngerer Zeit haben einige Netzwerkanbieter damit begonnen, Switch-Silizium zu verwenden, das für die Generierung detaillierterer Daten optimiert ist, um dieses Problem zu entschärfen. Allerdings ist diese Hardware oft mit höheren Kosten verbunden.

Auch wenn Sie nicht vorhaben, KI-/ML-Lösungen für das Netzwerkmanagement einzuführen, ist es immer eine gute Idee, den Zustand der Netzwerkdaten in Ihrem Unternehmen zu überprüfen. Netzwerkbetriebsteams teilen der EMA oft mit, dass ihre größte Herausforderung im Allgemeinen die Datenqualität sei, unabhängig davon, ob KI in Sicht ist.

Beispielsweise sollten Unternehmen feststellen, ob es in ihrem Netzwerk blinde Flecken gibt, die möglicherweise deutlich sichtbar werden, wenn die KI beginnt, die Dinge zu untersuchen. Sie sollten die Qualität der Daten überprüfen, die ihre Tools sammeln und speichern. Sind diese gesammelten Daten fehleranfällig? Auch die Daten sollten den Standards entsprechen. Wenn Tools Daten mit Metadaten kennzeichnen, kann ein Dritter diese dann analysieren? Durch die Standardisierung wird sichergestellt, dass es für andere Systeme lesbar ist. Denken Sie auch an die Datenerfassungsintervalle. In den fünf oder zehn Minuten zwischen den SNMP-Abfrageintervallen kann viel passieren.

(Mehr darüber, wie KI/ML den Netzwerkbetrieb optimieren kann, finden Sie im kostenlosen Webinar der EMA über ihre neuesten Forschungsergebnisse.)

Lesen Sie als nächstes Folgendes: