SD-WAN需要一劑AIOps來實現自動化

隨著供應商希望簡化操作，降低成本並最佳化現代雲時代的WAN效能，軟體定義廣域網(SD-WAN)得到了AIOps的大力推動。

SD-WAN將網路的控制方面與硬體分離，以建立虛擬化的網路覆蓋，而AIOps則將機器學習和資料分析應用於IT運營，以實現流程自動化。兩者的融合(也稱為AI驅動的廣域網)有望開啟廣域網的新紀元，使IT不僅可以最佳化網路和應用程式體驗，還可以為單個使用者提供最佳體驗。

在過去的五年中，SD-WAN是通訊領域最熱門的技術之一。

廣域網迫切需要演進，於是出現了SD-WAN。它為網路帶來了更大的靈活性，並使企業能夠利用低成本的網際網路，代替高成本的電信寬頻服務。此外，SD-WAN透過自動故障轉移提高了網路彈性。在“萬物互聯”的時代，網路正常執行時間對於保持業務運營至關重要。

在2020年之前，SD-WAN的應用已經很廣泛了，而疫情的爆發刺激了它更快的被應用。在2020 ZK Research Anywhere的研究中，有46%的受訪者表示，新冠疫情加速了他們的SD-WAN部署。

儘管應用迅速，但是SD-WAN並不能解決所有網路問題。無論是軟體定義還是其他方式的網路運營，面臨的挑戰是策略配置和持續管理及故障排除都是手動完成的。所有的SD-WAN廠商都已經做好了簡化部署的工作，雖然是零接觸的配置，但這隻解決了零天的操作。一旦網路執行起來，尋找廣域網中斷源頭的過程仍然是一個需要大量人工繁重工作的過程。如果沒有一個智慧事件關聯的自動化模型，在LAN、WLAN和WAN域之間隔離問題的難度成倍增加，而且完全不可能。

在某些方面，SD-WAN加劇了故障排除問題。它透過隱藏中斷的多路徑網路，為網路增加了一定程度的彈性。這導致網路操作儀表板可以顯示所有內容均為“綠色”，但應用程式的效能較差的情況。隨著影片技術的興起，網路效能問題變得異常明顯，網路工程師們不斷地爭相嘗試和補救問題。

這是AI可以發揮作用的地方。AI系統可以攝取網路基礎設施(LAN，WLAN和WAN)提供的大量資料，以“檢視”即使最精明的網路工程師也看不到的東西。曾幾何時，當網路相當簡單且流量較低時，經驗豐富的網路專業人員就有可能“瞭解”網路，並透過結合領域知識和對流量的快速檢查來快速找到問題的根源。但是隨著裝置，應用程式和資訊量的激增，情況就不一樣了。最大的變化之一，週期性的輪詢資料已經被實時的流式遙測技術所取代，這將增加一個數量級或更多的資料。

人工智慧系統甚至可以看到網路中的最小變化，並預測人眼無法識別的事物。一個很好的類比是AI如何在醫學專業的放射學中使用。AI系統可以檢測核磁共振成像中最小的異常情況，從而使醫生能夠比沒有AI的患者更早地治療患者。網路專業人員也是如此。AI系統會發現網路中的小問題，這些小問題可能會導致應用程式出現異常情況，終端使用者不會注意到這些問題，但稍後會引起更大的問題。網路工程師可以使用AI系統的輸出，在問題對業務產生影響之前(即自動駕駛網路)主動解決問題。

談到AI計劃，資料科學家使用了一個公理，指出“好的資料可以帶來好的見解”。這當然是正確的，但是部分資料導致部分洞察也是正確的，這可能是AI驅動的WAN產品的侷限性之一。更具體地說，如果解決方案只看網路而沒有理解對實際使用者體驗和應用程式的影響，那麼它就失去了很大一部分。如果存在多個網路問題，則應優先考慮那些影響關鍵應用程式和/或使用者的問題。如果某些問題根本不影響應用程式效能，則可以將這些問題放到後燃器上，然後再修復。

此外，如果解決方案僅看到WAN資料，而沒有將其與網路的其他區域(即LAN和WLAN)相關聯，則可能會導致效率低下，從而增加網路成本。更糟糕的是，這可能導致有關網路效能問題以及如何解決這些問題的錯誤假設或結論。在這方面，需要從整體上看待AI驅動的WAN，這是AI驅動的網路更大端到端故事的關鍵部分。

AIOps是SD-WAN演進的關鍵，它為網路的關鍵部分帶來了急需的自動化和洞察力。由AI驅動的WAN必須超出網路範圍，才能在應用程式和使用者級別提供有意義的見解(和操作)。這不僅可以帶來效能更好，成本更低的網路，還可以確保使用者的生產力和客戶服務保持較高水平。