destina - Fotolia

Wie realistisch sind Predictive Networks?

Die Funktionsweise von Predictive Networks beruht auf historischen Verlaufsdaten, um Prognosen für Netzwerkereignisse zu treffen. Ihre Erwartungen sollten aber nicht zu groß sein.

Predictive Networks sind ein populäres Konzept, aber der Begriff kann in die Irre führen, denn er suggeriert, es würde darum gehen, auf magische Weise die Zukunft vorherzusagen. Daher ist es wichtig, zu untersuchen, wie realistisch Predictive Networks sind, was wir von ihnen erwarten können und wie sie sich von proaktiven Netzwerken unterscheiden.

Ein proaktives Netzwerk nutzt eine Analyse von erfassten Netzwerkdaten, um Probleme zu erkennen, und zwar während oder kurz bevor Kunden und Anwendungen betroffen sind. Produkte für proaktives Netzwerk-Management sind erfolgreich und benötigen keine hochspezialisierten Mitarbeiter, damit sie effektiv eingesetzt werden können. Die meisten Netzwerke, mit denen ich zu tun habe, arbeiten noch daran, einen proaktiven Status zu erreichen.

Im Gegensatz dazu nutzen Predictive Networks gewaltige Mengen an historischen Daten, auch Verlaufsdaten genannt, um das wiederholte Auftreten von Netzwerkereignissen basierend auf vergangenen Vorkommnissen vorherzusagen. Es handelt sich um eine typische Big-Data-Anwendung, mit Machine Learning oder künstlicher Intelligenz, die aus Ereignissen der Vergangenheit lernt und entsprechende Prognosen erstellt.

Ereignisse für den nächsten Monate vorherzusagen, erfordert die Verlaufsdaten vieler Monate, um ein tiefes neuronales Netzwerk mit Informationen zu versorgen. Darüber hinaus brauchen Sie einige Big-Data-Forscher, die verstehen, wie die benötigten Datenmengen strukturiert und analysiert werden müssen. Falls Sie ein eigenes System aufbauen wollen, stehen zahlreiche Programmbibliotheken für Machine Learning in verschiedenen Sprachen zur Verfügung. Die populärsten sind Java und Python.

Predictive Network Analytics nutzen

Können Sie auf keine Big-Data-Forscher zurückgreifen, bietet sich immer noch Predictive Network Analytics an. Unter den erhältlichen Produkten finden sich Illumio, GuardiCore und Cisco Tetration Analytics. Die meisten Lösungen konzentrieren sich offenbar auf Sicherheit und nutzen Verhaltensanalyse zur Erkennung von Malware und Angreifern.

Produkte für Predictive Network Analytics sind komplexe Plattformen. Sie nutzen Big-Data-Tools wie Hadoop Data Lakes, das Messaging-System von Apache Kafka und Datenmodellierung. Dieses Tätigkeitsgebiet unterscheidet sich von Networking oder Netzwerk-Management. Sie sollten also nicht davon ausgehen, dass dies zu weniger Personal führt.

Abbildung 1: Predictive Analytics nutzt Daten, um Netzwerkereignisse vorherzusagen.
Abbildung 1: Predictive Analytics nutzt Daten, um Netzwerkereignisse vorherzusagen.

Unternehmen sollten auch bedenken, dass sie Monate brauchen werden, um das System zu erlernen. Außerdem müssen genug Verlaufsdaten gesammelt werden, bevor ein echter Nutzen entsteht. Machen Sie erst Ihre Hausaufgaben, bevor Sie sich für ein Produkt entscheiden. Zudem gilt es, herauszufinden, welche Arten von Vorhersagen und Analysen es beherrscht. Wenn das Produkt auf Sicherheit ausgelegt ist, bietet es wahrscheinlich keinen Nutzen für die Diagnose von schlecht funktionierenden Anwendungen. Die Erwartungen übersteigen oft das, was am Ende realistisch ist. Recherchieren Sie also vor dem Kauf sehr genau.

Die Datenmenge und -qualität korreliert direkt mit erfolgreichen Prognosen. Die Datenerfassungselemente können Softwaremodule sein, die auf Anwendungsservern installiert werden müssen. Diese Stelle ermöglicht Einblicke in alle Elemente eines Anwendungsservers. So lässt sich zum Beispiel erkennen, welcher Prozess Speicher verbraucht oder ob ein anderer Prozess übermäßig viel Netzwerk-Traffic erzeugt.

Administratoren von Anwendungsservern dürften kaum etwas dagegen haben, dass ein zusätzliches Modul auf den Servern läuft. Ich kenne einen Fall, bei dem ein Anwendungsadministrator bat, ein Datenerfassungsmodul zu entfernen, weil die Performance des Servers nicht so ausfiel wie erwartet. Stattdessen sah sich der Analytics-Administrator die Daten von diesem Server an und identifizierte ein anderes Softwareelement, das den übermäßigen Netzwerk-Traffic generierte. Dank dieser Information konnte der Serveradministrator das Problem zurückverfolgen. Beachten Sie, dass das System nicht automatisch das Problem ermittelt hat. Dazu musste jemand die Untersuchung vorantreiben.

Predictive Networks nutzen gewaltige Mengen an historischen Daten, um das wiederholte Auftreten von Netzwerkereignissen basierend auf vergangenen Vorkommnissen vorherzusagen.

Reduzieren Sie hohe Erwartungen ans Ergebnis

Der nächste Schritt bei Predictive Networks besteht darin, die Ergebnisse, die Sie von Predictive Analytics erwarten, zu betrachten. Sie sollten sich unter anderem Folgendes fragen:

  • Erkennt das System Probleme – oder potenzielle Probleme – automatisch und ergreift Maßnahmen? Oder meldet es das Problem einfach, so dass anschließend ein Mensch eingreifen muss?
  • Werden Aktionen in Echtzeit benötigt? Dies bedingt wahrscheinlich eine automatisierte Reaktion.
  • Wie erhält das System Feedback? Braucht es einen Menschen, um Anomalien zu identifizieren, die es später in der Zukunft automatisch erkennen kann?

Prüfen Sie, ob bereinigte Daten von anderen Kunden mit den gleichen Anwendungen zur Verfügung stehen. Dies kann ein schnelleres Lernen und genauere Aktionen vorantreiben.

Informieren Sie sich gründlich über Predictive Networks

Der Markt für Predictive Analysis ist neu, und der Fokus liegt in der Regel auf dem Aufbau Ihres eigenen Systems. Ich empfehle Lektüre, die sich mit dem Aufbau einer Infrastruktur beschäftigt, damit Sie die innere Struktur solcher Systeme kennenlernen. Dieses Wissen wird hilfreich sein, wenn Sie mit den Technikern eines Anbieters kommunizieren.

Wenn Sie immer noch an der proaktiven Netzwerkanalyse arbeiten, können Sie auch direkt zu Predictive Network Analytics wechseln, indem Sie ein entsprechendes Produkt nutzen. Der entscheidende Faktor, den es zu berücksichtigen gilt, betrifft die Änderungen bei den Netzwerk-Management-Prozessen, die sich größtenteils auf einen kulturellen Wandel zurückführen lassen. Dies kann eine anspruchsvolle und lohnende Aufgabe sein.

Nächste Schritte

Mit Predictive Analytics verteilte Anwendungen überwachen

Predictive Modeling mit Machine Learning umsetzen

Fehlersuche mit Netzwerk-Management-Systemen

Erfahren Sie mehr über Netzwerksicherheit

ComputerWeekly.de
Close