快速增長的互聯(lián)網(wǎng)連接需求給改善網(wǎng)絡(luò)基礎(chǔ)設(shè)施、性能和其他關(guān)鍵參數(shù)帶來了壓力。網(wǎng)絡(luò)管理員必須遇到運(yùn)行多個(gè)網(wǎng)絡(luò)應(yīng)用程序的不同類型的網(wǎng)絡(luò)。每個(gè)網(wǎng)絡(luò)應(yīng)用程序都有自己的一組功能和性能參數(shù)，這些功能和性能參數(shù)可能會(huì)動(dòng)態(tài)變化。由于網(wǎng)絡(luò)的多樣性和復(fù)雜性，為此類網(wǎng)絡(luò)場(chǎng)景構(gòu)建的傳統(tǒng)算法或硬編碼技術(shù)是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。

機(jī)器學(xué)習(xí)被證明在幾乎所有行業(yè)中都是有益的，因此在網(wǎng)絡(luò)行業(yè)中也是如此。機(jī)器學(xué)習(xí)可以幫助解決棘手的舊網(wǎng)絡(luò)障礙，并刺激新的網(wǎng)絡(luò)應(yīng)用程序，使網(wǎng)絡(luò)非常方便。讓我們通過幾個(gè)用例詳細(xì)討論基本工作流，以更好地了解網(wǎng)絡(luò)域中的應(yīng)用機(jī)器學(xué)習(xí)技術(shù)。

智能網(wǎng)絡(luò)流量管理

隨著對(duì)物聯(lián)網(wǎng) （IoT） 解決方案的需求不斷增長，現(xiàn)代網(wǎng)絡(luò)會(huì)產(chǎn)生海量異構(gòu)流量數(shù)據(jù)。對(duì)于這樣的動(dòng)態(tài)網(wǎng)絡(luò)，用于網(wǎng)絡(luò)流量監(jiān)控和數(shù)據(jù)分析的傳統(tǒng)網(wǎng)絡(luò)管理技術(shù)（如 Ping 監(jiān)控、日志文件監(jiān)控甚至 SNMP）是不夠的。他們通常缺乏實(shí)時(shí)數(shù)據(jù)的準(zhǔn)確性和有效處理。另一方面，由于設(shè)備移動(dòng)性和網(wǎng)絡(luò)異構(gòu)性，來自網(wǎng)絡(luò)中其他來源（如蜂窩或移動(dòng)設(shè)備）的流量相對(duì)表現(xiàn)出更復(fù)雜的行為。

機(jī)器學(xué)習(xí)有助于大數(shù)據(jù)系統(tǒng)以及大區(qū)域網(wǎng)絡(luò)中的分析，以便在管理此類網(wǎng)絡(luò)時(shí)識(shí)別復(fù)雜的模式。著眼于這些機(jī)會(huì)，網(wǎng)絡(luò)領(lǐng)域的研究人員將深度學(xué)習(xí)模型用于網(wǎng)絡(luò)流量監(jiān)控和分析應(yīng)用，如流量分類和預(yù)測(cè)、擁塞控制等。

1. 帶內(nèi)網(wǎng)絡(luò)遙測(cè)

網(wǎng)絡(luò)遙測(cè)數(shù)據(jù)提供有關(guān)網(wǎng)絡(luò)性能的基本指標(biāo)。這些信息通常很難解釋?？紤]到網(wǎng)絡(luò)中通過的大小和總數(shù)據(jù)具有巨大的價(jià)值。如果使用得當(dāng)，可以大大提高性能。

帶內(nèi)網(wǎng)絡(luò)遙測(cè)等新興技術(shù)可以幫助實(shí)時(shí)收集詳細(xì)的網(wǎng)絡(luò)遙測(cè)數(shù)據(jù)。最重要的是，在此類數(shù)據(jù)集上運(yùn)行機(jī)器學(xué)習(xí)可以幫助關(guān)聯(lián)延遲、路徑、交換機(jī)、路由器、事件等之間的現(xiàn)象。從使用傳統(tǒng)方法的大量實(shí)時(shí)數(shù)據(jù)中很難指出這一點(diǎn)。

訓(xùn)練機(jī)器學(xué)習(xí)模型以了解遙測(cè)數(shù)據(jù)中的相關(guān)性和模式。它最終獲得了根據(jù)從歷史數(shù)據(jù)中學(xué)習(xí)到的預(yù)測(cè)未來的能力。這有助于管理未來的網(wǎng)絡(luò)中斷。

2. 資源分配和擁塞控制

每個(gè)網(wǎng)絡(luò)基礎(chǔ)結(jié)構(gòu)都有一個(gè)預(yù)定義的總吞吐量。它進(jìn)一步分為不同預(yù)定義帶寬的多個(gè)通道。在這種情況下，每個(gè)最終用戶的總帶寬使用量是靜態(tài)預(yù)定義的，網(wǎng)絡(luò)的某些部分總是會(huì)存在瓶頸，其中網(wǎng)絡(luò)被大量使用。

為了避免這種擁塞，可以訓(xùn)練有監(jiān)督的機(jī)器學(xué)習(xí)模型來實(shí)時(shí)分析網(wǎng)絡(luò)流量，并以網(wǎng)絡(luò)遇到最少瓶頸的方式推斷每個(gè)用戶的適當(dāng)帶寬限制量。

此類模型可以從網(wǎng)絡(luò)統(tǒng)計(jì)信息中學(xué)習(xí)，例如每個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)的總活動(dòng)用戶數(shù)、每個(gè)用戶的歷史網(wǎng)絡(luò)使用數(shù)據(jù)、基于時(shí)間的數(shù)據(jù)使用模式、用戶跨多個(gè)接入點(diǎn)的移動(dòng)等。

3. 流量分類

在每個(gè)網(wǎng)絡(luò)中，存在各種流量，如虛擬主機(jī)（HTTP），文件傳輸（FTP），安全瀏覽（HTTPS），HTTP實(shí)時(shí)視頻流（HLS），終端服務(wù)（SSH）等?，F(xiàn)在，在網(wǎng)絡(luò)帶寬使用方面，它們中的每一個(gè)都表現(xiàn)不同，通過FTP傳輸文件。它連續(xù)使用大量數(shù)據(jù)。

例如，如果正在流式傳輸視頻，則它使用塊中的數(shù)據(jù)和緩沖方法。這種不同類型的流量在網(wǎng)絡(luò)中以無監(jiān)督的方式運(yùn)行時(shí)，可以看到一些臨時(shí)阻塞。

為了避免這種情況，可以使用機(jī)器學(xué)習(xí)分類器來分析和分類網(wǎng)絡(luò)中的流量類型。然后，這些模型可用于推斷網(wǎng)絡(luò)參數(shù)，如分配的帶寬、數(shù)據(jù)上限等，這些參數(shù)可以通過改進(jìn)所服務(wù)請(qǐng)求的調(diào)度以及動(dòng)態(tài)更改分配的帶寬來幫助提高網(wǎng)絡(luò)性能。

網(wǎng)絡(luò)安全

網(wǎng)絡(luò)攻擊數(shù)量的增加迫使組織不斷監(jiān)控和關(guān)聯(lián)整個(gè)網(wǎng)絡(luò)基礎(chǔ)設(shè)施及其用戶的數(shù)百萬個(gè)外部和內(nèi)部數(shù)據(jù)點(diǎn)。手動(dòng)管理大量實(shí)時(shí)數(shù)據(jù)變得困難。這就是機(jī)器學(xué)習(xí)的用武之地。

機(jī)器學(xué)習(xí)可以實(shí)時(shí)識(shí)別網(wǎng)絡(luò)中的某些模式和異常，并預(yù)測(cè)海量數(shù)據(jù)集中的威脅。通過自動(dòng)化此類分析，網(wǎng)絡(luò)管理員可以輕松檢測(cè)威脅并快速隔離情況，同時(shí)減少人力。

1. 網(wǎng)絡(luò)攻擊識(shí)別/預(yù)防

網(wǎng)絡(luò)行為是機(jī)器學(xué)習(xí)系統(tǒng)中用于異常檢測(cè)的重要參數(shù)。機(jī)器學(xué)習(xí)引擎實(shí)時(shí)處理大量數(shù)據(jù)，以識(shí)別威脅、未知惡意軟件和違反策略的行為。

如果發(fā)現(xiàn)網(wǎng)絡(luò)行為在預(yù)定義的行為范圍內(nèi)，則接受網(wǎng)絡(luò)事務(wù)，否則系統(tǒng)會(huì)在系統(tǒng)中觸發(fā)警報(bào)。這可用于防止多種攻擊，如DoS，DDoS和Probe。

2. 網(wǎng)絡(luò)釣魚防護(hù)

誘騙某人點(diǎn)擊看似合法的惡意鏈接，然后試圖突破計(jì)算機(jī)的防御系統(tǒng)非常容易。機(jī)器學(xué)習(xí)有助于預(yù)測(cè)可疑網(wǎng)站，以幫助防止人們連接到惡意網(wǎng)站。

例如，文本分類器機(jī)器學(xué)習(xí)模型可以讀取和理解 URL，并首先識(shí)別這些欺騙性網(wǎng)絡(luò)釣魚 URL。這將為最終用戶創(chuàng)造更安全的瀏覽體驗(yàn)。

機(jī)器學(xué)習(xí)在網(wǎng)絡(luò)中的集成不僅限于上述用例。可以在使用ML進(jìn)行網(wǎng)絡(luò)和網(wǎng)絡(luò)安全領(lǐng)域開發(fā)解決方案，通過從網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)的角度闡明機(jī)會(huì)和研究來解決未解決的問題。

審核編輯：郭婷