Qu’est-ce que l’analyse de réseau?

La DPI de certains flux de trafic est une source de données très riche pour l’analyse de réseau. Une analyse de ce trafic à l’aide de techniques telles que la reconnaissance des applications par le réseau (NBAR) et la visibilité et le contrôle de l’application définis par logiciel (SD-AVC) permet de discerner les protocoles de communication utilisés.

Les moteurs d’analyse peuvent utiliser ces informations de différentes manières, comme la définition automatique des paramètres de qualité de service (QoS) ou le profilage des points d’extrémité.

La télémétrie en continu réduit les retards dans la collecte des données. La télémétrie fournit des informations sur tout, des simples numéros de flux de paquets aux paramètres de performance complexes et spécifiques à l’application. Les systèmes qui peuvent diffuser plus de télémesures, provenant de plus de sources et concernant plus de variables de réseau, donnent au moteur d’analyse un meilleur contexte pour prendre des décisions.

Le contexte est un autre facteur important pris en compte par un moteur d’analyse. Le contexte fait référence aux circonstances spéciales dans lesquelles une anomalie de réseau se produit. La même anomalie dans des conditions différentes peut exiger des mesures correctives très différentes, de sorte que le moteur d’analyse doit être programmé avec les nombreuses variables relatives aux contextes, comme le type de réseau, le service et l’application.

D’autres contextes peuvent inclure l’interférence sans fil, la congestion du réseau, la duplication des services et les limitations des périphériques.

L’intelligence artificielle simule la prise de décision intelligente dans les ordinateurs. De nombreuses sources confondent l’intelligence artificielle avec l’apprentissage automatique (ML); l’apprentissage automatique est un sous-ensemble des nombreux types d’applications qui résultent du domaine de l’intelligence artificielle.

En savoir plus

L’utilisation du ML peut améliorer les moteurs d’analyse. Avec le ML, les paramètres de l’organigramme décisionnel peuvent être améliorés en fonction de l’expérience (apprentissage cognitif), de la comparaison entre pairs (apprentissage normatif) ou de régressions mathématiques complexes (établissement d’une base de référence).

Le ML permet d’accroître considérablement la précision des informations et des mesures correctives, car il modifie les organigrammes décisionnels pour répondre aux conditions spécifiques de la configuration d’un réseau, de son matériel et de ses logiciels installés, ainsi que de ses services et applications.

Dans les cas où un moteur d’analyse ne dispose pas d’assez d’informations pour identifier sans équivoque les points d’extrémité, il peut utiliser le ML pour regrouper les points d’extrémité ayant des caractéristiques similaires. Ces algorithmes de regroupement prennent en compte la distance entre les membres du groupe, les zones de densité de l’espace de données et d’autres facteurs lors du regroupement des objets, un peu comme le ferait un être humain. Dans de nombreux cas, les algorithmes se regroupent de manière plus cohérente et dans beaucoup plus de dimensions que ce qui serait possible pour un être humain. Ces groupes peuvent être utilisés par les administrateurs pour lever toute ambiguïté et établir un profil précis des points d’extrémité.

Le ML est un sous-ensemble de l’IA, puisqu’il donne aux moteurs d’analyse la capacité d’apprendre et de s’améliorer automatiquement à partir de l’expérience sans être explicitement programmé.

Blogue : Au-delà du mot à la mode

Lorsque les moteurs d’analyse sont programmés pour raisonner par étapes logiques, on obtient un MR. Cette capacité peut permettre à un moteur d’analyse de parcourir un certain nombre de décisions complexes pour résoudre un problème ou une requête complexe.

Grâce au MR, l’analyse peut comparer plusieurs résultats possibles et déterminer un résultat optimal, en utilisant le même processus qu’un être humain. Ceci est un complément important au ML.