ネットワーク分析とは

特定のトラフィックフローの DPI を行えば、ネットワーク分析用の豊富なデータソースが得られます。Network Based Application Recognition（NBAR）や Software-Defined Application Visibility and Control（SD-AVC）などの手法を使用してこうしたトラフィックを分析すると、使用されている通信プロトコルを識別できます。

分析エンジンでは、Quality of Service（QoS）パラメータの自動設定やエンドポイントのプロファイリングなど、さまざまな方法でこのような情報を使用できます。

ストリーミングテレメトリは、データ収集の遅延を減らします。テレメトリは、シンプルなパケットフローの数から複雑なアプリケーションに固有のパフォーマンスパラメータまで、あらゆることについての情報を提供します。より多くのソースから、より多くのネットワーク変数に関するより多くのテレメトリをストリーミングできるシステムは、判断を下すための優れたコンテキストを分析エンジンにもたらします。

分析エンジンで考慮されるもう 1 つの重要な要素として、コンテキストが挙げられます。コンテキストは、ネットワークの異常が発生する特定の状況を表します。異なる状況で同じ異常が発生すると、まったく違った修復が必要になる可能性があるため、分析エンジンは、ネットワークタイプ、サービス、アプリケーションといったコンテキストの多くの変数を使用してプログラミングする必要があります。

その他のコンテキストとしては、ワイヤレス干渉、ネットワーク輻輳、サービス重複、デバイス制限などがあります。

人工知能は、コンピュータのインテリジェントな判断をシミュレーションします。人工知能と機械学習（ML）は多くの情報源で混同されていますが、機械学習は人工知能の分野から生じた多種多様なアプリケーションの一部です。

詳細を見る

ML を使用すれば分析エンジンを強化できます。ML なら、経験（認知学習）、ピア比較（規範的学習）、または複雑な数学的回帰（基準設定）に基づいて意思決定ツリーのパラメータを改善できます。

ML は、洞察と修復の精度を大幅に向上させます。ML により、ネットワークの構成、設置/インストールされているハードウェアとソフトウェア、およびサービスとアプリケーションの特定の状況に合わせて意思決定ツリーが変更されるためです。

エンドポイントを明確に特定するための十分な情報がない場合、分析エンジンは ML を使用して同じような特性を持つエンドポイントをグループ化することがあります。このようなクラスタリングアルゴリズムは、オブジェクトをクラスタリングするときに、人間のようにクラスタメンバー間の距離やデータスペースの高密度エリアなどの要素を考慮します。多くの場合、このアルゴリズムは、人間が可能なレベルよりも一貫して、広い範囲でクラスタリングを行います。このようなクラスタは、管理者が曖昧さをなくしてエンドポイントを正確にプロファイリングするために使用できます。

ML は AI の一部であり、明示的にプログラミングしなくても自動的に経験から学習して改善を図ることができる能力を分析エンジンにもたらします。

ブログ：バズワードの枠を超えたテクノロジー

論理的な手順で推論するように分析エンジンをプログラミングすれば、MR が実現されます。この機能により、分析エンジンは、数多くの複雑な判断を経て問題や複雑なクエリを解決できるようになります。

MR を使用すれば、人間と同じプロセスで分析を行って考えられる複数の成果を比較し、最適な結果を導き出すことができます。これは、ML を補完する重要な要素です。