ネットワークにおける機械学習の実用的応用

各 Web アプリケーションには独自の機能とパフォーマンス パラメーターのセットがあり、これらは動的に変更される可能性があります。ネットワークの多様性と複雑さのため、このようなネットワーク シナリオを中心に構築された従来のアルゴリズムやハードコードされた手法は困難な作業です。

[[437667]]

機械学習は、ネットワーク業界を含むほぼすべての業界で有益であることが証明されています。機械学習は、古いネットワークの困難な障害を解決し、新しいネットワーク アプリケーションを促進し、ネットワークを非常に便利なものにするのに役立ちます。ネットワーク分野で応用された機械学習技術をより深く理解するために、いくつかのユースケースを通じて基本的なワークフローを詳しく説明しましょう。

インテリジェントなネットワーク トラフィック管理:

IoT ソリューションの需要が高まり続けるにつれて、現代のネットワークは大量の異種トラフィック データを生成します。このような動的なネットワークでは、従来のネットワーク トラフィック監視やデータ分析ネットワーク管理テクノロジ (Ping 監視、ログ ファイル監視、さらには SNMP など) だけでは不十分です。多くの場合、リアルタイム データの正確性と効率的な処理が欠けています。一方、ネットワーク内の他のソース (携帯電話やモバイル デバイスなど) からのトラフィックは、デバイスのモビリティとネットワークの異質性により、比較的複雑な動作を示します。

機械学習は、ビッグデータ システムや大規模エリア ネットワークの分析に役立ち、そのようなネットワークの管理における複雑なパターンを識別します。こうした機会を踏まえ、ネットワーク分野の研究者は、トラフィックの分類と予測、輻輳制御などのネットワーク トラフィックの監視および分析アプリケーションにディープラーニング モデルを使用しています。

1. インバンドネットワークテレメトリ

ネットワーク テレメトリ データは、ネットワーク パフォーマンスに関する重要なメトリックを提供します。この情報は解釈が難しい場合が多いです。ネットワーク内のデータ量とデータの総量を考慮すると、大きな価値があります。適切に使用すれば、パフォーマンスを大幅に向上させることができます。

インバンド ネットワーク テレメトリなどの新しいテクノロジは、詳細なネットワーク テレメトリ データをリアルタイムで収集するのに役立ちます。最も重要なのは、これらのデータセットで機械学習を実行すると、従来の方法では大量のリアルタイム データ内で特定するのが難しい遅延、パス、スイッチ、ルーター、イベントなどの現象を相関させることができることです。

機械学習モデルは、テレメトリ データの相関関係とパターンを理解するようにトレーニングされ、最終的には履歴データからの学習に基づいて将来を予測する能力を獲得します。これは、将来のネットワーク停止を管理するのに役立ちます。

2. リソース割り当てと輻輳制御

すべてのネットワーク インフラストラクチャには、利用可能な合計スループットが事前に定義されています。さらに、事前定義された異なる帯域幅の複数のチャネルに分割されます。このようなシナリオでは、エンドユーザーごとの合計帯域幅使用量は静的に事前定義されており、圧倒的に使用されているネットワークの一部には常にボトルネックが発生します。

この混雑を回避するには、教師あり機械学習モデルをトレーニングして、ネットワーク トラフィックをリアルタイムで分析し、ネットワークのボトルネックが最小限になるように各ユーザーの適切な帯域幅制限を推測します。

これらのモデルは、ネットワーク ノードごとのアクティブ ユーザーの合計数、各ユーザーのネットワーク使用状況の履歴データ、時間ベースのデータ使用パターン、複数のアクセス ポイント間のユーザーの移動などのネットワーク統計から学習できます。

3. トラフィック分類

すべてのネットワークには、Web ホスティング (HTTP)、ファイル転送 (FTP)、セキュア ブラウジング (HTTPS)、HTTP ライブ ビデオ ストリーミング (HLS)、ターミナル サービス (SSH) など、さまざまなトラフィック フローが存在します。さて、ネットワーク帯域幅の使用、つまり FTP 経由のファイル転送に関しては、これらのそれぞれが少し異なる動作をします。継続的に大量のデータを使用します。

たとえば、ビデオがストリーミングされている場合は、チャンクとバッファのアプローチが使用されます。さまざまな種類のトラフィックが監視なしでネットワークを通過すると、一時的なブロックが発生することがあります。

これを回避するには、機械学習分類器を使用して、ネットワーク内のトラフィックの種類を分析および分類します。これらのモデルは、割り当てられた帯域幅、データ上限などのネットワーク パラメータを推測するために使用でき、処理された要求のスケジュールを改善し、割り当てられた帯域幅を動的に変更することで、ネットワーク パフォーマンスを向上させるのに役立ちます。

サイバーセキュリティ:

サイバー攻撃の増加により、組織はネットワーク インフラストラクチャとそのユーザー全体にわたる何百万もの外部および内部データ ポイントを継続的に監視し、相関させる必要に迫られています。大量のリアルタイムデータを手動で管理することは困難になります。ここで機械学習が役に立ちます。

機械学習は、ネットワーク内の特定のパターンや異常を識別し、膨大なデータセット全体にわたって脅威を予測することをすべてリアルタイムで行うことができます。自動分析により、ネットワーク管理者は脅威を簡単に検出し、少ない人員で状況を迅速に隔離できます。

1. サイバー攻撃の特定・防止

ネットワークの動作は、機械学習システムにおける異常検出にとって重要なパラメータです。機械学習エンジンは大量のデータをリアルタイムで処理し、脅威、未知のマルウェア、ポリシー違反を識別します。

ネットワークの動作が事前定義された動作範囲内であることが判明した場合、ネットワーク トランザクションは受け入れられ、そうでない場合はシステムでアラートがトリガーされます。これを使用して、DoS、DDoS、プローブなどのさまざまな攻撃を防ぐことができます。

2. フィッシングを防ぐ

正当なリンクのように見える悪意のあるリンクをクリックさせ、コンピューターの防御を突破しようとするのは簡単です。機械学習は疑わしい Web サイトを予測し、悪意のあるサイトへの接続を防ぐのに役立ちます。たとえば、テキスト分類機械学習モデルは URL を読み取って理解し、偽のフィッシング URL を最初から識別できます。これにより、エンドユーザーにとってより安全なブラウジング体験が実現します。

ネットワークにおける機械学習の統合は、上記のユースケースに限定されません。ネットワークと機械学習の観点から機会と研究を明らかにすることで、ネットワークとサイバーセキュリティの分野で ML を使用して未解決の問題を解決するソリューションを開発できます。