ネットワークにおける機械学習の実際の応用

インターネット接続の需要が急速に高まっているため、企業にはネットワーク インフラストラクチャ、パフォーマンス、その他の重要なパラメータを改善するプレッシャーがかかっています。ネットワーク管理者は、複数のネットワーク アプリケーションを実行するさまざまな種類のネットワークに常に直面しています。各 Web アプリケーションには独自の特性とパフォーマンス パラメーターのセットがあり、これらは動的に変化す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 シナリオ向け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を使用することは困難な作業です。

機械学習はほぼすべての業界で有益であることが証明されており、ネットワーク業界も例外ではありません。機械学習は、困難なネットワークの問題を解決し、新しいネットワーク アプリケーションの採用を促進し、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。以下では、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できるように、基本的なワークフローといくつかのユースケースについて詳しく説明します。

インテリジェントなネットワークトラフィック管理

モノのインターネット (IoT) ソリューションの需要が高まるにつれ、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、ネットワーク トラフィックの監視やデータ分析 (ping 監視、ログ ファイル監視、さらには SNMP など) のための従来のネットワーク管理手法では不十分です。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 (セルラー デバイスやモバイル 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。

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。ネットワークの規模とネットワークを通過するデータの総量を考えると、データを分析することには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、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。従来の方法では、大量のリアルタイムデータからこれらの現象を指摘することは困難です。

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ます。これらのアルゴリズムは、最終的には過去のデータから学習し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。

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が静的に事前定義されている場合、ネットワークの使用頻度が高い特定の部分でボトルネックが発生する可能性があります。

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、ネットワークで発生するボトルネックを最小限に抑える方法で各ユーザーに適切な帯域幅を推測できるようにします。

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。

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。ネットワーク帯域幅の使用に関しては、それぞれ動作が異なります。たとえば、FTP 経由でファイルを転送すると、転送中は大量のデータが継続的に使用されます。

もう 1 つの例としては、ビデオがストリーミングされる場合、チャンキングとバッファリングのアプローチが使用されます。これらの異なるタイプのトラフィックが監視なしでネットワークを使用することが許可されると、一時的な輻輳が発生します。

これを回避するには、機械学習分類器を使用して、ネットワークを通過するトラフィックの種類を分析および分類することができます。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ます。これにより、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ことができます。

サイバーセキュリティ

サイバー攻撃の増加により、企業はネットワーク 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。この種の分析を自動化することで、ネットワーク管理者は、多大な手作業を必要とせずに、脅威を簡単に検出し、状況を迅速に隔離できます。

サイバー攻撃の特定と予防

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、セキュリティ 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ます。それ以外の場合は、システムでアラームがトリガーされます。これを使用して、DoS、DDoS、プロービングなどのさまざまな攻撃から保護できます。

フィッシングの防止

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するように誰かを騙し、収集した情報を使用して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 サイトにフラグを立て、ユーザーが誤って悪意のあるサイトに接続するの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両方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に機械学習を使用して未解決の問題に対処する分野でソリューションを開発できます。