بستن شکاف مشاهده پذیری برای شرکت های آماده هوش مصنوعی

شرکت مدرن یک شرکت دیجیتال است. از دفتر پشتی تا کف کارخانه، سیستم‌های متصل و سرویس‌های دیجیتال، ستون فقرات عملیاتی را تشکیل می‌دهند که همه چیز به آن بستگی دارد. بنابراین هنگامی که اختلال رخ می دهد، می تواند تأثیر مالی، اعتبار، بهره وری و حتی انطباق زیادی داشته باشد. این امر قابلیت مشاهده را به یک مسئله در سطح هیئت مدیره افزایش داده است. جک کالاهان، مدیر استراتژی سازمانی NETSCOUT، توضیح می دهد: "برای یک شرکت عمومی، یک حادثه سایبری مادی یک تعهد افشا است. شما از لحظه ای که مطالب آن را تعیین می کنید، در ساعت چهار روز کاری هستید."

بنابراین هنگامی که اختلالی دارید، چه حمله سایبری، یک حمله DDoS، یا کسی که به‌روزرسانی بدی را به شبکه وارد می‌کند، اولین مشکل اجرایی یکسان است: فهمیدن اینکه آیا این مشکل مادی است یا خیر. با اشاره هر تیم فنی به سمت یکدیگر، مشاهده پذیری تنها منبع حقیقتی است که سازمان ها برای شناسایی علت اصلی، تسریع در حل و فصل و بهبود قابلیت اطمینان به آن نیاز دارند. با این حال، در بسیاری از شرکت ها، تأثیر مطلوبی ندارد.

پایه داده‌ای که مدت‌هاست از معیارها، رویدادها، گزارش‌ها و ردیابی‌ها (MELT) تثبیت شده است، به خودی خود نمی‌تواند با پیچیدگی و مقیاس زیرساخت دیجیتال امروزی همگام شود. سازمان‌ها در جمع‌آوری داده‌های بیشتر، افزایش نمونه‌گیری و گسترش نگهداری پیش‌فرض عمل کرده‌اند. اما آنها بینش بهتری دریافت نمی کنند. کالاهان ادامه می‌دهد: «مدیرانی که انتظار دارند داده‌های زیادی در اختیار داشته باشند تا با آن‌ها تصمیم بگیرند، همیشه متوجه نمی‌شوند که آن داده‌ها آنقدر که می‌خواهند قطعی باشد.

و بنابراین، با توجه به اینکه چقدر خرج می‌کنند، بیشتر از آنچه که انتظار دارند اعتماد دارند.» هزینه های این بدهی قابل مشاهده در حال ایجاد است. یک مطالعه توسط NETSCOUT نشان می دهد که 81 درصد از سازمان ها معتقدند داده های ناکافی زمان حل حادثه را افزایش می دهد. بیش از دو پنجم (42 درصد) زمان از کار افتادگی را 500000 تا 999000 دلار در ساعت تخمین می زنند. این هزینه ها چه از نظر اقتصادی و چه از نظر دیگر ناپایدار هستند. برای استفاده از قدرت هوش مصنوعی مستقل در عملیات، سازمان ها به یک پایه داده نیاز دارند که بتوانند به طور ضمنی به آن اعتماد کنند.

این نیازمند یک رویکرد تازه است. از نظر اقتصادی مقرون به صرفه و مبتنی بر داده‌های مشاهده‌پذیری سازگار، جامع، غنی‌شده و در زمان واقعی است. و به گونه‌ای ارائه می‌شود که به جای جایگزینی سرمایه‌گذاری‌های قابل مشاهده موجود، تکمیل می‌شود - ارزش پلتفرم‌هایی را که قبلا در پشته سازمانی تعبیه شده‌اند، افزایش می‌دهد. در مواردی که دید با شکست مواجه می شود، داده های ذوب هنوز برای مشاهده پذیری ضروری است. اما برای عملیات پیچیده، توزیع شده و پویا امروزی طراحی نشده بود. معیارها توضیح می دهند که چیزی در طول زمان تغییر کرده است. وقایع زمانی ظاهر می شوند که چیزی تغییر کند.

گزارش‌ها به تیم‌ها می‌گویند که اتفاقی در یک زمان خاص رخ داده است. اما آنها زمینه ای را ارائه نمی دهند که توضیح دهد واقعا در یک شبکه چه اتفاقی افتاده است و چرا. ردیابی‌ها نزدیک‌تر می‌شوند، زیرا ردیابی توزیع‌شده برای دنبال کردن یک درخواست در میان سرویس‌ها ساخته شده است. اما یک ردیابی فقط آنچه را که ابزارسازی شده است نشان می‌دهد، که باعث می‌شود اجزای غیرابزاری، وابستگی‌های شخص ثالث و زیرساخت‌های موجود در بین آن‌ها نابینا شوند. و این دقیقا همان جایی است که همه چیز تمایل به فروپاشی دارد، به این معنی که زمینه آنچه واقعا اتفاق افتاده است و چرایی ثبت نشده است.

زمینه اساسا به این معناست که بتوان یک زنجیره واحد، کامل و منظم از رویدادها را در سیستم‌های مختلف بازسازی کرد - از جمله اینکه چه چیزی یک رویداد را شروع کرد، چگونه منتشر شد و در هر مرحله چه اتفاقی افتاد. اینجاست که تکنیک‌های مشاهده‌پذیری فقط ذوب اغلب با شکست مواجه می‌شوند. مهرهای زمانی می توانند در سیستم های مختلف ناسازگار باشند. ممکن است شناسه ها در سراسر مرزهای معماری حفظ نشوند. نمونه برداری و تجمیع جزئیات حیاتی مورد نیاز برای بازسازی را حذف می کند. و داده ها ممکن است در ابزارهای مختلف با طرحواره های ناسازگار ذخیره شوند.

تحقیقات نشان می‌دهد که ۹۶ درصد سازمان‌ها از معیارها و گزارش‌ها استفاده می‌کنند، با این حال ۸۲ درصد شکاف‌های دید را گزارش می‌کنند و تقریبا همه (۹۶ درصد) فاقد اطلاعات کافی برای تعیین علت اصلی در طول حوادث هستند. آنها تمایل دارند در جایی که سیستم ها به هم می رسند، مانند بین محل و ابر (58 درصد)، لبه (51 درصد)، یا در تعاملات سرویس به سرویس (39 درصد) دیده شوند. هوش مصنوعی چالش را تشدید می کند این مسائل در زمینه هوش مصنوعی جدی تر می شوند. سازمان‌ها در حال حاضر عملیات‌های مبتنی بر هوش مصنوعی را برای بهبود کارایی، تصمیم‌گیری و تجربیات مشتری پذیرفته‌اند.

اما زمانی که سیستم‌ها به طور مستقل شروع به کار می‌کنند، تصمیم‌گیری می‌کنند و با سرعت ماشین اقدام می‌کنند، برای تولید نتایج قابل اعتماد به داده‌های درجه پزشکی قانونی با زمینه وفاداری بالا نیاز دارند. این به معنای رکوردهای پیوسته و نمونه برداری نشده است که تعاملات سیستم را در بین محیط ها حفظ می کند. سطوح بالاتر استقلال مستلزم سطوح بالاتری از اطمینان در داده های شبکه است. اما تله‌متری می‌تواند وفاداری خود را از طریق نمونه‌گیری و انتزاع از دست بدهد - تکنیک‌های رایجی که در MELT برای مدیریت حجم بالای داده استفاده می‌شود.

داده های ناقص و تکه تکه شده می تواند منجر به همبستگی نادرست، ابهام در مورد علت اصلی، خروجی های ناسازگار و اعتماد بیش از حد به سیگنال های جزئی شود. کالاهان می گوید: "یک عامل قرار نیست از هوش انسانی برای عیب یابی یک مشکل استفاده کند. بلکه بر اساس داده هایی که دارد تصمیم می گیرد." بنابراین اگر داده‌های جزئی، دوره‌ای یا نمونه‌برداری شده را به آن می‌دهید، در معرض خطر افزایش سریع این عدم قطعیت هستید. این چالشی است که بسیاری از سازمان ها به تازگی از خواب بیدار می شوند.

با توجه به NETSCOUT، تنها 41 درصد بینش های به کمک هوش مصنوعی را "بسیار یا بسیار سازگار" توصیف می کنند. سهم مشابه (38 درصد) اعتراف به کمبود داده های درجه پزشکی قانونی برای تأیید اقدامات خودکار است. حدود 29 درصد می گویند که دید در زمان واقعی در محیط ها ندارند و 28 درصد به طور کامل به خروجی اتوماسیون اعتماد ندارند. بستن شکاف مشاهده پذیری یک رویکرد بهتر ایجاد قابلیت مشاهده حول داده های MELT غنی شده برای فراهم کردن زمینه مورد نیاز تیم های فناوری اطلاعات است، اما بدون نفخ که هزینه اضافی ناپایدار اضافه می کند.

این با داده های بسته شروع می شود: رکورد معتبر از آنچه در واقع از شبکه عبور کرده است. این امکان مشاهده تراکنش ها، وابستگی ها و تعاملات (مبتنی بر انسان و ماشین) را در سراسر اکوسیستم فناوری اطلاعات فراهم می کند. با استفاده از تکنیک‌های بازرسی بسته عمیق (DPI)، این دید را می‌توان به ابرداده‌ای تقطیر کرد که با اضافه شدن به MELT، چیزی را تولید می‌کند که NETSCOUT آن را «MELT+» می‌نامد. خدمات دیجیتال از طریق مبادلات بین اجزای آنها قابل مشاهده می شود.

داده‌های هوشمند NETSCOUT آن تعاملات مشاهده‌شده را به شواهدی در سطح تراکنش تبدیل می‌کند: اینکه آیا ارتباط موفق بوده است، چگونه تراکنش انجام می‌شود، کجا تاخیر یا شکست ظاهر می‌شود، کدام سرویس‌ها تحت تأثیر قرار می‌گیرند و، زمانی که زمینه هویت در دسترس است، کاربرانی که تأثیر را تجربه کرده‌اند. استیو هورنمن، مدیر بازاریابی میدانی NETSCOUT، توضیح می‌دهد که این امر به تیم‌های عملیات و سیستم‌های هوش مصنوعی مبنای کامل‌تر و قابل اعتمادتری برای درک آنچه واقعا اتفاق افتاده است، می‌دهد.

NETSCOUT فعل و انفعالات بین آن مؤلفه ها را مشاهده می کند و در هنگام وقوع فعالیت از آنها معنا می سازد. با استخراج بستر اولیه، از ترافیک مشاهده شده مستقل به جای تکیه بر آنچه که سیستم‌ها گزارش می‌کنند، ما به پلتفرم‌های عملیات و هوش مصنوعی گزارشی منسجم‌تر از نحوه عملکرد یک سرویس دیجیتال ارائه می‌دهیم. این تفاوت بین جمع آوری تله متری بیشتر و ایجاد شواهدی است که می تواند یک تصمیم مطمئن را پشتیبانی کند." یک مورد مزیت این رویکرد را نشان می دهد.

یک تولید کننده محصول متوجه شد که مشکلات اتصال بی سیم باعث می شود وسایل نقلیه هدایت شونده خودکار (AGV) در تاسیسات جهانی خود از کار بیفتند و برای شرکت 500000 دلار در ساعت هزینه از دست دادن بهره وری را به همراه داشته باشد. قطعی ها تقریبا هر سه هفته یکبار اتفاق می افتاد. تله متری روباتیک موجود نتوانست علت اصلی را پیدا کند. اما هنگامی که NETSCOUT وارد شد، منبع مشکل مشخص شد و یک مدل نظارت فعال اتخاذ شد که خرابی های AGV را در عرض چند ثانیه شناسایی می کند. عیب‌یابی از ساعت به دقیقه کاهش یافت و سالانه ده‌ها میلیون دلار برای شرکت صرفه‌جویی کرد.

هورنمن ادامه می دهد که مزایای MELT+ فراتر از قطعی ها و حوادث عملیاتی به امنیت سایبری گسترش می یابد. "ارزش استراتژیک فراتر از قابلیت مشاهده است. همان شواهد تعامل مشاهده شده مستقل می تواند از اطمینان عملیاتی در محیط شرکت پشتیبانی کند، رفتار سرویس به سرویس و حرکت جانبی بالقوه را در داخل نشان دهد، و به عملیات، امنیت و سیستم های هوش مصنوعی یک پایه شواهد مشترک بدهد. به جای اینکه هر تیم نسخه متفاوتی از رویدادها را تفسیر کند، آنها می توانند از همان واقعیت مشاهده شده استدلال کنند."

NETSCOUT محاسبه می‌کند که سازمان‌هایی که داده‌های ترافیک شبکه را معتبر تلقی می‌کنند، تقریبا سه برابر بیشتر احتمال دارد که شکاف‌های دید را به ندرت گزارش کنند (50 درصد در مقابل 18 درصد). این سطح از بینش نسبت به آنچه در شبکه اتفاق می افتد است که همان اطلاعات مشتق شده از بسته را برای تیم های تجزیه و تحلیل پزشکی قانونی ارزشمند می کند. کالاهان می‌گوید: «زمانی که یک مهاجم امتیاز میزبانی را داشته باشد، تله‌متری که میزبان در مورد خودش ایجاد می‌کند در دسترس است. مهاجمان پیچیده حرکت جانبی را دقیقا به همین شکل پنهان می کنند.

کاری که آنها نمی توانند انجام دهند این است که به عقب برگردند و بسته هایی را که قبلا از شبکه عبور کرده اند تغییر دهند. این یک سطح بالاتر از صحت و یک نمای کامل تر است.» هنگامی که ابرداده هوشمند است، رویکرد NETSCOUT از DPI برای مشاهده بسته‌های زنده و بدون نمونه به طور مستقیم از شبکه استفاده می‌کند و سپس آن را با استفاده از Adaptive Service Intelligence (ASI) به ابرداده با وفاداری بالا تبدیل می‌کند. این برای مقابله با چالش‌های اصلی MELT سنتی طراحی شده است: مقیاس، کارایی، هزینه و غنای داده.

NETSCOUT به جای نظارت بر هر برنامه یا سرور، ترافیک را از نقاط استراتژیک در شبکه مشاهده می کند و حجم تله متری، هزینه جذب و پیچیدگی را کاهش می دهد. این داده های بسته را به داده های هوشمند تجزیه و تحلیل و تقطیر می کند، ابرداده های تولید شده در نقطه ضبط، که حجمی را که باید جابجا، ذخیره یا نگهداری شود کاهش می دهد. چیزی که مشتریان دریافت می‌کنند رویکردی است که مکمل MELT است، اما از نظر اقتصادی پایدارتر است، داده‌های کامل‌تر و مشتق‌شده از شبکه را تولید می‌کند و برای کاهش بیشتر TCO به پلتفرم‌های مشاهده‌پذیری موجود تغذیه می‌کند.

همچنین آنچه را که شرکت تحلیلگر Futurum به عنوان پایه و اساس حیاتی برای عملیات مستقل هوش مصنوعی توصیف می کند، ارائه می دهد. داده هایی که رفتار شبکه قابل تایید و تعاملات مشاهده شده را به جای انتزاع ها ثبت می کنند. داده‌هایی که دید جامع را بدون توجه به اینکه آیا برنامه‌های کاربردی جداگانه ابزارسازی شده‌اند، و نمای کامل بدون شکاف‌های نمونه را تضمین می‌کند. و در بین تیم‌های مشاهده‌پذیری، امنیتی و عملیاتی سازگار است، در حالی که توالی و علیت را در سراسر مرزهای سرویس نشان می‌دهد.

کالاهان می گوید: «MELT به تنهایی پایه داده کافی برای اجرای AIOps نخواهد بود. ما می‌توانیم داده‌ها را با زمینه‌های بیشتری که در مراحل اولیه به آن نیاز دارید تولید کنیم، و بنابراین داده‌های غنی‌تری به پلتفرم‌های شما سرازیر می‌شوند.» تازه شروع به کار علیرغم مزایای آشکار رویکردهای MELT+، داده‌های NETSCOUT نشان می‌دهد که تنها 11 درصد از سازمان‌ها با داده‌های شبکه با وفاداری کامل به عنوان معتبر برخورد می‌کنند. برای CIOهایی که مایل به تغییر این آمار هستند، اولین گام ارزیابی داده‌های مشاهده‌پذیری فعلی آنها با پنج معیار کلیدی است که توسط NETSCOUT COO، Sanjay Munshi به اشتراک گذاشته شده است.

باید جامع باشد؛ پوشش هر ابر، سرویس، برنامه، شبکه یا فروشنده. باید تنظیم شود؛ با فیدهای هدفمند بهینه شده برای ذخیره سازی و هزینه. باید در ارائه زنجیره ای از تعاملات قابل تأیید که نشان می دهد خدمات، برنامه ها و کاربران در زمینه چگونه رفتار می کنند معتبر باشد. باید در همه موارد استفاده سازگار باشد. و باید بینش پیوسته در زمان واقعی نسبت به داده های در حال حرکت ارائه دهد. «اگر برای کاهش هزینه MELT خود بهینه‌سازی می‌کنید، کاری که انجام می‌دهید نیز کاهش زمینه‌ای است که تیم‌ها و نمایندگان برنامه شما دارند.

اما دیگر لازم نیست یکی را قربانی کنید تا دیگری را به دست آورید، کالاهان نتیجه می گیرد. «اگر نگران هزینه های تله متری هستید. اگر نگران داشتن داده هایی هستید که برای تصمیم گیری در لحظه یا گزارش انطباق نیاز دارید. اگر می‌خواهید بفهمید چگونه خلبان‌های هوش مصنوعی خود را به سمت تولید سوق دهید: ما می‌توانیم کاری را که در حال حاضر در پلتفرم‌هایی که هر روز استفاده می‌کنید انجام می‌دهید، تقویت کنیم.» با حمایت NETSCOUT