研究表明SD-WAN需要一定数量的AIOps才能实现自动化

随着供应商希望简化操作，降低成本并优化现代云时代的WAN性能，AIOps极大地推动了软件定义的WAN（SD-WAN）。

SD-WAN将网络的控制方面与硬件分离，以创建虚拟化的网络覆盖，而AIOps将机器学习和数据分析应用于IT运营以实现流程自动化。两者的融合-就是人工智能驱动的WAN-有望开创WAN网络的新时代，使IT部门不仅可以优化网络和应用程序体验，还可以为单个用户提供最佳体验。

在过去五年中，SD-WAN一直是网络领域最热门的领域之一。WAN迫切需要演进，而随之而来的是SD-WAN。它为网络带来了更大的灵活性，并使组织能够利用低成本的互联网代替成本更高的电信宽带服务。另外，SD-WAN通过自动故障转移提高了网络弹性。在“万物互联”的时代，网络正常运行时间对于保持业务运营至关重要。

SD-WAN的普及在2020年之前已经很强劲，而发生的疫情加快了普及。在2020 ZK Research Anywhere研究中，有46％的受访者表示，疫情加速了他们的SD-WAN部署。

尽管应用迅速，但是SD-WAN并不能解决所有网络问题。网络操作（定义的软件或其他方法）面临的挑战是策略配置以及持续的管理和故障排除是人工完成的。所有SD-WAN供应商都通过零接触配置在简化部署方面做得很好，但是只能解决零日运营问题。一旦网络启动并运行，查找WAN中断源的过程仍然是一项工作，需要大量的手动繁重工作。如果没有用于智能事件关联的自动模型，则跨LAN，WLAN和WAN域隔离问题的难度将成倍增加，并且几乎是不可能的。

在某些方面，SD-WAN加剧了故障排除问题。它通过多路径网络为网络增加了一定程度的弹性，可以隐藏中断。这会导致网络操作仪表板可以显示所有内容均为“绿色”，但应用程序性能较差的情况。随着视频的兴起，网络性能问题变得异常明显，它们使网络工程师不断争先恐后地尝试解决问题。

这是人工智能可以发挥作用的地方。人工智能系统可以摄取网络基础设施（LAN、WLAN和WAN）提供的大量数据，以“查看”即使最精明的网络工程师也看不到的东西。当网络相当简单且流量较低时，经验丰富的网络专业人员就有可能“了解”网络，并通过结合领域知识和对流量的快速检查来快速找到问题的根源。但是随着设备数量，应用程序和信息量的猛增，今天情况并非如此。最大的变化之一是，定期轮询数据已被实时流式遥测技术取代，该技术将数据增加了一个数量级或更多。

人工智能系统甚至可以看到网络中的最小变化，并预测人眼无法识别的事物。一个很好的类比是在放射医学领域如何使用人工智能。人工智能系统可以检测MRI中最小的异常情况，从而使医生能够比没有人工智能的患者更早地治疗患者。网络专业人员也是如此。人工智能系统会发现网络中的小问题，这些小问题可能会导致应用程序出现异常情况，最终用户不会注意到这些问题，但稍后会引起更大的问题。网络工程师可以使用人工智能系统的输出来在问题影响业务之前主动解决问题，即自动驾驶网络。

关于人工智能计划，数据科学家使用了一个公理，指出“好的数据可以带来好的见解”。这当然是正确的，但是部分数据导致部分洞察也确实是这样，这可能是人工智能驱动的WAN产品的局限性之一。更具体地说，如果解决方案只看网络而没有理解对实际用户体验和应用程序的影响，那么它就失去了很大一部分。如果存在多个网络问题，则应优先考虑那些影响关键应用程序和/或用户的问题。如果某些问题根本不影响应用程序性能，则可以将这些问题放到后燃器上，并在以后修复。

此外，如果解决方案仅看到WAN数据而未将其与网络的其他区域（即LAN和WLAN）相关联，则可能导致效率低下，从而增加网络成本。更糟糕的是，这可能导致有关网络性能问题以及如何解决这些问题的错误假设或结论。在这方面，需要从整体上看待人工智能驱动的WAN，这是人工智能驱动的网络更大端到端故事的关键部分。

AIOps是SD-WAN演进的关键，它为网络的关键部分带来了急需的自动化和洞察力。但是，人工智能驱动的WAN不能在真空中部署，而必须超出网络范围才能在应用程序和用户级别提供有意义的见解和操作。这不仅可以改善网络性能，降低成本，还可以确保用户的生产力和客户服务水平保持较高水平。