如何通过机器学习和人工智能实现SDN？

服务提供商眼中的SDN现状

凭借其对网络简化和新收入流的优势，软件定义网络无疑已经引起了服务提供商的强烈兴趣。该技术的核心是将物理网络功能与软件控制分离，创建开放式交换机和控制软件的生态系统，以实现快速创新和易于集成的新环境。

开放社区在为程序控制定义接口和协议方面投入了大量精力。开放式协议与开源控制器相结合，现已在许多展示中得到证明，突出了多供应商和多运营商网络中资源抽象和控制的优势。然而，尽管这一技术目前在数据中心得到广泛应用，但由于服务提供商网络的业务挑战，使用SDN技术的实时网络的情况仍然很少。

虽然标准化和稳定的接口确实是SDN广泛采用的必要先决条件，但服务提供者需要一个积极的业务案例，从人工控制转向自动化网络控制。目前，集成和维护新接口所需的额外工作以及额外的中央控制实例似乎抵消了自动化的成本优势。

对SDN的更广泛的看法

为了了解SDN的全部潜力，我们需要将重点从自动化转移到自动化操作。要全面了解网络状态、可用资源和服务需求，智能算法是值得推荐的。闭环控制最初由人控制激活，通过开放的SDN接口，闭环控制将在网络可编程的进程中得到发展。

SDN是实现基于ML和AI的高级操作方法的关键推动因素。简化对底层网络的控制应该是实现自治网络路由的第一步。如果忽视这一点将会带来巨大的损失，正如比尔盖茨所强调的：“企业使用的任何技术的第一条规则是，将自动化应用于高效操作将提高效率。其次，自动化应用于低效率的操作将降低效率。“如果没有基于模型的层次化网络抽象，网络操作的简化就不可能成功。

ML和AI的力量

有很多证据证明了深度学习和（狭义）人工智能的力量。当谷歌DeepMind的AlphaGo战胜了最好的围棋手时，专家群体对这种前所未有的游戏方式感到困惑。在诊断和治疗方面，IBM Watson的表现始终优于癌症专家。显然，在复杂程度很高和大量多样信息的情况下，人工智能可以在速度和效率上与人类竞争。

像这样的案例让服务提供商对AI抱有高度期望，他们希望AI在网络成本和运营方面起作用。下图显示了去年年底TMF的调查结果（TMF趋势分析：AI - 现在时间; 2017年12月）。供应商被问及最相关的用例。

AI还希望被应用到广域网安全性方面。各种复杂的攻击模式和零日攻击显然是人工智能的一个有趣应用。但是期望最高的领域是网络优化。

供应商在改进业务方面寄予厚望，主要是为了提高资源利用的效率。如上文所述，运营工作应建立在简化和精简的网络之上。具有开放控制和层次抽象的SDN是实现这一前提的最有希望的方法。更重要的是，应该有一个机制来快速捕获来自网络及其操作的任何有用数据。基于模型的遥测流被认为是从分散的网络有效地收集所需数据的首选方法。

用例

在我们的网络中引入人工智能是一个重大举措，它影响到网络技术，但也以一种破坏性的方式影响着运营流程。有针对性的解决已有明确定义的应用程序领域的问题是一个明智的选择。这样不仅可以获得经验，而且可以将对网络的改进方法稳定地运用到操作中并与底层网络架构保持一致。下面概述了两个实际例子，并强调了SDN的相关性。

预测性维护

服务提供者经常为触发修复过程或网络扩展定义特定的阈值。如今，决策通常基于单个数据点，例如资源利用率阈值或误码率。可是这种方法忽略了许多有用的信息。另一方面，预测性维护可全面了解网络及其所应用组件的特性。而且这种预测性维护可以在由故障导致的停机之前生成警告。。

ADVA的网络运营中心采用了这种方法，管理多个客户的网络。网络中数据是不断地被捕获的，然后再用神经网络的方法分析这些数据，因此故障组件可以在网络故障发生之前被识别出来。将AI与自动流量控制相结合，这使服务提供商能够抢先检测到受影响的接口/组件并在零停机时进行维修，即使对于网络的非冗余部分也是如此。这样可以以更具成本效益的方式开辟了设计和运营网络的新方法。

光子网络中的网络优化

设计一个光学层需要一个高技能的光子传输专家，该专家需要具有多能级调制、光纤色散和非线性以及放大光学系统的瞬态特性的知识。如果必须激活一个新的波长，则需要应用复杂的软件工具来计算性能。这使得在大型光学系统中的自动波长路由变得复杂。

机器学习开辟了解决这一问题的新途径。代替数值计算，系统行为通过由从大量网络收集的真实数据训练的神经算法来估计。事实证明，这种方法在预测光子网络中的信号性能方面是完全准确的，与自动SDN控制相结合，构建了自主操作的基础。

下图显示了智能算法预测的信号性能与实际网络数据之间的比较。随着数据集的不断增加，该方法达到了适合实时网络部署的准确度。

将AI和ML运用到网络规划，设计和运营方面我们仍处于早期阶段。预测性维护或网络优化等使用案例为降低网络成本带来了希望。SDN是闭环自动化的关键先决条件。