Llegamos a ustedes gracias a:



Reportajes y análisis

Análisis predictivo: Su clave para evitar fallas en la red

[06/10/2017] La identificación y localización de fallas de red y problemas de rendimiento potenciales ha sido durante mucho tiempo una cuestión de conjeturas educadas, pero una generación emergente de herramientas de análisis predictivo promete traer mayor precisión a las predicciones fiables de la red. Incluso antes de que empiecen a afectar las operaciones de red.

La analítica predictiva es un cambio de juego, que le da a los CIO la capacidad de ver literalmente hacia el futuro. "Hay una creciente necesidad de que las redes se adapten a las demandas de aplicaciones dinámicas, así como que se dirijan dinámicamente a eventos especiales, estacionalidad y así sucesivamente", señala Diomedes Kastanis, director de tecnología e innovación de Ericsson. "Aunque tenemos muchos sistemas de automatización y reglas para administrar y operar redes, todavía no es suficiente para hacer frente al intenso entorno cambiante y adaptarse proactivamente a las demandas cambiantes".

El choque con lo nuevo

La analítica predictiva, que incorpora procesos como el aprendizaje automático (ML) y la inteligencia artificial (AI), son conceptos relativamente nuevos para muchos CIOs. "Se necesita tiempo para mostrarle una nueva tecnología al mercado empresarial y todavía se están dando los primeros pasos en ello", señala Brian Soldato, director senior de la firma de investigación de seguridad cibernética NSS Labs. "La mayor parte de la adopción está ocurriendo entre plataformas de seguridad y tecnologías de punto final que tienen análisis predictivo como característica".

El análisis predictivo ha mejorado significativamente en los últimos años, gracias a los avances en AI y campos relacionados. "Las previsiones basadas en datos de series temporales, como los registros de redes, son cada vez más precisos y por lo tanto más útiles", anota Chris Nicholson, CEO de Skymind, desarrollador de AI que apoya el marco de aprendizaje profundo de código abierto Deeplearning4j. "El nivel de precisión depende de la calidad del conjunto de datos", señala. "En algunos problemas, el aprendizaje profundo puede lograr un aumento de dos dígitos en la precisión".

Kastanis añade que Ericsson está en el proceso de investigar la optimización analítica predictiva en sus redes. "Actualmente estamos experimentando con tecnologías de vanguardia como el aprendizaje profundo, la teoría de la decisión y el razonamiento semántico con diferentes socios tecnológicos que son los mejores de su clase en diferentes componentes de la IA", señala.

Gianluca Noya, líder en implementación y análisis de redes digitales en Accenture, concluye que ahora es posible predecir futuros comportamientos de red, como la demanda y la experiencia de servicio, con más del 95% de precisión, requiriendo un historial de solo cinco veces el lapso de la predicción. "En otras palabras, para predecir los datos para el próximo mes, se necesitan cinco meses de datos históricos", señala el ejecutivo.

Los avances en el poder de cálculo y el almacenamiento distribuido han abierto el camino al uso sin restricciones de los datos de red a nivel de paquete, pero la mayoría de los operadores de red no han podido aprovechar al máximo este recurso potencialmente poderoso, añade Noya. "Vemos muchos ensayos iniciales con inversión en habilitadores tecnológicos, pero frecuentemente estas iniciativas son frustradas por la falta de un enfoque holístico tomando en cuenta el efecto transformador de la adopción de modelos operativos basados en datos", señala.

Anticipando los requerimientos de capacidad

Obtener una sólida gestión de las necesidades futuras de capacidad de la red es un problema de análisis predictivo relativamente simple, señala Steven Toy, director senior de tecnología de la información de SAS. "Calcula la métrica que le interesa medir, captura los datos de la capacidad de la red y luego los compara", añade. Digamos que una organización, por ejemplo, quiere mejorar sus circuitos cuando alcanza el 75% de su capacidad. "Reúna los datos durante varios meses y pronostique dónde estará en tres o cuatro meses -aproximadamente el tiempo que toma para proveer nuevos circuitos", anota Toy. "Cuando su análisis demuestre que estará en un 75% en tres o cuatro meses, inicie el proceso de adquisición".

Los algoritmos predictivos pueden aplicarse contra el tráfico, el servicio, el dispositivo y el comportamiento del usuario, esencialmente extendiendo las actividades estándar de planificación estadística de la red para cubrir muchas más dimensiones de rendimiento de redes y tecnología, indica Noya. "En la actualidad, el enfoque de planificación de la capacidad se basa en KPIs de referencia de rendimiento que están certificados por los proveedores de tecnología y con el apoyo del diseño de ingeniería", señala. "La aplicación de algoritmos de aprendizaje AI/aprendizaje automático permite mejorar este enfoque con un proceso de aprendizaje continuo para mejorar el rendimiento más allá de lo que sería posible si se utilizan KPIs estáticos".

Garantizar el rendimiento y la calidad

"En el caso de los problemas de rendimiento y calidad de la red, los algoritmos de predicción ayudan a manejar múltiples dimensiones del análisis, y decidir qué eventos tienen el mayor impacto en los resultados", comenta Noya. El aprendizaje profundo puede ser una herramienta particularmente útil para optimizar la calidad del rendimiento de la red. "Cuando se tiene un conjunto de datos que incluye los registros de eventos que desea predecir, puede entrenar una red neuronal de profundidad sobre esos datos", indica Nicholson. Si la red profunda está capacitada adecuadamente, puede predecir con exactitud cuándo podrían ocurrir esos eventos. "Cuando los problemas de capacidad (por ejemplo) se pueden predecir con exactitud, puede actuar preventivamente para reequilibrar la carga de la red y el suministro de la red con más capacidad", explica.

De acuerdo con Toy, el rendimiento de la red y los problemas de calidad son similares a los problemas de fabricación. "Cuantos más datos tenga sobre el proceso de fabricación, y mientras más información tenga sobre los problemas que llegan a los centros de reparación, más fácilmente se puede predecir el fracaso", señala. Es más o menos lo mismo para los problemas de red, añade. "Predecir las fallas y problemas de rendimiento en el borde y en el centro de su red mediante la previsión de las tasas de error, predecir la falla de los componentes basados en registros, y tomar medidas antes de que el problema se note".

El análisis predictivo también puede examinar las tendencias en los patrones de tráfico de datos basado en el tipo de uso y proporcionar una alerta temprana cada vez que descubre posibles problemas. "Por ejemplo, el tráfico de baja prioridad en tiempo real que utiliza UDP (User Datagram Protocol) comenzará a ver los problemas de rendimiento antes de que se vea afectado el tráfico de prioridad más alta", señala Atif Mir, CIO y líder de asesoría de infraestructura de redes de la firma de servicios profesionales KPMG. "Una buena herramienta y con poder de análisis predictivo puede predecir el impacto y, de ser autorizado, puede hacer cambios para evitar este impacto", explica.

Seguridad proactiva

La mayoría de las redes están aseguradas a través de firewalls que soportan detección de intrusiones y el análisis de paquetes. Sin embargo, los atacantes son cada vez más inteligentes y más hábiles. "Los malos actores de hoy en día son mucho más sofisticados y, a veces se organizan y son patrocinados como una empresa", anota Mir. "Defender proactivamente la red requiere un enfoque muy diferente y el análisis predictivo es uno de ellos".

El análisis predictivo permite que las plataformas de análisis de seguridad reconozcan el comportamiento anómalo de sistemas, dispositivos y/o usuarios. "Esto viene a llenar un hueco muy necesario", señala Soldato. "Con NGFW (firewalls de próxima generación) y la tecnología de punto final, el análisis predictivo identifica de forma proactiva posibles amenazas de día cero mediante el reconocimiento de lo que un archivo debe o no debe hacer en términos de la forma en que se comporta cuando se descarga y se ejecuta, o incluso simplemente en cómo es salvado".

La mitigación del riesgo de amenazas internas y la rápida detección de fallos de seguridad son más importantes que nunca, y el análisis predictivo puede proporcionar pistas que escapan a los observadores humanos. "El análisis predictivo, junto con los datos NetFlow o sFlow, pueden ayudar a sopesar el riesgo de dispositivos de la red (incluidos los usuarios finales) y predecir cuáles están en mayor riesgo", indica Toy. El costo de una violación a la red es típicamente varios millones de dólares, señala Toy. "Cuanto más rápido se puede detectar y corregir el incumplimiento, habrá menor costo y no impactará en la reputación de la empresa".

Controlar los costos

La comparación de las estructuras de precios de red se complica cuando están disponibles múltiples alternativas técnicas. "Las redes definidas por software (SDN, por sus siglas en inglés), cuando se combinan con el análisis predictivo, pueden ayudar a simplificar la previsión y ajustar los costos de red", señala Mir.

"Las plataformas analíticas que han implementado análisis predictivo pueden ayudar a los costos de red pronóstico debido a que tienen la capacidad de ingerir y procesar grandes cantidades de datos de la red", indica Soldato. El análisis predictivo es una tecnología de previsión proactiva con la plataforma que permite a las empresas la visibilidad de cómo se verá el uso, rendimiento y la calidad de la red en meses e incluso un par de años en el futuro. "A su vez, esto ayuda a la empresa a preparar y pronosticar mejoras en su red, nuevos dispositivos y personal", señala

Como requisito previo para la predicción del costo de la red, es necesaria la construcción de bases de imputación de la red que permiten la atribución de costos, tanto los gastos de capital (CAPEX) y los gastos de operación (OPEX), a los servicios técnicos específicos o productos del cliente final, señala Noya. "Este es un proceso difícil para los operadores convergentes, donde los elementos de red soportan múltiples de productos y servicios, pero en última instancia es necesario para comprender con precisión el costo total de propiedad para el producto y servicio", añade. El inventario de la red también debe corresponder con el catálogo de adquisiciones para crear una continuidad entre los diseños de red, capacidad de la red y los costos de expansión. "Para entender los costos a futuro se emplean red de análisis predictivo de la capacidad", indica Noya.

Comenzar

El primer paso en la implementación de análisis predictivo para cualquier forma de optimización de la red es recoger y organizar evidencia histórica claramente definida de los problemas del pasado. "Debe saber en qué constituye el funcionamiento normal e identificar lo que no es normal", señala John Crupi, vicepresidente y arquitecto de sistemas de ingeniería para GreenWave Systems, un desarrollador de software para la Internet de las cosas (IoT, por sus siglas en inglés). "Un aumento en los problemas de rendimiento puede ser normal en función de la naturaleza de la red, o puede ser un indicador temprano de problemas serios por venir", explica.

Es necesario que los CIOs también establezcan una estrategia de análisis predictivo y la hoja de ruta que vincule a las necesidades empresariales. "En el marco de esta estrategia, elija un objetivo manejable que podría ser utilizado como una prueba de concepto", señala Mir. "El siguiente paso es averiguar todos los factores que contribuyen a su variabilidad y obtener acceso a todos los datos/registros disponibles para las variables".

"La mejor manera de comenzar con el análisis predictivo no es comenzar con el análisis predictivo, sino más bien iniciar la comprensión y la identificación de patrones de comportamiento a través de los sistemas", afirma Crupi. "Estos patrones establecen las bases para la aplicación de análisis predictivo".

Una vez que una plataforma de análisis predictivo se ha desplegado, alimente los modelos de aprendizaje automático con una cantidad significativa de datos de entrenamiento, aconseja Kastanis. Entonces confíe en los expertos humanos para validar las predicciones iniciales y ejecutar cambios en las redes con la aprobación del experto, hasta que la precisión de los modelos ML se eleven constantemente por encima de las expectativas iniciales. "Hasta que no haya casos de estudio sólidos para demostrar la exactitud de los modelos ML, los operadores se muestran escépticos en tomar el riesgo de dejar que los modelos ML hagan cambios en la red para la gestión de la red autónoma", señala Kastanis.

Un esfuerzo que vale la pena

El análisis predictivo no es una solución, es una herramienta derivada de la estrategia, anota Crupi. "Es solo una parte de un arsenal general de análisis", señala.

"Muchas organizaciones desean saltarse el análisis predictivo y de inmediato comenzar modelos de entrenamiento para predecir el fracaso", indica Crupi. Pero eso no es realmente una buena idea. "El entrenamiento de un modelo predictivo necesita una enorme cantidad de datos y requiere científicos de datos con acceso al contexto histórico", explica. "Lo mejor es comenzar con analíticas y visualizaciones básicas para que pueda empezar a 'ver' lo que está pasando".

Al reflexionar sobre su propia experiencia, Kastanis dice que los beneficios que proporciona el análisis predictivo valen todo el tiempo y el esfuerzo necesarios para estructurar e implementar la tecnología. "Es una idea increíble que estabilizará significativamente el rendimiento de la red y optimizará los gastos operativos para la gestión de la red, con lo que la gestión de redes se hace mucho más eficaz", finaliza el ejecutivo.