服務提供商眼中的sdn現狀
憑藉其對網路簡化和新收入流的優勢，軟體定義網路無疑已經引起了服務提供商的強烈興趣。該技術的核心是將物理網路功能與軟體控制分離，建立開放式交換機和控制軟體的生態系統，以實現快速創新和易於整合的新環境。
開放社群在為程式控制定義介面和協議方面投入了大量精力。開放式協議與開源控制器相結合，現已在許多展示中得到證明，突出了多**商和多運營商網路中資源抽象和控制的優勢。然而，儘管這一技術目前在資料中心得到廣泛應用，但由於服務提供商網路的業務挑戰，使用sdn技術的實時網路的情況仍然很少。
雖然標準化和穩定的介面確實是sdn廣泛採用的必要先決條件，但服務提供者需要乙個積極的業務案例，從人工控制轉向自動化網路控制。目前，整合和維護新介面所需的額外工作以及額外的**控制例項似乎抵消了自動化的成本優勢。
對sdn的更廣泛的看法
為了了解sdn的全部潛力，我們需要將重點從自動化轉移到自動化操作。要全面了解網路狀態、可用資源和服務需求，智慧型演算法是值得推薦的。閉環控制最初由人控制啟用，通過開放的sdn介面，閉環控制將在網路可程式設計的程序中得到發展。
sdn是實現基於ml和ai的高階操作方法的關鍵推動因素。簡化對底層網路的控制應該是實現自治網路路由的第一步。如果忽視這一點將會帶來巨大的損失，正如比爾蓋茨所強調的：「企業使用的任何技術的第一條規則是，將自動化應用於高效操作將提高效率。其次，自動化應用於低效率的操作將降低效率。「如果沒有基於模型的層次化網路抽象，網路操作的簡化就不可能成功。
ml和ai的力量
有很多證據證明了深度學習和（狹義）人工智慧的力量。當谷歌deepmind的alphago戰勝了最好的圍棋手時，專家群體對這種前所未有的遊戲方式感到困惑。在診斷和**方面，ibm watson的表現始終優於癌症專家。顯然，在複雜程度很高和大量多樣資訊的情況下，人工智慧可以在速度和效率上與人類競爭。
像這樣的案例讓服務提供商對ai抱有高度期望，他們希望ai在網路成本和運營方面起作用。下圖顯示了去年年底tmf的調查結果（tmf趨勢分析：ai - 現在時間; 2023年12月）。**商被問及最相關的用例。
ai還希望被應用到廣域網安全性方面。各種複雜的攻擊模式和零日攻擊顯然是人工智慧的乙個有趣應用。但是期望最高的領域是網路優化。
**商在改進業務方面寄予厚望，主要是為了提高資源利用的效率。如上文所述，運營工作應建立在簡化和精簡的網路之上。具有開放控制和層次抽象的sdn是實現這一前提的最有希望的方法。更重要的是，應該有乙個機制來快速捕獲來自網路及其操作的任何有用資料。基於模型的遙測流被認為是從分散的網路有效地收集所需資料的首選方法。
用例
在我們的網路中引入人工智慧是乙個重大舉措，它影響到網路技術，但也以一種破壞性的方式影響著運營流程。有針對性的解決已有明確定義的應用程式領域的問題是乙個明智的選擇。這樣不僅可以獲得經驗，而且可以將對網路的改進方法穩定地運用到操作中並與底層網路架構保持一致。下面概述了兩個實際例子，並強調了sdn的相關性。
**性維護
服務提供者經常為觸發修復過程或網路擴充套件定義特定的閾值。如今，決策通常基於單個資料點，例如資源利用率閾值或誤位元速率。可是這種方法忽略了許多有用的資訊。另一方面，**性維護可全面了解網路及其所應用元件的特性。而且這種**性維護可以在由故障導致的停機之前生成警告。。
adva的網路運營中心採用了這種方法，管理多個客戶的網路。網路中資料是不斷地**獲的，然後再用神經網路的方法分析這些資料，因此故障元件可以在網路故障發生之前被識別出來。將ai與自動流量控制相結合，這使服務提供商能夠搶先檢測到受影響的介面/元件並在零停機時進行維修，即使對於網路的非冗餘部分也是如此。這樣可以以更具成本效益的方式開闢了設計和運營網路的新方法。
光子網路中的網路優化
設計乙個光學層需要乙個高技能的光子傳輸專家，該專家需要具有多能級調製、光纖色散和非線性以及放大光學系統的瞬態特性的知識。如果必須啟用乙個新的波長，則需要應用複雜的軟體工具來計算效能。這使得在大型光學系統中的自動波長路由變得複雜。
機器學習開闢了解決這一問題的新途徑。代替數值計算，系統行為通過由從大量網路收集的真實資料訓練的神經演算法來估計。事實證明，這種方法在**光子網路中的訊號效能方面是完全準確的，與自動sdn控制相結合，構建了自主操作的基礎。
下圖顯示了智慧型演算法**的訊號效能與實際網路資料之間的比較。隨著資料集的不斷增加，該方法達到了適合實時網路部署的準確度。
將ai和ml運用到網路規劃，設計和運營方面我們仍處於早期階段。**性維護或網路優化等使用案例為降低網路成本帶來了希望。sdn是閉環自動化的關鍵先決條件。
原文發布時間為：2018-11-29
sdnlab
」，了解相關資訊可以關注「
機器學習和人工智慧
機械人和人工智慧這個領域確實已進入了瓶頸階段，因為現在的存在的各種人工智慧和機器裝置，都是人工程式設計控制的，再精密的動作都是在按照人工方式模擬下進行的，因此已經進入誤區。試想下 我們生下來就被遺傳了1 1 2的計算功能嗎？一生下來就能有意識的抬起手臂嗎？而目前再簡單的人工智慧都可以完成，但這僅僅侷...
人工智慧機器學習
機器學習是從資料中自動分析獲得規律 模型 並利用規律對未知資料進行 資料處理 首先將所有資料放在一起，然後將其順序打亂。由於順序不是判斷酒水的依據，我們並不期望順序影響到模型學習到的內容。換言之，我們判斷一種酒是紅的還是啤的，並不需要知道前一種或是接下來有什麼酒出現。這時，可以著手繪出視覺化的資料分...
人工智慧和機器學習 科普
什麼是人工智慧？人工智慧這個詞首次出現在1956年，有達特茅斯教授約翰麥卡錫提出。他召集了一些計算機專家討論機器是否可以學習像乙個小孩子一樣，通過計算和推理，專案建議說他們會找出如何讓機器 使用語言，抽象形式和概念，像人類一樣解決各種問題和提公升自己。簡單的說，就是通過對過去已知資料的統計分析，從而...