快速增長的互聯(lián)網連接需求給企業(yè)改善網絡基礎設施、性能和其他關鍵參數(shù)帶來了壓力。網絡管理員總是會遇到運行多個網絡應用程序的不同類型的網絡。每個網絡應用程序都有自己的一組特性和性能參數(shù)，這些特性和參數(shù)可能會動態(tài)變化。由于網絡的多樣性和復雜性，使用為這種網絡場景構建的傳統(tǒng)算法或硬編碼技術是一項具有挑戰(zhàn)性的任務。

事實證明，機器學習在幾乎所有行業(yè)都是有益的，網絡行業(yè)也不例外。機器學習可以幫助解決棘手的網絡障礙，促進新的網絡應用程序的應用，使網絡變得非常方便。以下詳細討論基本工作流程以及一些用例，以便更好地理解網絡領域中的應用機器學習技術。

智能網絡流量管理

隨著對物聯(lián)網(IoT)解決方案的需求日益增長，現(xiàn)代網絡產生大量的異構流量數(shù)據(jù)。對于這樣一個動態(tài)網絡，傳統(tǒng)的網絡流量監(jiān)控和數(shù)據(jù)分析網絡管理技術(如ping監(jiān)控、日志文件監(jiān)控，甚至SNMP)是不夠的。它們通常缺乏對實時數(shù)據(jù)的準確性和有效處理。另一方面，由于設備移動性和網絡異構性，網絡中來自其他來源(如蜂窩設備或移動設備)的流量相對顯示出更復雜的行為。

機器學習有助于在大數(shù)據(jù)系統(tǒng)和大區(qū)域網絡中進行分析，以便在管理此類網絡時識別復雜模式。鑒于這些機會，網絡領域的研究人員將深度學習模型用于網絡流量監(jiān)控和分析應用，如流量分類和預測、擁塞控制等。

帶內網絡遙測技術

網絡遙測數(shù)據(jù)提供了有關網絡性能的基本指標。這些信息通常很難解釋。考慮到網絡的規(guī)模和通過網絡的總數(shù)據(jù)，分析數(shù)據(jù)具有巨大的價值。如果使用得當，它可以顯著提高性能。

例如帶內網絡遙測等新興技術可以幫助實時收集詳細的網絡遙測數(shù)據(jù)。最重要的是，在這些數(shù)據(jù)集上運行機器學習可以幫助關聯(lián)延遲、路徑、交換機、路由器、事件等之間的現(xiàn)象。使用傳統(tǒng)方法很難從大量實時數(shù)據(jù)中指出這些現(xiàn)象。

機器學習模型經過訓練以理解遙測數(shù)據(jù)中的相關性和模式。這些算法最終獲得了基于歷史數(shù)據(jù)學習的預測未來的能力。這有助于管理未來的網絡中斷。

資源分配和擁塞控制

每個網絡基礎設施都有預定義的可用總吞吐量。它被進一步分割成不同預定義帶寬的多個通道。在這樣的場景中，如果每個最終用戶的總帶寬使用量是靜態(tài)預定義的，在網絡被大量使用的某些部分可能會出現(xiàn)瓶頸。

為了避免這種擁塞，可以訓練監(jiān)督機器學習模型來實時分析網絡流量，并以使網絡遇到的瓶頸最少的方式推斷出每個用戶的合適帶寬量。

這些模型可以從網絡統(tǒng)計數(shù)據(jù)中學習，例如每個網絡節(jié)點的總活動用戶、每個用戶的歷史網絡使用數(shù)據(jù)、基于時間的數(shù)據(jù)使用模式、用戶在多個接入點之間的移動等。

流量分類

在每個網絡中，都存在各種各樣的流量，如Web托管(HTTP)、文件傳輸(FTP)、安全瀏覽(HTTPS)、HTTP實時視頻流(HLS)、終端服務(SSH)等。當涉及到網絡帶寬使用時，每一種行為都不同;例如，通過FTP傳輸文件會在傳輸期間連續(xù)使用大量數(shù)據(jù)。

另一個例子是，如果一個視頻是流媒體的，它使用數(shù)據(jù)塊和緩沖方法。當允許這些不同類型的流量以無監(jiān)督的方式使用網絡時，將會造成一些臨時阻塞。

為了避免這種情況，可以使用機器學習分類器來分析和分類通過網絡的流量類型。然后，可以使用這些模型來推斷網絡參數(shù)，如分配的帶寬、數(shù)據(jù)上限等，這反過來可以通過改進所服務請求的調度以及動態(tài)更改分配的帶寬來幫助提高網絡性能。

網絡安全

網絡攻擊數(shù)量的增加迫使企業(yè)不斷監(jiān)控和關聯(lián)整個網絡基礎設施及其用戶的數(shù)百萬外部和內部數(shù)據(jù)點。人工管理大量實時數(shù)據(jù)變得很困難。這就是機器學習發(fā)揮重要的地方。

機器學習可以識別網絡中的某些模式和異常，并預測大量數(shù)據(jù)集中的威脅，所有這些都是實時的。通過對此類分析進行自動化，網絡管理人員可以輕松地檢測威脅并快速隔離情況，而無需耗費大量人力。

網絡攻擊識別與預防

網絡行為是機器學習系統(tǒng)中用于異常檢測的一個重要參數(shù)。機器學習引擎實時處理大量數(shù)據(jù)，以識別威脅、未知惡意軟件和違反安全策略的行為。

如果發(fā)現(xiàn)網絡行為在預定義行為范圍內，則接受網絡事務;否則，將在系統(tǒng)中觸發(fā)警報。這可用于防止DoS、DDoS和探測等多種攻擊。

防止網絡釣魚

誘騙某人點擊看似合法的惡意鏈接，然后利用收集到的信息試圖突破計算機的防御系統(tǒng)是很容易的。機器學習有助于標記可疑網站，以幫助防止人們不小心連接到惡意網站。

例如，文本分類器機器學習模型可以讀取和理解URL，并識別那些偽造的釣魚URL。這將為最終用戶創(chuàng)造更安全的瀏覽體驗。

機器學習在網絡中的集成并不局限于上述的用例。通過從網絡和機器學習的角度闡明機會和研究，可以在使用機器學習用于網絡和網絡安全領域開發(fā)解決方案，以解決尚未解決的問題。