譯者 | 晶顏

審校 | 重樓

AI驅動的基于意圖的網絡（IBN）正成為管理復雜網絡的解決方案。

如今，互聯網已成為我們生活中不可分割的一部分，隨著云計算的發展和對基于AI/ML的應用程序的需求增加，對網絡容量的需求更是呈現不可阻擋的趨勢。而隨著網絡呈指數級擴展，傳統的拓撲和設計正在努力與現代IT基礎設施快速發展的需求保持同步。由于網絡基礎設施和鏈路的數量龐大，網絡管理變得越來越復雜。

在這種情況下，人工智能（AI）驅動的基于意圖的網絡（intent-based networking，IBN）作為一種潛在的解決方案出現了，有望重塑我們的網絡管理方法——但它真的是解決這個問題的有效方法嗎？讓我們深入探索其細節，以了解基于意圖的網絡將如何塑造網絡管理的未來。

什么是基于意圖的網絡？

傳統的基于意圖的網絡（IBN）是從軟件定義網絡（SDN）發展而來的。SDN是網絡自動化中非常流行的一種方法，其中軟件定義的控制器和API與物理基礎設施通信。IBN是SDN的自然發展，它結合了智能、分析、機器學習和編排，實現了網絡管理的自動化。它將高級業務意圖轉換為網絡策略，以配置底層網絡。IBN抽象底層硬件和網絡配置的復雜部分，允許用戶用自然語言表達他們想要的意圖。

人工智能驅動的IBN將智能、分析、機器學習和編排結合在一起，以增強傳統IBN的功能。它可以更有效地將這些意圖轉換為特定的網絡配置和策略，以適應不斷變化的網絡條件和需求。大多數現代的、先進的IBN解決方案都在一定程度上包括ML和NLP，使其具備AI驅動特性。

下面是一個AI驅動的IBN示例：

問題陳述：

用戶希望利用可用帶寬平衡批量數據傳輸和低延遲流量。

目的：

“為高性能計算和GPU加速數據庫查詢提供低延遲，同時支持大型數據集傳輸。”

使用AI驅動IBN的網絡自動化：

• 構建和配置智能服務質量（QoS）策略和設備配置，優先考慮對延遲敏感的工作負載（而非大型數據庫查詢）的低延遲流量。
• 用高優先級QoS標記優先考慮低延遲，同時允許高吞吐量傳輸利用剩余帶寬。
• 機器學習模型根據觀察到的應用程序性能不斷調整這些策略。

傳統IBN系統的關鍵組件

為了理解人工智能驅動的IBN的進步，讓我們首先來了解傳統IBN系統的關鍵組件。在傳統的IBN設置中，系統由五個主要組件組成，這些組件允許用戶與系統交互，并允許系統根據用戶意圖設計操作并在網絡中實現更改。

AI驅動的基于意圖的網絡

意圖接口

它是用戶和IBN系統之間交互的主要點。網絡管理員和用戶可以用自然語言表達他們想要的網絡配置，消除了對復雜的CLI命令和手動配置的依賴。在傳統IBN中，該接口通常依賴于預定義的模板和對用戶輸入的基于規則的解釋。

意向翻譯引擎

這是IBN的核心，通過高級算法和技術處理業務意圖，并將其轉換為可操作的網絡配置和策略。它在人類可理解的意圖和機器可執行的網絡配置之間架起了橋梁。傳統的IBN系統使用預先確定的算法和邏輯樹來完成這個翻譯過程。

網絡抽象層

這一層提供了網絡的統一視圖，抽象了網絡基礎設施和協議的底層復雜性。它使IBN系統能夠與異構網絡基礎設施無縫協作。傳統IBN中的這種抽象通常是靜態的，可能需要手動更新以適應新的網絡元素或配置。

自動化和編排引擎

這一層實現了跨網絡基礎設施的轉換意圖，并利用軟件定義的網絡來更新網絡配置和策略。在傳統IBN中，這種自動化是基于預定義的腳本和工作流實現的。

持續驗證和保證

這個反饋循環不斷地監視網絡，以確保它遵循請求的意圖，并進行必要的調整以保持最佳性能。傳統IBN系統基于設置的閾值和預定義的性能指標執行此驗證。

AI在IBN中的作用

AI與傳統的IBN的集成使系統能夠理解、處理和執行高級意圖，而不依賴于復雜的CLI命令或手動配置，并為網絡管理提供了更大的靈活性。在本節中，我們將討論AI如何增強IBN功能并自動化網絡管理任務。

AI領域包括自然語言處理（NLP）、機器學習（ML）、計算機視覺（CV）和機器人等各個子領域。NLP允許系統理解和處理人類語言，而ML允許系統在沒有顯式編程的情況下從數據中學習。這些和其他人工智能子領域相互協作，幫助我們構建智能系統。

NLP和ML通過賦予系統理解和執行高級意圖的能力，在AI驅動的IBN中發揮著重要作用。

自然語言處理（NLP）

NLP是網絡用戶與IBN系統之間的主要接口。NLP允許用戶用自然語言表達他們的意圖，并將其轉化為復雜的網絡配置。自然語言處理在IIBN中的關鍵應用包括意圖翻譯、上下文理解和處理以及自動生成網絡配置。

機器學習（ML）

在AI驅動的IBN中，ML算法允許我們從當前網絡狀態中學習，根據拓撲和網絡變化預測未來的狀態，并為網絡優化做出智能決策。ML在IBN中的關鍵應用之一是流量工程，服務提供商的目標是了解網絡行為，預測未來狀態，并優化和有效地調整網絡容量和資源。

AI驅動的IBN是一個集成了NLP、ML和其他人工智能子領域的智能系統，為IBN中的決策和問題解決提供了中心框架。它支持自動網絡設計、網絡數據分析、智能故障排除、策略實施和潛在故障場景預測。

在高性能計算網絡中的應用

對于提供高性能計算（HPC）環境的超大型云提供商來說，AI驅動的IBN是一個很有前景的解決方案，在這些環境中，對高吞吐量、低延遲、靈活性和資源優化的要求特別嚴格。以下是AI驅動的IBN在高性能計算網絡中的一些主要應用：

動態資源分配

在高性能計算中，AI驅動的IBN系統使用Q-Learning和隨機森林算法，通過分析和預測當前和未來的資源需求來優化分配網絡資源。這些系統可以最大限度地利用高性能計算資源，最大限度地提高性能和網絡吞吐量，從而帶來靈活性和效率。

工作流優化流量工程

AI驅動的IBN系統可以持續分析當前和未來的網絡狀態和需求，優化網絡配置。這是通過使用時間序列預測（例如，ARIMA和Prophet）進行流量預測和異常檢測算法來識別異常流量模式來實現的。網絡配置優化可能涉及將流量從擁塞的主路徑轉移到輔助路徑，為數據傳輸階段找到高帶寬路徑，為分布式計算階段找到低延遲路徑。

容錯性和彈性

IBN系統可以預測和模擬硬件資源的潛在故障，并采取主動行動來避免災難性故障。它可以在不中斷網絡性能和服務的情況下對事件進行分類、自動緩解和修復。為了實現這一點，IBN系統采用了各種算法和技術。預測性故障分析使用機器學習模型，如隨機森林或支持向量機，幫助在故障發生之前及時識別潛在的硬件缺陷。利用強化學習算法的自愈網絡在出現問題時自動重新配置網絡路徑。這些算法在IBN框架內協同工作，即使在具有挑戰性的條件下也能保持強大的網絡性能。

AI驅動的IBN在高性能計算網絡中的應用

挑戰與未來方向

獲得充足、高質量的數據可能是公司實施AI驅動的IBN必須克服的第一個障礙。其他主要挑戰體現在如下方面：

• 一些AI/ ML模型的黑箱性質可能導致不透明的決策制定，這需要通過使這些過程透明和可理解來克服。
• 企業網絡在硬件、配置和協議方面復雜多樣；管理如此龐大的網絡基礎設施需要大量的計算資源和能力。
• IBN系統與現有網絡基礎設施和自動化框架的集成。
• 隨著規模和復雜性的增加，遵循安全標準、策略和身份驗證變得具有挑戰性。
• 確保IBN系統能夠足夠快地做出決策并實現更改，以滿足現代網絡的性能需求。

隨著AI驅動的IBN系統的日趨成熟，我們可以看到網絡自動化程度的提高、機器學習算法的增強、安全性的提高以及網絡管理效率的提高。然而，實現這一未來需要克服以上諸多挑戰，并解決網絡行業的技能差距。

結語

AI驅動的IBN代表了服務提供商如何運營和管理其復雜網絡的重大進步。通過將AI集成到IBN中，用戶可以駕馭這種復雜性，提高操作效率，獲得實時可見性，并自動化網絡管理，使網絡狀態與業務意圖同步。網絡化的未來在于能夠分析、解釋、處理人的意圖，通過基于意圖的網絡化改造網絡運行，實現網絡自治的系統。

原文標題：AI-Driven Intent-Based Networking: The Future of Network Management Using AI，作者：Aditi Godbole