對互聯(lián)網連接需求的快速增長給改善網絡基礎設施、性能和其他關鍵參數(shù)帶來了壓力。網絡管理員必須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功能和性能參數(shù)，這些功能和性能參數(shù)可能會動態(tài)變化。由于網絡的多樣性和復雜性，為此類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。

機器學習被證明對幾乎每個行業(yè)都是有益的，包括網絡行業(yè)。機器學習可以幫助解決棘手的舊網絡障礙，并刺激新的網絡應用程序，使網絡非常方便。讓我們通過幾個用例詳細討論基本工作流，以更好地了解網絡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） 解決方案的需求不斷增長，現(xiàn)代網絡會產生海量異構流量數(shù)據。對于這樣的動態(tài)網絡，用于網絡流量監(jiān)控和數(shù)據分析的傳統(tǒng)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。他們通常缺乏實時數(shù)據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，來自網絡中其他來源（如蜂窩或移動設備）的流量相對表現(xiàn)出更復雜的行為。

機器學習有助于大數(shù)據系統(tǒng)以及大區(qū)域網絡中的分析，以便在管理此類網絡時識別復雜的模式。著眼于這些機會，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。

1. 帶內網絡遙測

網絡遙測數(shù)據提供有關網絡性能的基本指標。這些信息通常很難解釋?？紤]到網絡中通過的大小和總數(shù)據具有巨大的價值。如果使用得當，它可以大大提高性能。

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。最重要的是，在此類數(shù)據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，這在使用傳統(tǒng)方法的大量實時數(shù)據中很難指出。

機器學習模型經過訓練，可以理解遙測數(shù)據中的相關性和模式，最終能夠根據從歷史數(shù)據中學習的情況預測未來。這有助于管理未來的網絡中斷。

2. 資源分配和擁塞控制

每個網絡基礎結構都有一個預定義的總吞吐量。它進一步分為不同預定義帶寬的多個通道。在這種情況下，每個最終用戶的總帶寬使用量是靜態(tài)預定義的，網絡的某些部分總是會存在瓶頸，其中網絡被大量使用。

為了避免這種擁塞，可以訓練有監(jiān)督的機器學習模型來實時分析網絡流量，并以網絡遇到最少瓶頸的方式推斷每個用戶的適當帶寬限制量。

此類模型可以從網絡統(tǒng)計信息中學習，例如每個網絡節(jié)點的活動用戶總數(shù)、每個用戶的歷史網絡使用數(shù)據、基于時間的數(shù)據使用模式、用戶跨多個接入點的移動等。

3. 流量分類

在每個網絡中，存在各種流量，如虛擬主機（HTTP），文件傳輸（FTP），安全瀏覽（HTTPS），HTTP實時視頻流（HLS），終端服務（SSH）等。現(xiàn)在，在網絡帶寬使用方面，它們中的每一個都表現(xiàn)不同，通過FTP傳輸文件。它連續(xù)使用大量數(shù)據。

例如，如果正在流式傳輸視頻，則它使用塊中的數(shù)據和緩沖方法。當不同類型的流量以無監(jiān)督的方式在網絡中運行時，可以看到一些臨時阻塞。

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網絡中的流量類型。然后，這些模型可用于推斷網絡參數(shù)，如分配的帶寬、數(shù)據上限等，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)量的增加迫使組織不斷監(jiān)控和關聯(lián)整個網絡基礎設施及其用戶的數(shù)百萬個外部和內部數(shù)據點。手動管理大量實時數(shù)據變得困難。這就是機器學習的用武之地。

機器學習可以實時識別網絡中的某些模式和異常，并預測海量數(shù)據集中的威脅。通過自動化此類分析，網絡管理員可以輕松檢測威脅并快速隔離情況，同時減少人力。

1. 網絡攻擊識別/預防

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

如果發(fā)現(xiàn)網絡行為在預定義的行為范圍內，則接受網絡事務，否則會在系統(tǒng)中觸發(fā)警報。這可用于防止多種攻擊，如 DoS、DDoS 和 Probe。

2. 網絡釣魚防護

誘騙某人點擊看似合法的惡意鏈接，然后試圖突破計算機的防御系統(tǒng)非常容易。機器學習有助于預測可疑網站，以幫助防止人們連接到惡意網站。

例如，文本分類器機器學習模型可以讀取和理解 URL，并首先識別這些欺騙性網絡釣魚 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不僅限于上述用例?？梢栽谑褂肕L進行網絡和網絡安全領域開發(fā)解決方案，通過從網絡和機器學習的角度闡明機會和研究來解決未解決的問題。

審核編輯：郭婷