【IT168评论】随着供应商希望简化操作，降低成本并优化现代云时代的WAN性能，软件定义广域网（SD－WAN）得到了AIOps的大力推动。

SD－WAN将网络的控制方面与硬件分离，以创建虚拟化的网络覆盖，而AIOps则将机器学习和数据分析应用于IT运营，以实现流程自动化。两者的融合（也称为AI驱动的广域网）有望开启广域网的新纪元，使IT不仅可以优化网络和应用程序体验，还可以为单个用户提供最佳体验。

在过去的五年中，SD－WAN是通信领域最热门的技术之一。

广域网迫切需要演进，于是出现了SD－WAN。它为网络带来了更大的灵活性，并使企业能够利用低成本的互联网，代替高成本的电信宽带服务。此外，SD－WAN通过自动故障转移提高了网络弹性。在“万物互联”的时代，网络正常运行时间对于保持业务运营至关重要。

在2020年之前，SD－WAN的应用已经很广泛了，而疫情的爆发刺激了它更快的被应用。在2020 ZK Research Anywhere的研究中，有46％的受访者表示，新冠疫情加速了他们的SD－WAN部署。

尽管应用迅速，但是SD－WAN并不能解决所有网络问题。无论是软件定义还是其他方式的网络运营，面临的挑战是策略配置和持续管理及故障排除都是手动完成的。所有的SD－WAN厂商都已经做好了简化部署的工作，虽然是零接触的配置，但这只解决了零天的操作。一旦网络运行起来，寻找广域网中断源头的过程仍然是一个需要大量人工繁重工作的过程。如果没有一个智能事件关联的自动化模型，在LAN、WLAN和WAN域之间隔离问题的难度成倍增加，而且完全不可能。

在某些方面，SD－WAN加剧了故障排除问题。它通过隐藏中断的多路径网络，为网络增加了一定程度的弹性。这导致网络操作仪表板可以显示所有内容均为“绿色”，但应用程序的性能较差的情况。随着视频技术的兴起，网络性能问题变得异常明显，网络工程师们不断地争相尝试和补救问题。

这是AI可以发挥作用的地方。AI系统可以摄取网络基础设施（LAN，WLAN和WAN）提供的大量数据，以“查看”即使最精明的网络工程师也看不到的东西。曾几何时，当网络相当简单且流量较低时，经验丰富的网络专业人员就有可能“了解”网络，并通过结合领域知识和对流量的快速检查来快速找到问题的根源。但是随着设备，应用程序和信息量的激增，情况就不一样了。最大的变化之一，周期性的轮询数据已经被实时的流式遥测技术所取代，这将增加一个数量级或更多的数据。

人工智能系统甚至可以看到网络中的最小变化，并预测人眼无法识别的事物。一个很好的类比是AI如何在医学专业的放射学中使用。AI系统可以检测核磁共振成像中最小的异常情况，从而使医生能够比没有AI的患者更早地治疗患者。网络专业人员也是如此。AI系统会发现网络中的小问题，这些小问题可能会导致应用程序出现异常情况，最终用户不会注意到这些问题，但稍后会引起更大的问题。网络工程师可以使用AI系统的输出，在问题对业务产生影响之前（即自动驾驶网络）主动解决问题。

谈到AI计划，数据科学家使用了一个公理，指出“好的数据可以带来好的见解”。这当然是正确的，但是部分数据导致部分洞察也是正确的，这可能是AI驱动的WAN产品的局限性之一。更具体地说，如果解决方案只看网络而没有理解对实际用户体验和应用程序的影响，那么它就失去了很大一部分。如果存在多个网络问题，则应优先考虑那些影响关键应用程序和／或用户的问题。如果某些问题根本不影响应用程序性能，则可以将这些问题放到后燃器上，然后再修复。

此外，如果解决方案仅看到WAN数据，而没有将其与网络的其他区域（即LAN和WLAN）相关联，则可能会导致效率低下，从而增加网络成本。更糟糕的是，这可能导致有关网络性能问题以及如何解决这些问题的错误假设或结论。在这方面，需要从整体上看待AI驱动的WAN，这是AI驱动的网络更大端到端故事的关键部分。

AIOps是SD－WAN演进的关键，它为网络的关键部分带来了急需的自动化和洞察力。由AI驱动的WAN必须超出网络范围，才能在应用程序和用户级别提供有意义的见解（和操作）。这不仅可以带来性能更好，成本更低的网络，还可以确保用户的生产力和客户服务保持较高水平。

来源：IT168网站  原创