譯者 | 晶顏

審校 | 重樓

AI驅(qū)動的基于意圖的網(wǎng)絡(luò)（IBN）正成為管理復(fù)雜網(wǎng)絡(luò)的解決方案。

如今，互聯(lián)網(wǎng)已成為我們生活中不可分割的一部分，隨著云計算的發(fā)展和對基于AI/ML的應(yīng)用程序的需求增加，對網(wǎng)絡(luò)容量的需求更是呈現(xiàn)不可阻擋的趨勢。而隨著網(wǎng)絡(luò)呈指數(shù)級擴(kuò)展，傳統(tǒng)的拓?fù)浜驮O(shè)計正在努力與現(xiàn)代IT基礎(chǔ)設(shè)施快速發(fā)展的需求保持同步。由于網(wǎng)絡(luò)基礎(chǔ)設(shè)施和鏈路的數(shù)量龐大，網(wǎng)絡(luò)管理變得越來越復(fù)雜。

在這種情況下，人工智能（AI）驅(qū)動的基于意圖的網(wǎng)絡(luò)（intent-based networking，IBN）作為一種潛在的解決方案出現(xiàn)了，有望重塑我們的網(wǎng)絡(luò)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(xì)節(jié)，以了解基于意圖的網(wǎng)絡(luò)將如何塑造網(wǎng)絡(luò)管理的未來。

什么是基于意圖的網(wǎng)絡(luò)？

傳統(tǒng)的基于意圖的網(wǎng)絡(luò)（IBN）是從軟件定義網(wǎng)絡(luò)（SDN）發(fā)展而來的。SDN是網(wǎng)絡(luò)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(chǔ)設(shè)施通信。IBN是SDN的自然發(fā)展，它結(jié)合了智能、分析、機(jī)器學(xué)習(xí)和編排，實現(xiàn)了網(wǎng)絡(luò)管理的自動化。它將高級業(yè)務(wù)意圖轉(zhuǎn)換為網(wǎng)絡(luò)策略，以配置底層網(wǎng)絡(luò)。IBN抽象底層硬件和網(wǎng)絡(luò)配置的復(fù)雜部分，允許用戶用自然語言表達(dá)他們想要的意圖。

人工智能驅(qū)動的IBN將智能、分析、機(jī)器學(xué)習(xí)和編排結(jié)合在一起，以增強傳統(tǒng)IBN的功能。它可以更有效地將這些意圖轉(zhuǎn)換為特定的網(wǎng)絡(luò)配置和策略，以適應(yīng)不斷變化的網(wǎng)絡(luò)條件和需求。大多數(shù)現(xiàn)代的、先進(jìn)的IBN解決方案都在一定程度上包括ML和NLP，使其具備AI驅(qū)動特性。

下面是一個AI驅(qū)動的IBN示例：

問題陳述：

用戶希望利用可用帶寬平衡批量數(shù)據(jù)傳輸和低延遲流量。

目的：

“為高性能計算和GPU加速數(shù)據(jù)庫查詢提供低延遲，同時支持大型數(shù)據(jù)集傳輸?！?/p>

使用AI驅(qū)動IBN的網(wǎng)絡(luò)自動化：

• 構(gòu)建和配置智能服務(wù)質(zhì)量（QoS）策略和設(shè)備配置，優(yōu)先考慮對延遲敏感的工作負(fù)載（而非大型數(shù)據(jù)庫查詢）的低延遲流量。
• 用高優(yōu)先級QoS標(biāo)記優(yōu)先考慮低延遲，同時允許高吞吐量傳輸利用剩余帶寬。
• 機(jī)器學(xué)習(xí)模型根據(jù)觀察到的應(yīng)用程序性能不斷調(diào)整這些策略。

傳統(tǒng)IBN系統(tǒng)的關(guān)鍵組件

為了理解人工智能驅(qū)動的IBN的進(jìn)步，讓我們首先來了解傳統(tǒng)IBN系統(tǒng)的關(guān)鍵組件。在傳統(tǒng)的IBN設(shè)置中，系統(tǒng)由五個主要組件組成，這些組件允許用戶與系統(tǒng)交互，并允許系統(tǒng)根據(jù)用戶意圖設(shè)計操作并在網(wǎng)絡(luò)中實現(xiàn)更改。

AI驅(qū)動的基于意圖的網(wǎng)絡(luò)

意圖接口

它是用戶和IBN系統(tǒng)之間交互的主要點。網(wǎng)絡(luò)管理員和用戶可以用自然語言表達(dá)他們想要的網(wǎng)絡(luò)配置，消除了對復(fù)雜的CLI命令和手動配置的依賴。在傳統(tǒng)IBN中，該接口通常依賴于預(yù)定義的模板和對用戶輸入的基于規(guī)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(shù)處理業(yè)務(wù)意圖，并將其轉(zhuǎn)換為可操作的網(wǎng)絡(luò)配置和策略。它在人類可理解的意圖和機(jī)器可執(zhí)行的網(wǎng)絡(luò)配置之間架起了橋梁。傳統(tǒng)的IBN系統(tǒng)使用預(yù)先確定的算法和邏輯樹來完成這個翻譯過程。

網(wǎng)絡(luò)抽象層

這一層提供了網(wǎng)絡(luò)的統(tǒng)一視圖，抽象了網(wǎng)絡(luò)基礎(chǔ)設(shè)施和協(xié)議的底層復(fù)雜性。它使IBN系統(tǒng)能夠與異構(gòu)網(wǎng)絡(luò)基礎(chǔ)設(shè)施無縫協(xié)作。傳統(tǒng)IBN中的這種抽象通常是靜態(tài)的，可能需要手動更新以適應(yīng)新的網(wǎng)絡(luò)元素或配置。

自動化和編排引擎

這一層實現(xiàn)了跨網(wǎng)絡(luò)基礎(chǔ)設(shè)施的轉(zhuǎn)換意圖，并利用軟件定義的網(wǎng)絡(luò)來更新網(wǎng)絡(luò)配置和策略。在傳統(tǒng)IBN中，這種自動化是基于預(yù)定義的腳本和工作流實現(xiàn)的。

持續(xù)驗證和保證

這個反饋循環(huán)不斷地監(jiān)視網(wǎng)絡(luò)，以確保它遵循請求的意圖，并進(jìn)行必要的調(diào)整以保持最佳性能。傳統(tǒng)IBN系統(tǒng)基于設(shè)置的閾值和預(yù)定義的性能指標(biāo)執(zhí)行此驗證。

AI在IBN中的作用

AI與傳統(tǒng)的IBN的集成使系統(tǒng)能夠理解、處理和執(zhí)行高級意圖，而不依賴于復(fù)雜的CLI命令或手動配置，并為網(wǎng)絡(luò)管理提供了更大的靈活性。在本節(jié)中，我們將討論AI如何增強IBN功能并自動化網(wǎng)絡(luò)管理任務(wù)。

AI領(lǐng)域包括自然語言處理（NLP）、機(jī)器學(xué)習(xí)（ML）、計算機(jī)視覺（CV）和機(jī)器人等各個子領(lǐng)域。NLP允許系統(tǒng)理解和處理人類語言，而ML允許系統(tǒng)在沒有顯式編程的情況下從數(shù)據(jù)中學(xué)習(xí)。這些和其他人工智能子領(lǐng)域相互協(xié)作，幫助我們構(gòu)建智能系統(tǒng)。

NLP和ML通過賦予系統(tǒng)理解和執(zhí)行高級意圖的能力，在AI驅(qū)動的IBN中發(fā)揮著重要作用。

自然語言處理（NLP）

NLP是網(wǎng)絡(luò)用戶與IBN系統(tǒng)之間的主要接口。NLP允許用戶用自然語言表達(dá)他們的意圖，并將其轉(zhuǎn)化為復(fù)雜的網(wǎng)絡(luò)配置。自然語言處理在IIBN中的關(guān)鍵應(yīng)用包括意圖翻譯、上下文理解和處理以及自動生成網(wǎng)絡(luò)配置。

機(jī)器學(xué)習(xí)（ML）

在AI驅(qū)動的IBN中，ML算法允許我們從當(dāng)前網(wǎng)絡(luò)狀態(tài)中學(xué)習(xí)，根據(jù)拓?fù)浜途W(wǎng)絡(luò)變化預(yù)測未來的狀態(tài)，并為網(wǎng)絡(luò)優(yōu)化做出智能決策。ML在IBN中的關(guān)鍵應(yīng)用之一是流量工程，服務(wù)提供商的目標(biāo)是了解網(wǎng)絡(luò)行為，預(yù)測未來狀態(tài)，并優(yōu)化和有效地調(diào)整網(wǎng)絡(luò)容量和資源。

AI驅(qū)動的IBN是一個集成了NLP、ML和其他人工智能子領(lǐng)域的智能系統(tǒng)，為IBN中的決策和問題解決提供了中心框架。它支持自動網(wǎng)絡(luò)設(shè)計、網(wǎng)絡(luò)數(shù)據(jù)分析、智能故障排除、策略實施和潛在故障場景預(yù)測。

在高性能計算網(wǎng)絡(luò)中的應(yīng)用

對于提供高性能計算（HPC）環(huán)境的超大型云提供商來說，AI驅(qū)動的IBN是一個很有前景的解決方案，在這些環(huán)境中，對高吞吐量、低延遲、靈活性和資源優(yōu)化的要求特別嚴(yán)格。以下是AI驅(qū)動的IBN在高性能計算網(wǎng)絡(luò)中的一些主要應(yīng)用：

動態(tài)資源分配

在高性能計算中，AI驅(qū)動的IBN系統(tǒng)使用Q-Learning和隨機(jī)森林算法，通過分析和預(yù)測當(dāng)前和未來的資源需求來優(yōu)化分配網(wǎng)絡(luò)資源。這些系統(tǒng)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(wǎng)絡(luò)吞吐量，從而帶來靈活性和效率。

工作流優(yōu)化流量工程

AI驅(qū)動的IBN系統(tǒng)可以持續(xù)分析當(dāng)前和未來的網(wǎng)絡(luò)狀態(tài)和需求，優(yōu)化網(wǎng)絡(luò)配置。這是通過使用時間序列預(yù)測（例如，ARIMA和Prophet）進(jìn)行流量預(yù)測和異常檢測算法來識別異常流量模式來實現(xiàn)的。網(wǎng)絡(luò)配置優(yōu)化可能涉及將流量從擁塞的主路徑轉(zhuǎn)移到輔助路徑，為數(shù)據(jù)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(tǒng)可以預(yù)測和模擬硬件資源的潛在故障，并采取主動行動來避免災(zāi)難性故障。它可以在不中斷網(wǎng)絡(luò)性能和服務(wù)的情況下對事件進(jìn)行分類、自動緩解和修復(fù)。為了實現(xiàn)這一點，IBN系統(tǒng)采用了各種算法和技術(shù)。預(yù)測性故障分析使用機(jī)器學(xué)習(xí)模型，如隨機(jī)森林或支持向量機(jī)，幫助在故障發(fā)生之前及時識別潛在的硬件缺陷。利用強化學(xué)習(xí)算法的自愈網(wǎng)絡(luò)在出現(xiàn)問題時自動重新配置網(wǎng)絡(luò)路徑。這些算法在IBN框架內(nèi)協(xié)同工作，即使在具有挑戰(zhàn)性的條件下也能保持強大的網(wǎng)絡(luò)性能。

AI驅(qū)動的IBN在高性能計算網(wǎng)絡(luò)中的應(yīng)用

挑戰(zhàn)與未來方向

獲得充足、高質(zhì)量的數(shù)據(jù)可能是公司實施AI驅(qū)動的IBN必須克服的第一個障礙。其他主要挑戰(zhàn)體現(xiàn)在如下方面：

• 一些AI/ ML模型的黑箱性質(zhì)可能導(dǎo)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(yè)網(wǎng)絡(luò)在硬件、配置和協(xié)議方面復(fù)雜多樣；管理如此龐大的網(wǎng)絡(luò)基礎(chǔ)設(shè)施需要大量的計算資源和能力。
• IBN系統(tǒng)與現(xiàn)有網(wǎng)絡(luò)基礎(chǔ)設(shè)施和自動化框架的集成。
• 隨著規(guī)模和復(fù)雜性的增加，遵循安全標(biāo)準(zhǔn)、策略和身份驗證變得具有挑戰(zhàn)性。
• 確保IBN系統(tǒng)能夠足夠快地做出決策并實現(xiàn)更改，以滿足現(xiàn)代網(wǎng)絡(luò)的性能需求。

隨著AI驅(qū)動的IBN系統(tǒng)的日趨成熟，我們可以看到網(wǎng)絡(luò)自動化程度的提高、機(jī)器學(xué)習(xí)算法的增強、安全性的提高以及網(wǎng)絡(luò)管理效率的提高。然而，實現(xiàn)這一未來需要克服以上諸多挑戰(zhàn)，并解決網(wǎng)絡(luò)行業(yè)的技能差距。

結(jié)語

AI驅(qū)動的IBN代表了服務(wù)提供商如何運營和管理其復(fù)雜網(wǎng)絡(luò)的重大進(jìn)步。通過將AI集成到IBN中，用戶可以駕馭這種復(fù)雜性，提高操作效率，獲得實時可見性，并自動化網(wǎng)絡(luò)管理，使網(wǎng)絡(luò)狀態(tài)與業(yè)務(wù)意圖同步。網(wǎng)絡(luò)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(wǎng)絡(luò)化改造網(wǎng)絡(luò)運行，實現(xiàn)網(wǎng)絡(luò)自治的系統(tǒng)。

原文標(biāo)題：AI-Driven Intent-Based Networking: The Future of Network Management Using AI，作者：Aditi Godbole