服務提供商眼中的SDN現(xiàn)狀

憑借其對網絡簡化和新收入流的優(yōu)勢，軟件定義網絡無疑已經引起了服務提供商的強烈興趣。該技術的核心是將物理網絡功能與軟件控制分離，創(chuàng)建開放式交換機和控制軟件的生態(tài)系統(tǒng)，以實現(xiàn)快速創(chuàng)新和易于集成的新環(huán)境。

開放社區(qū)在為程序控制定義接口和協(xié)議方面投入了大量精力。開放式協(xié)議與開源控制器相結合，現(xiàn)已在許多展示中得到證明，突出了多供應商和多運營商網絡中資源抽象和控制的優(yōu)勢。然而，盡管這一技術目前在數(shù)據(jù)中心得到廣泛應用，但由于服務提供商網絡的業(yè)務挑戰(zhàn)，使用SDN技術的實時網絡的情況仍然很少。

雖然標準化和穩(wěn)定的接口確實是SDN廣泛采用的必要先決條件，但服務提供者需要一個積極的業(yè)務案例，從人工控制轉向自動化網絡控制。目前，集成和維護新接口所需的額外工作以及額外的中央控制實例似乎抵消了自動化的成本優(yōu)勢。

對SDN的更廣泛的看法

為了了解SDN的全部潛力，我們需要將重點從自動化轉移到自動化操作。要全面了解網絡狀態(tài)、可用資源和服務需求，智能算法是值得推薦的。閉環(huán)控制最初由人控制激活，通過開放的SDN接口，閉環(huán)控制將在網絡可編程的進程中得到發(fā)展。

SDN是實現(xiàn)基于ML和AI的高級操作方法的關鍵推動因素。簡化對底層網絡的控制應該是實現(xiàn)自治網絡路由的第一步。如果忽視這一點將會帶來巨大的損失，正如比爾蓋茨所強調的：“企業(yè)使用的任何技術的第一條規(guī)則是，將自動化應用于高效操作將提高效率。其次，自動化應用于低效率的操作將降低效率。“如果沒有基于模型的層次化網絡抽象，網絡操作的簡化就不可能成功。

ML和AI的力量

有很多證據(jù)證明了深度學習和（狹義）人工智能的力量。當谷歌DeepMind的AlphaGo戰(zhàn)勝了最好的圍棋手時，專家群體對這種前所未有的游戲方式感到困惑。在診斷和治療方面，IBM Watson的表現(xiàn)始終優(yōu)于癌癥專家。顯然，在復雜程度很高和大量多樣信息的情況下，人工智能可以在速度和效率上與人類競爭。

像這樣的案例讓服務提供商對AI抱有高度期望，他們希望AI在網絡成本和運營方面起作用。下圖顯示了去年年底TMF的調查結果（TMF趨勢分析：AI - 現(xiàn)在時間; 2017年12月）。供應商被問及最相關的用例。

AI還希望被應用到廣域網安全性方面。各種復雜的攻擊模式和零日攻擊顯然是人工智能的一個有趣應用。但是期望最高的領域是網絡優(yōu)化。

供應商在改進業(yè)務方面寄予厚望，主要是為了提高資源利用的效率。如上文所述，運營工作應建立在簡化和精簡的網絡之上。具有開放控制和層次抽象的SDN是實現(xiàn)這一前提的最有希望的方法。更重要的是，應該有一個機制來快速捕獲來自網絡及其操作的任何有用數(shù)據(jù)。基于模型的遙測流被認為是從分散的網絡有效地收集所需數(shù)據(jù)的首選方法。

用例

在我們的網絡中引入人工智能是一個重大舉措，它影響到網絡技術，但也以一種破壞性的方式影響著運營流程。有針對性的解決已有明確定義的應用程序領域的問題是一個明智的選擇。這樣不僅可以獲得經驗，而且可以將對網絡的改進方法穩(wěn)定地運用到操作中并與底層網絡架構保持一致。下面概述了兩個實際例子，并強調了SDN的相關性。

預測性維護

服務提供者經常為觸發(fā)修復過程或網絡擴展定義特定的閾值。如今，決策通常基于單個數(shù)據(jù)點，例如資源利用率閾值或誤碼率。可是這種方法忽略了許多有用的信息。另一方面，預測性維護可全面了解網絡及其所應用組件的特性。而且這種預測性維護可以在由故障導致的停機之前生成警告。。

ADVA的網絡運營中心采用了這種方法，管理多個客戶的網絡。網絡中數(shù)據(jù)是不斷地被捕獲的，然后再用神經網絡的方法分析這些數(shù)據(jù)，因此故障組件可以在網絡故障發(fā)生之前被識別出來。將AI與自動流量控制相結合，這使服務提供商能夠搶先檢測到受影響的接口/組件并在零停機時進行維修，即使對于網絡的非冗余部分也是如此。這樣可以以更具成本效益的方式開辟了設計和運營網絡的新方法。

光子網絡中的網絡優(yōu)化

設計一個光學層需要一個高技能的光子傳輸專家，該專家需要具有多能級調制、光纖色散和非線性以及放大光學系統(tǒng)的瞬態(tài)特性的知識。如果必須激活一個新的波長，則需要應用復雜的軟件工具來計算性能。這使得在大型光學系統(tǒng)中的自動波長路由變得復雜。

機器學習開辟了解決這一問題的新途徑。代替數(shù)值計算，系統(tǒng)行為通過由從大量網絡收集的真實數(shù)據(jù)訓練的神經算法來估計。事實證明，這種方法在預測光子網絡中的信號性能方面是完全準確的，與自動SDN控制相結合，構建了自主操作的基礎。

下圖顯示了智能算法預測的信號性能與實際網絡數(shù)據(jù)之間的比較。隨著數(shù)據(jù)集的不斷增加，該方法達到了適合實時網絡部署的準確度。

將AI和ML運用到網絡規(guī)劃，設計和運營方面我們仍處于早期階段。預測性維護或網絡優(yōu)化等使用案例為降低網絡成本帶來了希望。SDN是閉環(huán)自動化的關鍵先決條件。