谁在推动网络智能化的演进加速？

本篇文章3154字，读完约8分钟

不仅是网络，而且随着智能化和数字化的浪潮，越来越多的企业ict设备正在发生变化。尤其是部署在大型云数据中心的各种设备，迫切需要人工智能在运行维护和管理方面的巨大帮助...

4月20日，一年一度的导航峰会在云上开幕，主题是“智慧与变化”。在6天的时间里，举办了120多场讲座，涉及33个主题，紫光集团和新华集团带来了客户和合作伙伴，展示了一个正在经历“知识变革”的世界。随着各种智能技术的应用，我们可以看到更多智慧的可能性。英特尔将帮助新华三代继续在技术创新的道路上为各行各业提供高质量的解决方案，探讨“智能与变革”之路，开启“智能与变革”之旅。

本文论述新华三网的“智能与变革”。

网络需要智能化

近年来，数据中心网络最大的变化是软件定义的网络(软件& # 8194；定义& # 8194；网络(sdn)的诞生，通过将控制平面和数据平面分开，使网络具有更高的灵活性、可扩展性和可编程性，极大地提高了网络自动化水平，有效地减轻了用户在网络部署和运行维护方面的压力。

正因为如此，sdn在短短几年内得到了广泛的应用，成为企业用户部署和配置网络服务的重要选择。

然而，它没有持续多久。随着用户服务和网络服务的紧密结合，企业级网络应用的规模不断扩大，特别是在高复杂性和频繁调整的大规模云数据中心。即使有自动辅助手段，用户的操作和维护以及成本压力仍然难以真正减轻。

以企业园区为例，网络服务不仅要满足日常办公应用，还要支持不同质量要求的不同应用和场景，如制造、移动办公、视频会议等。这意味着网络应该随时满足业务需求的突然变化，如服务器和存储，峰值应该增加资源，而谷值应该减少。显然，光靠自动化是不够的，网络需要更加智能化。

为了满足用户的实际需求，新华三世于2019年推出了具有更多智能属性的网络体系结构(sna)，并基于此开发了数据中心网络产品解决方案。仅在一年内，这项技术就被许多用户部署和应用，反响热烈。以山东大学为例，通过部署sna方案，问题定位从小时级提升到分钟级，网络维护工作量减少80%。

今年，新华三期再次升级sna，嵌入智能分析仪和智能控制技术，这意味着网络智能化程度再次提高。

sna的原则是什么？

简而言之，sna的核心是通过“感知-分析-决策”模式的人工智能(ai)的训练和推理过程，将丰富的网络运行和维护数据转化为更好的网络策略，从而帮助终端用户有效提高网络智能分析和业务安排能力，降低成本。

具体来说，sna体系结构如图1所示，它由三个模块组成:先知服务中心、先知分析器和先知引擎。

其中，先知服务中心作为网络智能管理、控制和调度的核心，不仅可以根据用户的业务需求实现智能调度、业务协作和资源调度，还可以对各种网络设备的数据进行汇总，在其内部的人工智能平台上进行建模、评估、训练和调试，形成一系列智能网络模型进行调用。

图1。sna总体架构

如果把先知服务中心比作系统网络体系结构的“大脑”，那么先知分析器和网络控制器就是系统网络体系结构的“手和眼睛”。通过遥测等毫秒采集技术，先知分析仪可以感应和收集网络基础设施中的各种数据，并在清洗、提取和转换后上传到先知服务中心。

通过在云或先知分析器中进行人工智能推理，由先知服务中心训练和调整的模型可以形成有效的自动网络部署和调整策略。根据这些策略，网络控制器可以以可编程的方式管理网络基础设施，包括实现服务的自动部署、网络资源的最优路径调度以及网络故障的预测、报警和快速消除。

大脑、手和眼睛一起工作，使网络更加智能。目前，sna可以为用户提供20多种智能网络算法和100多种网络状态洞察方法。

智慧背后的强大支持

在这一点上，我们必须提到英特尔，它为sna和各种培训模型优化方案提供了强大的计算支持。众所周知，在由交换机、路由器、无线接入点等基本设备组成的网络中，事务日志、易损件状态、异常告警等信息是巨大的。如果这些数据不能被有效处理，它们基本上是无用的，处理这些数据需要强大的计算能力。

正如新华三爱研究院院长敖湘桥所说:“sna通过ai技术实时感知网络状态，并基于网络数据分析实现自动部署和风险预测，使网络能够更智能、更高效地支持终端用户业务。”通过引入针对英特尔架构优化的第二代英特尔至强可扩展处理器和tensorflow，sna的人工智能培训能力得到了极大提高，使企业网络能够更轻松地应对复杂的业务场景。”

提升有多明显？新华三和英特尔针对实际应用场景进行了一系列测试。让我们以dns隧道检测模型为例来说明改进后的效果。

作为网络应用中重要的基础协议之一，恶意程序经常利用dns请求时形成的dns隧道对网络进行攻击，例如将数据封装在dns请求包中，从而绕过内外网络隔离等防御措施，导致企业内部网内关键信息的透明传输。

由于此类恶意攻击隐藏在dns隧道中，如图2所示，传统的网络安全检测方法(如签名检测、流量监控和ioc检测)很难在其中发挥作用。有鉴于此，新华三基于海量的dns请求消息，在snaservicecenter中建立了一个基于longshort-termmemory (lstm)的dns隧道检测模型，帮助用户提高网络安全水平。

图2。基于lstm的dns隧道检测模型

lstm作为递归神经网络(rnn)的一个重要的衍生模型，通过三种特殊的“门”结构设计，可以大大提高模型的存储时间，因此它特别适用于典型的时间序列数据，如dns请求。它可以在一段时间内，围绕黑白列表数据集中正常和恶意请求的不同特征，如主机名、域名、特定字符等，预测新请求中可能存在的安全风险。

显然，较长的时间序列特征提取和更复杂的门结构意味着模型需要更多的训练和推理计算。为此，新华三世推出了针对英特尔架构优化的第二代英特尔至强可扩展处理器和tensorflow。

图3。dns隧道检测模型训练性能的归一化比较

在对比测试中，两组的硬件配置相同，但基准组与本机张量流匹配，而对比组与针对英特尔架构优化的张量流匹配。验证测试的黑白列表数据集包含20，000个黑名单样本和30，000个白名单样本，10，000个数据作为测试集。如图3所示，优化后，同一硬件平台的训练性能可以提高到基准值的3.2倍。

不仅仅是网络，一切都是智能的

事实上，不仅是网络，还有更多的企业级ict设备都在朝着智能化的方向发展，尤其是那些部署在大型云数据中心的设备，这些设备在运行、维护和管理方面也需要人工智能的帮助。

以服务器为例，早在多年前，其运行维护就开始引入能够感知其运行状态(包括利用率、功耗、散热和故障反馈)的遥测技术和“监控-学习-行动-决策”的匹配管理机制。由于人工智能的一系列应用优势，包括使用数据来训练更好和实用的管理和策略模型，以及在没有或很少人工干预的情况下对不同事件做出及时和并发的响应，在这些设备的管理、操作和维护中有针对性地实施策略的能力变得越来越重要，并且将人工智能方法引入到这些ict设备的管理、操作和维护中已经成为普遍趋势。

事实上，在sna之后，新华三已经开始与英特尔一起探索服务器管理的智能化方面。

在实际对比测试中，在相同的硬件配置下，采用第二代英特尔至强可扩展处理器和针对英特尔架构优化的张量流相结合，模型的推理性能可以提高到基准值的2.71倍；在进一步引入并行多实例优化后，模型的推理性能可以进一步提高到基准值的10.98倍，而不影响延迟。

图4。服务器利用模型推理性能的归一化比较测试结果

综上所述，测试数据已经说明了一切，第二代英特尔至强可扩展处理器和针对英特尔架构优化的tensorflow的结合带来了明显的改进。因此，我们有理由相信，未来将会有更多的ict设备采用这种技术来提高智能水平，而新华和英特尔肯定会在更多方面展开合作。智慧正在改变和加速。