隨著供應商希望簡化操作，降低成本并優化現代云時代的WAN性能，軟件定義廣域網（SD－WAN）得到了AIOps的大力推動。

SD－WAN將網絡的控制方面與硬件分離，以創建虛擬化的網絡覆蓋，而AIOps則將機器學習和數據分析應用于IT運營，以實現流程自動化。兩者的融合（也稱為AI驅動的廣域網）有望開啟廣域網的新紀元，使IT不僅可以優化網絡和應用程序體驗，還可以為單個用戶提供最佳體驗。

在過去的五年中，SD－WAN是通信領域最熱門的技術之一。

廣域網迫切需要演進，于是出現了SD－WAN。它為網絡帶來了更大的靈活性，并使企業能夠利用低成本的互聯網，代替高成本的電信寬帶服務。此外，SD－WAN通過自動故障轉移提高了網絡彈性。在“萬物互聯”的時代，網絡正常運行時間對于保持業務運營至關重要。

在2020年之前，SD－WAN的應用已經很廣泛了，而疫情的爆發刺激了它更快的被應用。在2020 ZK Research Anywhere的研究中，有46％的受訪者表示，新冠疫情加速了他們的SD－WAN部署。

盡管應用迅速，但是SD－WAN并不能解決所有網絡問題。無論是軟件定義還是其他方式的網絡運營，面臨的挑戰是策略配置和持續管理及故障排除都是手動完成的。所有的SD－WAN廠商都已經做好了簡化部署的工作，雖然是零接觸的配置，但這只解決了零天的操作。一旦網絡運行起來，尋找廣域網中斷源頭的過程仍然是一個需要大量人工繁重工作的過程。如果沒有一個智能事件關聯的自動化模型，在LAN、WLAN和WAN域之間隔離問題的難度成倍增加，而且完全不可能。

在某些方面，SD－WAN加劇了故障排除問題。它通過隱藏中斷的多路徑網絡，為網絡增加了一定程度的彈性。這導致網絡操作儀表板可以顯示所有內容均為“綠色”，但應用程序的性能較差的情況。隨著視頻技術的興起，網絡性能問題變得異常明顯，網絡工程師們不斷地爭相嘗試和補救問題。

這是AI可以發揮作用的地方。AI系統可以攝取網絡基礎設施（LAN，WLAN和WAN）提供的大量數據，以“查看”即使最精明的網絡工程師也看不到的東西。曾幾何時，當網絡相當簡單且流量較低時，經驗豐富的網絡專業人員就有可能“了解”網絡，并通過結合領域知識和對流量的快速檢查來快速找到問題的根源。但是隨著設備，應用程序和信息量的激增，情況就不一樣了。最大的變化之一，周期性的輪詢數據已經被實時的流式遙測技術所取代，這將增加一個數量級或更多的數據。

人工智能系統甚至可以看到網絡中的最小變化，并預測人眼無法識別的事物。一個很好的類比是AI如何在醫學專業的放射學中使用。AI系統可以檢測核磁共振成像中最小的異常情況，從而使醫生能夠比沒有AI的患者更早地治療患者。網絡專業人員也是如此。AI系統會發現網絡中的小問題，這些小問題可能會導致應用程序出現異常情況，最終用戶不會注意到這些問題，但稍后會引起更大的問題。網絡工程師可以使用AI系統的輸出，在問題對業務產生影響之前（即自動駕駛網絡）主動解決問題。

談到AI計劃，數據科學家使用了一個公理，指出“好的數據可以帶來好的見解”。這當然是正確的，但是部分數據導致部分洞察也是正確的，這可能是AI驅動的WAN產品的局限性之一。更具體地說，如果解決方案只看網絡而沒有理解對實際用戶體驗和應用程序的影響，那么它就失去了很大一部分。如果存在多個網絡問題，則應優先考慮那些影響關鍵應用程序和／或用戶的問題。如果某些問題根本不影響應用程序性能，則可以將這些問題放到后燃器上，然后再修復。

此外，如果解決方案僅看到WAN數據，而沒有將其與網絡的其他區域（即LAN和WLAN）相關聯，則可能會導致效率低下，從而增加網絡成本。更糟糕的是，這可能導致有關網絡性能問題以及如何解決這些問題的錯誤假設或結論。在這方面，需要從整體上看待AI驅動的WAN，這是AI驅動的網絡更大端到端故事的關鍵部分。

AIOps是SD－WAN演進的關鍵，它為網絡的關鍵部分帶來了急需的自動化和洞察力。由AI驅動的WAN必須超出網絡范圍，才能在應用程序和用戶級別提供有意義的見解（和操作）。這不僅可以帶來性能更好，成本更低的網絡，還可以確保用戶的生產力和客戶服務保持較高水平。

責任編輯：haq