對互聯網連接的快速增長的需求給改進網絡基礎設施、性能和其他關鍵參數帶來了壓力。網絡管理員必須遇到運行多個網絡應用程序的不同類型的網絡。

每個網絡應用程序都有自己的一組特性和性能參數，這些特性和性能參數可能會動態變化。由于網絡的多樣性和復雜性，為此類網絡場景構建的傳統算法或硬編碼技術是一項具有挑戰性的任務。

機器學習已被證明對幾乎所有行業都有益，包括 網絡行業。機器學習可以幫助解決棘手的舊網絡障礙并激發新的網絡應用程序，使網絡變得非常方便。讓我們通過幾個用例詳細討論基本工作流程，以更好地了解網絡領域中的應用機器學習技術。

智能網絡流量管理：

隨著對物聯網 （IoT） 解決方案的需求不斷增長，現代網絡會產生海量且異構的流量數據。對于這樣一個動態的網絡，Ping 監控、日志文件監控甚至 SNMP 等用于網絡流量監控和數據分析的傳統網絡管理技術是不夠的。他們通常缺乏對實時數據的準確性和有效處理。另一方面，由于設備移動性和網絡異構性，來自網絡中蜂窩或移動設備等其他來源的流量相對表現出更復雜的行為。

機器學習有助于大數據系統和大區域網絡中的分析，以便在管理此類網絡時識別復雜的模式。鑒于這些機會，網絡領域的研究人員將深度學習模型用于網絡流量監控和分析應用，如流量分類和預測、擁塞控制等。

1. 帶內網絡遙測

網絡遙測數據提供有關網絡性能的基本指標。這些信息通常很難解釋。考慮到網絡中通過的大小和總數據具有巨大的價值。如果使用得當，它可以大大提高性能。

帶內網絡遙測等新興技術可以幫助實時收集詳細的網絡遙測數據。最重要的是，在此類數據集上運行機器學習可以幫助關聯延遲、路徑、交換機、路由器、事件等之間的現象，這是使用傳統方法從大量實時數據中難以指出的。

訓練機器學習模型以了解遙測數據中的相關性和模式，最終獲得基于從歷史數據中學習預測未來的能力。這有助于管理未來的網絡中斷。

2. 資源分配和擁塞控制

每個網絡基礎設施都有一個預定義的可用總吞吐量。它進一步分為不同預定義帶寬的多個通道。在這種情況下，每個最終用戶的總帶寬使用是靜態預定義的，在網絡被壓倒性地使用的網絡的某些部分總是可能存在瓶頸。

為了避免這種擁塞，可以訓練監督機器學習模型以實時分析網絡流量，并以網絡遇到最少瓶頸的方式推斷每個用戶的適當帶寬限制。

此類模型可以從網絡統計數據中學習，例如每個網絡節點的總活躍用戶數、每個用戶的歷史網絡使用數據、基于時間的數據使用模式、用戶跨多個接入點的移動等等。

3. 流量分類

在每個網絡中，都存在各種流量，如虛擬主機 （HTTP）、文件傳輸 （FTP）、安全瀏覽 （HTTPS）、HTTP 實時視頻流 （HLS）、終端服務 （SSH） 等。現在，當涉及到網絡帶寬使用時，它們中的每一個都表現不同，通過 FTP 傳輸文件。它不斷地使用大量數據。

例如，如果正在流式傳輸視頻，它將使用塊中的數據和緩沖方法。當不同類型的流量以無監督的方式在網絡中運行時，可以看到一些暫時的阻塞。

為避免這種情況，機器學習分類器可用于分析和分類網絡中的流量類型。然后，這些模型可用于推斷網絡參數，如分配的帶寬、數據上限等，以通過改進所服務請求的調度以及動態更改分配的帶寬來幫助提高網絡的性能。

網絡安全：

網絡攻擊數量的增加迫使組織不斷監控和關聯整個網絡基礎設施及其用戶的數百萬個外部和內部數據點。大量實時數據的手動管理變得困難。這就是機器學習有幫助的地方。

機器學習可以實時識別網絡中的某些模式和異常，并預測海量數據集中的威脅。通過使此類分析自動化，網絡管理員可以輕松地檢測威脅并快速隔離情況，而減少人力。

1. 網絡攻擊識別/預防

網絡行為是機器學習系統中用于異常檢測的重要參數。機器學習引擎實時處理大量數據以識別威脅、未知惡意軟件和違反政策的行為。

如果發現網絡行為在預定義行為范圍內，則接受網絡事務，否則在系統中觸發警報。這可用于防止多種攻擊，如 DoS、DDoS 和 Probe。

2. 網絡釣魚預防

很容易誘騙某人點擊看似合法的惡意鏈接，然后試圖突破計算機的防御系統。機器學習有助于預測可疑網站，以幫助防止人們連接到惡意網站。

例如，文本分類器機器學習模型可以讀取和理解 URL，并首先識別那些欺騙性的網絡釣魚 URL。這將為最終用戶創造更安全的瀏覽體驗。

機器學習在網絡中的集成不僅限于上述用例。通過從網絡和機器學習的角度闡明機遇和研究，可以在使用 ML 進行網絡和網絡安全領域開發解決方案，以解決未解決的問題。

審核編輯：郭婷