EMA研究了各個企業如何使用多個網絡性能管理（NPM）工具，以及他們如何整合這些工具以提高效率。在本文中，EMA的網絡管理研究主管Shamus McGillicuddy介紹了“當今數字企業的網絡性能管理 ”的研究結果，該研究對250位網絡管理人員進行了調查，提出了處理這一問題的做法。

目前，IT企業安裝三到六個網絡性能管理（NPM）工具已是常態。如果它們仍然處于孤立的狀態，網絡運營將是分散且效率低下的。這對網絡管理員來說是一個持續面臨的挑戰。

EMA要求250名網絡管理人員，確定他們對NPM工具的首選采購策略，并發現企業對完全集成的多功能平臺有強烈的偏好。EMA發現，目前擁有11個或更多NPM工具的企業，最有可能表示對這種完全集成戰略的偏好。因此，盡管他們表示希望整合工具，但他們并沒有取得成功。

為什么使用多個NPM工具？

部分問題是企業使用NPM工具收集和分析這么多不同類型的數據。通過SNMP MIBs和trap收集的基礎設施指標是NPM的基礎數據源，但它們不包含網絡管理員從NPM工具所需的答案。

大多數企業還收集流量數據，包括網絡流量、數據包或兩者兼而有之。EMA研究還發現，人們對主動監測工具產生的合成流量非常感興趣。用于NPM分析的最流行的數據源是管理系統API。換句話說，網絡管理員對從其他IT管理系統提取數據到NPM工具進行上下文分析非常感興趣。

考慮到這種數據的多樣性，工具碎片化是不可避免的。畢竟，沒有哪家供應商擅長收集和分析上面提到的每一類數據。他們通常擅長一類或兩類數據類型，這意味著企業不可避免地需要額外的NPM工具來彌補可見性方面的差距。

NPM工具之間的關聯性

EMA要求調查參與者透露，他們如何將多個NPM工具的洞察力聯系起來。最受歡迎的方法（25%的受訪者）是使用網絡運營管理平臺或管理人員之間的集成，從多個NPM工具中獲取洞察力。這些平臺通常擅長跨多個NPM源的事件管理和警報關聯。

其次，19%的人提到了point工具之間的直接集成，這樣一個工具就可以將另一個工具中獲取的洞察力關聯起來。如果企業使用兩個以上的工具，這種方法可能會變得復雜。

另外19%的人將他們的NPM工具與人工智能的IT運營（AIOps）高級IT分析平臺集成，15%的人將NPM工具與服務管理平臺集成，14%的人將NPM數據流傳輸到數據湖進行相關分析。只有7%的人聲稱手動執行這些關聯性。這很好，因為它是一種低效且容易出錯的方法。少數人聲稱他們在各種工具之間沒有關聯性。

EMA還詢問企業在這種交叉工具關聯中的成功程度。27%表示他們非常成功，49%表示成功。其余的則有些成功，有些不成功，或者不確定。EMA將這24%歸類為“不太成功”。這個關于成功的問題讓EMA能夠尋找潛在的最佳實踐。

手動將工具間的洞見關聯起來的企業往往屬于“不太成功”的一類。最常用的關聯方法 - 工具之間的直接集成以及與管理人員之間的集成 - 與成功之間沒有統計上顯著的關聯。

優秀實踐

成功企業首選的三種不太流行的跨工具關聯方法。

成功的企業更喜歡與服務管理平臺集成，或者通過將NPM數據流傳輸到數據湖中進行分析來關聯。非常成功的企業將他們的NPM工具與AIOps平臺集成在一起。

EMA認為，后三種方法是解決NPM工具無序擴散問題的最佳實踐。AIOps工具似乎是很好的選擇。

EMA建議企業調查AIOps平臺，如果他們正在努力應對網絡管理工具蔓延。但是，與服務管理平臺集成或使用帶有數據分析堆棧的數據湖也可能有所幫助。

責任編輯：ct