导读

随着网络变得更加虚拟化、软件定义以及自动化，网络的可见性也产生了一些同样重要的变化。

自动化数据中心仍然必须“受到监控”，而不是像过去那样。 Visibility如何在管理自动数据中心方面发挥作用？未来的网络性能监控和诊断（NPMD）解决方案如何帮助NetOps克服相关挑战？以下内容将探讨自动数据中心及其如何通过机器学习、软件定义。网络和公共云/私有云迁移的影响。并了解下一代网络性能监控和诊断（NPMD）解决方案在提供可视性方面的作用。

需要明确的是，“自动化”并不意味着缺乏人为干预或疏忽。事实上，推动自动化的目标是响应更广泛的、更复杂的网络并减少网络管理员。数据中心自动化通过为任何常规网络管理流程或程序集添加一定程度的自动化来提高效率。它使用从脚本到网络虚拟化和软件定义网络的技术，但它本身并不是一项技术，它必须是识别自动化关键领域并确定在每种独特情况下使用的最佳技术的人。

自治数据中心需要机器学习，这需要输入数据

机器学习是推动和加速数据中心自动化的关键技术。例如，检查网络基线（网络基线是指正常情况下网络的各种参数）是当今NetOps中使用最多的手动操作之一。有许多形式的基线，总体利用率和应用程序使用和性能是最重要的两个。制定基线涉及许多步骤，包括在统计上重要的时间范围内收集和存储适当的数据；提取和分析数据；以简单的、操作格式可视化结果；比较当前和基线数据；并基于当前的绩效指标基线偏差决定了适当的行动方案。

整个过程非常艰巨，考虑到今天的NetOps中的所有其他职责，它经常被忽视。机器学习可以随时间收集数据、自动为系统建模，然后预测未来趋势，这是自动化基线分析所需的。尽管该技术仍在不断发展，但基于当前的市场发展，似乎可以在几年内实现可以自动化基线分析的机器学习产品。

任何机器学习引擎都需要良好的数据输入，因此网络需要全面的可见性工具来提供高质量的数据，以从机器学习引擎中获取价值。所有网络都是不同的，因此机器学习算法需要先实现大量的基线和学习才能产生好的建议，所有这些都需要网络数据，这些数据与网络可见性解决方案提供的数据相同。目前，以数据流为中心的数据可用于为机器学习引擎提供最佳数据，但它必须比NetFlow的典型五元组数据更详细。例如，Cisco Flexible NetFlow（FNF），思科应用可视性和控制（AVC）以及Cisco Medianet等技术基于过去的基本五元组流数据，并且多个网络可见性工具可以收集和分析这些数据。这提供了更好的可见性、机器学习算法的灵活性，以及​​更好的数据。

软件定义的网络使端到端的可见性变得更加重要

软件定义网络（SDN）是另一项对数据中心自动化产生重大影响的新兴技术。在广泛使用软件定义网络（SDN）之前，大多数数据中心自动化采用脚本化CLI命令的形式，用于网络中的所有设备。这是一项繁琐的任务，通常只在自动化必不可少时才会完成。

但是，如果网络中存在为基础设施层中的所有设备提供单个、简单和现代控制接口的控制层，则使用软件定义网络（SDN）。虽然这个承诺听起来有点夸张，但软件定义网络（SDN）正在实现承诺，而且业界采用的速度比许多人想象的要快得多。

在软件定义的网络中，IP地址和服务器实例的数量正在迅速变化，这限制了传统的网络监控方法，并使基于流量数据的可视化变得至关重要。与提供机器学习所需的数据一样，基于数据流的数据深度对于软件定义网络（SDN）网络监控至关重要，不仅需要NetFlow的简单五元数据。流量数据提供映射网络所需的内容，并且仍需要对数据包数据进行深入的故障排除。使用多种类型数据的更统一的网络性能监视和诊断（NPM）工具将更好地解决基于数据中心自动化（SDN）的数据中心自动化问题。

公共/私有云迁移推动了对数据中心自动化的需求并提高了可视性

与支持数据中心自动化的机器学习和软件定义网络（SDN）不同，公共云/私有云迁移正在推动对更多数据中心自动化的需求。今天，几乎所有企业都在考虑并实施某种程度的公共/私有云部署。为了利用这些部署，进入远程办公室的网络路径正在迅速从中心移动到远程办公室，以直接访问云服务，无论是公共还是私有。虽然这可能被视为网络的简化，特别是从用户的角度来看，它极大地增加了NetOps、的配置和管理任务。任何能够直接访问云资源的自动化对网络团队都非常有帮助。最终用户直接云计算访问和应用程序的跨云操作给当今的网络可视性解决方案带来了压力。远程办公室中的直接云访问正在推动对SD-WAN解决方案的需求，这些解决方案可优化最终用户体验，同时通过服务提供商降低网络连接的总体成本。

但是，SD-WAN创建了大多数传统网络可见性解决方案无法处理的高度动态的网络路由。例如，从同一虚拟环境中的数据库请求数据的客户关系管理系统（CRM）应用程序为网络和应用程序性能管理创建了盲点。迁移到云时，不仅需要更多的数据中心管理，还需要新的和现代的解决方案来实现网络可见性。

自动化需要了解过程——它是否正常工作？

数据中心自动化和驱动它的相关技术对网络可见性提出了更高的要求，这意味着需要多种类型的网络数据来有效地监控和排除故障。在大多数情况下，增强的基于数据流的技术提供监视和管理这些日益复杂的网络所需的数据。但是，基于流量的数据规范在设计时考虑了速度和广度。

基于数据流的数据可以指示问题何时发生，甚至发生在哪里，但对于复杂问题，它缺少故障排除所需的详细信息。在这些复杂的情况下，IT需要网络数据包来查找问题的根本原因。随着数据中心自动化和相关技术的日益普及，需要重新考虑网络监控，目标是减少工具蔓延并找到提供广度和深度的单一解决方案。

结论

高度自动化的数据中心需要有关网络本身的准确数据才能正确学习和实施策略，因此从数据中心到网络边缘的全面网络可视性对于网络自动化的成功至关重要。

虽然使用公共云/私有云来定义、软件的网络和机器学习工具需要进一步改变网络监控的工具和方法，但相信在自动化的新时代，网络监控将始终如一。网络安全操作。核心部分。