Il network monitoring è un processo IT critico che coinvolge tutti i componenti di rete. Router, switch, firewall, server, macchine virtuali ecc. devono essere costantemente monitorati sia per valutarne le prestazioni sia per evitare l’insorgenza di malfunzionamenti o downtime. Se questo è vero per qualsiasi azienda, lo è a maggior ragione per quelle del settore telecomunicazione, caratterizzato da architetture distribuite molto complesse. Per un operatore di questo segmento, gestire in ritardo una indisponibilità del servizio, anche temporanea, può avere ricadute disastrose sul business, poiché può spingere i clienti a passare alla concorrenza. Per questo il network monitoring a supporto delle telco deve essere proattivo, in grado cioè di riuscire ad anticipare eventuali problemi prima che si manifestino. A tale scopo è necessario avere una visione olistica e non frammentata dell’intera architettura, motivo per il quale i sistemi più evoluti oggi utilizzano l’intelligenza artificiale (AI) e il machine learning a corredo del network monitoring delle telco.
Network monitoring e piattaforme AIOps
Gartner definisce le soluzioni di network performance monitoring and diagnostics (NPMD) come quelle che “sfruttano una combinazione di dati a pacchetto, dati di flusso e metriche dell’infrastruttura per fornire viste storiche, in tempo reale e predittive sulla disponibilità e sulle prestazioni della rete e sul traffico delle applicazioni in esecuzione sulla rete”. Inoltre, nella medesima definizione, gli strumenti NPMD sempre più spesso adoperano piattaforme AIOps (Artificial Intelligence for IT Operations) allo scopo di identificare in modo veloce la root cause del “degrado” delle prestazioni. Nel caso delle telco, questa possibilità si applica su sistemi di rete e sicurezza, su apparati telefonici (IPBX, media gateway, CTI ecc.), su server fisici e virtuali, su middleware e database. Un ecosistema per il quale occorre un tipo di monitoraggio della rete end-to-end che elimini i silos tra sistemi ed eviti il proliferare di allarmi che, invece di semplificare l’individuazione della soluzione, aumentano il lavoro dei team dedicati.
La clusterizzazione degli alert grazie all’AI
L’esempio appena citato, di una disponibilità eccessiva di segnalazioni delle anomalie della rete, è utile a far comprendere la differenza tra il network monitoring così come l’abbiamo conosciuto finora e la sua versione potenziata tramite l’intelligenza artificiale propria delle soluzioni AIOps. Infatti, un modello di alert tradizionale, in cui l’attivazione di allarmi avviene in funzione delle anomalie riscontrate, nelle telco contemporanee sarebbe ingestibile a causa dalla mole di dati che possono generare gli allarmi. L’avvento del 5G, fra l’altro, comporterà una crescita esponenziale delle SIM M2M (machine-to-machine) nell’ambito delle architetture IoT, in aggiunta alle SIM Human. La quantità dei dati interessati dal network monitoring renderà quindi impossibile una gestione tradizionale dei parametri di configurazione, dell’anomaly detection e, di conseguenza, degli allarmi associati. Gli algoritmi di machine learning, invece, aiutano a clusterizzare la rilevazione di parametri difformi da quelli ritenuti corretti e introducono meccanismi di automazione per conferire maggiore efficienza al network monitoring.
L’automazione per il network monitoring nelle telco
L’automazione di cui, grazie a intelligenza artificiale e machine learning, può beneficiare il network monitoring nelle telco riguarda diversi aspetti. Per esempio, si applica ai processi di remedetion “intelligente” che consentono di ottimizzare il funzionamento della rete confrontando i risultati dei dati in entrata rispetto ai modelli standard di funzionamento. Anche la definizione dei parametri KPI (key performance indicator) e degli indicatori di qualità KQI (key quality indicator) può così essere continuamente migliorata in virtù dell’auto-ottimizzazione della rete e della selezione progressiva di indicatori pertinenti. A differenza delle soglie fisse previste nei sistemi di network monitoring consueti, le analisi dei dati svolti con l’intelligenza artificiale forniscono insight in tempo reale che permettono di correlare per esempio i guasti della rete con i dati relativi alla customer experience. Con il vantaggio di ridurre i tempi di indagine, giacché accorciano la scoperta e l’individuazione dei problemi di performance in tutti i servizi delle telco.
