Автоматизация процесса диагностики сетевого оборудования в современном мире с помощью искусственного интеллекта

Статья посвящена исследованию, чтобы раскрыть особенности диагностики сетевого оборудования провайдера на базе предиктивной аналитики с помощью использования искусственного интеллекта. В статье выявлены условия работы сетевого оборудования, способствующие диагностике оборудования, раскрыта сущность средств, предназначенных для диагностики оборудования в текущий момент. Научная новизна исследования заключается в разработке надстройки над процессом предиктивной диагностики с помощью искусственного интеллекта. В результате выделены проблемы диагностики в современном мире, которые решаются с помощью искусственного интеллекта.

Аннотация статьи
диагностика
искусственный интеллект
интернет
прогноз
аналитика
Ключевые слова

Традиционно изменения в процессах и инвестиции в капиталоемкие и гиперконкурентные отрасли требуют больших денежных вложений. Инвестиции относятся к капитальным расходам и являются долгими деньгами. Поэтому текущее финансовое положение может не позволять провести полную модернизацию разом всего оборудования. Актуальность рассматриваемого вопроса заключается в том, что провайдер сталкивается с проблемой, что не может предугадать, когда оборудование нужно и/или можно менять. Поэтому целью исследования является – предсказание момента выхода из строя оборудования для снижения потерь и уменьшения простоев в работе. Высокие затраты на закупку оборудования приводят к поиску более дешевых альтернатив [13].

Инвестиции в цифровые решения и решения на базе искусственного интеллекта могут быть на порядок меньше, другими словами, провайдеру нужно предугадать проблему заранее, с этим поможет искусственный интеллект на основе прошлых данных [2].

Основываясь на цели исследования определили задачи исследования: определение текущих методов диагностики и их описание, предложение по модернизации систем диагностики.

Сфера телекоммуникаций – одна из наиболее масштабных и оперативно меняющихся профессиональных отраслей в мире. Компании, основной задачей которых еще несколько лет назад было предоставление услуг связи, в наши дни становятся организациями с большим объемом накопленных структурированных и неструктурированных данных, обеспечивают качественный доступ к информации и коммуникации, предлагают клиентам широкий набор услуг и контент-сервисов.

Анализ существующих решений

Компании заинтересованы в бесперебойной работе оборудования, устройств и веб-ресурсов, поскольку даже небольшие сбои и неисправности способны привести к ощутимым финансовым потерям. Чтобы своевременно реагировать на проблемы или вовсе не допускать возникновения внештатных ситуаций, важно контролировать функционирование серверов и сетевого оборудования [3]. Сейчас диагностика проводиться системой мониторинга Zabbix.

Сегодня с помощью этой программы проводят мониторинг сети и различных устройств, анализируя большое количество данных. Например, она позволяет оценить работоспособность сервера, облачных ресурсов, базы данных и т. д [9].

Система характеризуется широким функционалом, поэтому используется для различных целей.

  • Отслеживание бизнес-показателей.
  • Контроль состояния устройств и сетевой активности.
  • Пинг для проверки доступности узлов.
  • Анализ логов

Поскольку Zabbix обрабатывает внушительный объём информации, удаётся минимизировать риск возникновения технических проблем. Например, если каждую неделю времени запуска увеличивается на 1 секунду, это выраженная тенденция, которая, несомненно, приведёт к проблеме. Предприняв какие-либо действия, можно предотвратить сбои в работе оборудования или сервисов. То есть предполагается, что какие-то изменения будут замечены человеком и в свою очередь будет принято какое-то решение.

Данный случай очень сложный и с очень большой долей риска (нельзя опираться на человеческий фактор в данной проблеме, т. к. ошибка влечет за собой большие последствия).

Помимо Zabbixa, существует похожее ПО для диагностики оборудования «NetDiag».

Программа диагностики сетевого оборудования «NetDiag»

Программа предназначена для мониторинга сетей Ethernet и отдельных управляемых сетевых устройств (коммутаторы, компьютеры, контроллеры и т. д.) [7]. Для опроса устройств используется протокол SNMP, также могут использоваться основные общепромышленные протоколы (Fins, Modbus/TCP, Siemens ISO/TCP). Информация отображается в виде мнемосхем, иллюстрирующих структуру сети с отображением текущего состояния устройств и связей между ними [6]. Также есть возможность получения детальной информации об отдельных сетевых устройствах.

Программа использует предварительно сконфигурированную структуру сетей, состав сетевых устройств и схем их подключения, что позволяет выявить отклонения текущей структуры сети от проектной, в том числе отсутствующие, посторонние или ошибочные подключения.

Также программа позволяет отображать дополнительную информацию об устройствах, доступную по SNMP или общепромышленным протоколам (состояние дисковой подсистемы серверов, самодиагностика контроллеров и т. д.). Информация может выводиться как в окне детальной информации устройства, так и непосредственно на мнемосхему.

Основные функции программы:

  • опрос управляемых сетевых устройств по SNMP;
  • опрос контроллеров и других интеллектуальных устройств по общепромышленным протоколам;
  • проверка доступности устройств на основе ICMP (ping);
  • отображение информации в виде мнемосхем и окон детальной информации;
  • анализ соответствия фактической и проектной структуры сети.

Все многообразие средств, предназначенных для диагностики сетей, можно условно разделить на две категории в зависимости от принципа их работы: средства мониторинга и управления работой сети (далее средства мониторинга – monitoring software) и анализаторы сетевых протоколов (далее анализаторы протоколов – analyzers).

Принцип работы средств мониторинга основан на взаимодействии консоли оператора с так называемыми агентами, которые, собственно, и занимаются мониторингом и управлением работой устройств сети.

Развитые функции средств мониторинга по декодированию собранных пакетов повышают их эффективность при проведении упреждающей диагностики сети. К сожалению, очень немногие (в основном, только дорогие) средства мониторинга отображают информацию о собранных пакетах в удобной для анализа форме.

На протяжении ряда лет большинство вопросов повышения производительности и надежности сетей решалось закупкой новой техники [11]. Не всегда подобное решение было технически и экономически обоснованно, но почти всегда оно позволяло достигнуть желаемой цели – сеть начинала работать быстрее и лучше [12]. При наличии 200% запаса пропускной способности практически все «узкие места» можно без труда «расширить», а приобретая только самое дорогое оборудование лидеров сетевых технологий, вы можете с большой степенью вероятности обезопасить себя от «скрытых дефектов».

Сегодня в связи с кризисом ситуация изменилась, поэтому и экономическое обоснование проектов по модернизации сетей становится актуальным. Мировой опыт показывает, что инвестиции в профессионализм специалистов дают большую отдачу, чем инвестиции в «железо», даже очень хорошее. Необходимую пропускную способность сети или ее надежность нельзя оценить без детального анализа ее нынешнего состояния. Это можно сделать только посредством диагностических средств, а главное – с помощью высокопрофессиональных администраторов сетей, вооруженных этими средствами [4].

Решение задачи по оценке технического состояния сетевого оборудования провайдера в значительной мере связано с внедрением эффективных методов инструментального контроля и технической диагностики [1].

Внедрение искусственного интеллекта в это направление поможет решить несколько проблем, например, точный мониторинг оборудования с составлением его прогноза выхода из строя, поможет сразу решить проблему с модернизацией сети, также повысит уровень лояльности абонентов [8, 10].

Затрагивая вопрос искусственного интеллекта в работе, нужно описать схему его работы (рис.).

Рис. Управление процесса предиктивной аналитики

  1. Предиктивная диагностика. На этом уровне проводится мониторинг состояние сети, примерно такими же инструментами, которые есть сейчас, выявляются ошибки – в виде отключения оборудования или его перегрев.
  2. Следующий шаг – более глубокий – выбор показателей. Здесь закладывается выбор тех или иных показателей для диагностики сетевого оборудования.
  3. Непосредственно сам мониторинг состояния сети.
  4. Сравнение полученных данных с эталонными показателями.
  5. Проверка точности диагностики.
  6. Далее идет этап решения проблемы и соответственно предупреждение клиента о проведении работ на сети.

Если описать процесс диагностики вкратце, то искусственный интеллект в процессе предиктивной диагностики работает следующем образом.

Изначально происходит сбор данных с оборудования, когда оно было в критическом состоянии, чем больше глубина, тем лучше прогноз, далее после обучения нейронной сети критическому показателю, вводится новый показатель – «нормы», т. е. состояние коммутатора в идеальных условиях.

Искусственный интеллект на основе этих данных делает прогноз на период, когда оборудование может работать без вмешательства человека.

Также искусственный интеллект, когда делает вывод о том, что оборудование на грани выхода из строя оправляет отчет в службу мониторинга и уведомление абонентам, о том, что сейчас услуги могут работать некорректно.

Внедрение искусственного интеллекта в это направление поможет решить несколько проблем, например, точный мониторинг оборудования с составлением его прогноза выхода из строя, поможет сразу решить проблему с модернизацией сети, также повысит уровень лояльности абонентов.

Система будет мониторить состояние – изначально будет задан нормальный (идеальный) вариант поведения, при отклонении от предельно допустимого уровня будет создан процесс на службу технической поддержки или будет процесс на выезд специалиста для проверки оборудования на месте.

Проведение такого рода диагностики поможет многим оператором предугадать аварии, проблемы на сети или же просто сократить простой, а также повысить уровень лояльности на рынке услуг и просто завоевать место в сердцах многих клиентов.

Текст статьи
  1. Siegel, E Predictive Analytics. 2016.
  2. Варламов, О.О. Перспективы искусственного интеллекта // Знание – Сила. – 2020. – №3.
  3. Abbott, D. Principles and techniques for the professional data analyst. Indianapolis // Applied predictive analytics. – 2014.
  4. Варламов, О.О. О метрике автономности и интеллектуальности робототехнических комплексов и киберфизических систем // Радиопромышленность. – 2018. – №28(1).
  5. Варламов, О.О. Wi!Mi Expert System Shell as the Novel Tool for Building Knowledge-Based Systems with Linear Computational Complexity // International Review of Automatic Control. – 2018. – №11(6).
  6. Kumar, V Predictive Analytics: A Review of Trends and Techniques. // International Journal of Computer Applications. – 2018. – №182.
  7. Yakovleva, M.V., Shalina, A.I. Decision-making algorithm on the implementation of predictive maintenance of equipment at high-tech enterprises // Russian Journal of Innovation Economics. – 2023. – No. 1.
  8. Варламов, О.О. Перспективы искусственного интеллекта // Знание – Сила. – 2020. – №3.
  9. Лазарева, Н.Б., Горбачев, К.А. Системы мониторинга оборудования // E-Scio. – 2020. – №2.
  10.  Абрамов, В.И., Борзов, А.В., Семенков, К. Ю. Предиктивный анализ клиентов на основе CRM // Теоретико-методологический анализ моделей цифровой зрелости для российских компаний. – 2021. – №04(50).
  11.  Цифровая трансформация в эпоху «черных лебедей» // Большие идеи URL: https://hbr-russia.ru/innovatsii/upravlenie-innovatsiyami/tsifrovaya-transformatsiya-v-epokhu-chernykh-lebedey/ (дата обращения: 20.04.2023).
  12.  Фролова, М.В., Чепыжов, Д.С. Предиктивное техническое обслуживание как средство обеспечения экономической безопасности промышленных предприятий // Экономическая безопасности России: проблемы и перспективы: Материалы VII Международной научно-практической конференции. – Нижний Новгород: Русайнс, 2020.
  13.  Афанасьев, А.А. Об оценке влияния международных санкций на условия функционирования отечественной промышленности // Экономические отношения. – 2022. – №2.
Список литературы