Predictive networks

From air
Jump to navigation Jump to search

Fiche de synthèse VTS INFO5 2024-2025: Predictive Networks

Auteurs

  • Alexandre ARLE - INFO5
  • Rémi DEL MEDICO - INFO5

Résumé (en français)

Depuis les débuts d’Internet dans les années 1970, le fonctionnement et la résilience des réseaux ont considérablement évolué. Le temps nécessaire pour détecter et rediriger le trafic en cas de problème a été réduit de manière significative, passant de plusieurs dizaines de secondes à seulement quelques millisecondes. Cette amélioration a été rendue possible grâce au développement et au déploiement de nombreux protocoles et technologies visant à atténuer l’impact des pannes réseau (par exemple, les protocoles de routage dynamique comme OSPF ou BGP). Bien que ces avancées aient significativement renforcé la disponibilité globale du réseau, elles reposent principalement sur des approches réactives, c'est-à-dire que les pannes doivent d’abord être détectées avant d’être traitées. Le nouveau paradigme émergent de l'entreprise Cisco, est celui des “Réseaux prédictifs”. Cette approche vise à utiliser des technologies avancées, telles que l’intelligence artificielle couplé au machine learning, pour analyser en continu les données réseau et identifier des signaux pouvant indiquer une possible défaillance prochaine. Grâce à ces prédictions, il devient possible de rediriger le trafic de manière proactive, avant même qu’une panne ne se produise. Ce changement fondamental pourrait transformer la gestion des infrastructures réseau, en réduisant encore davantage les interruptions et en améliorant l’expérience utilisateur.

Mots-clés

  • Internet : réseau mondial interconnecté reliant des millions de dispositifs, permettant l'échange d'informations et l'accès à des services via des protocoles standardisés comme TCP/IP.
  • Résilience : capacité d’un réseau ou d’un système à maintenir ou rétablir ses services rapidement en cas de panne, de perturbation ou d’attaque.
  • Panne réseau : interruption ou défaillance d’un composant réseau, comme un routeur, un lien ou un serveur, entraînant une perte temporaire de connectivité ou de service.
  • Approche réactive : méthode de gestion des pannes où l’intervention n’est déclenchée qu’après la détection d’un problème.
  • Approche proactive : méthode qui anticipe les problèmes avant qu’ils ne surviennent, permettant d’intervenir préventivement.
  • Intelligence Artificielle (IA) : domaine technologique visant à créer des systèmes capables de réaliser des tâches nécessitant l’intelligence humaine, comme l’analyse de données, la reconnaissance d’images ou la prise de décisions autonomes.
  • Machine Learning (apprentissage automatique) : sous-domaine de l’intelligence artificielle consistant à développer des algorithmes capables d’apprendre et de s’améliorer automatiquement à partir de données, sans être explicitement programmés.

Abstract (en anglais)

Since the early days of the Internet in the 1970s, the functionality and resilience of networks have significantly evolved. The time required to detect and redirect traffic in the event of an issue has been dramatically reduced, from several tens of seconds to just a few milliseconds. This improvement has been made possible through the development and deployment of numerous protocols and technologies aimed at mitigating the impact of network failures (e.g., dynamic routing protocols like OSPF or BGP). While these advances have significantly enhanced the overall availability of networks, they mainly rely on reactive approaches, meaning that failures must first be detected before being addressed. The new emerging paradigm introduced by Cisco, known as "Predictive Networks," seeks to overcome this limitation. This approach leverages advanced technologies such as artificial intelligence and machine learning to continuously analyze network data and identify signals that may indicate an imminent failure. Through these predictions, it becomes possible to proactively redirect traffic before a failure occurs. This fundamental shift could transform the management of network infrastructures by further reducing disruptions and improving user experience.

Keywords

  • Internet : a global interconnected network linking millions of devices, enabling information exchange and access to services via standardized protocols like TCP/IP.
  • Resilience : the ability of a network or system to maintain or quickly restore its services in the event of a failure, disruption, or attack.
  • Network failure : an interruption or malfunction of a network component, such as a router, link, or server, resulting in temporary loss of connectivity or service.
  • Reactive approach : a method of failure management where intervention is triggered only after a problem has been detected.
  • Proactive approach : a method that anticipates issues before they occur, allowing for preventive actions.
  • Artificial Intelligence (AI) : a technological field focused on creating systems capable of performing tasks requiring human intelligence, such as data analysis, image recognition, or autonomous decision-making.
  • Machine Learning : a subfield of artificial intelligence that develops algorithms capable of learning and improving automatically from data without being explicitly programmed.

Synthèse

Introduction et motivations

Officiellement lancée en 2022 après plusieurs années de recherche et développement, la technologie Predictive Networks reflète la stratégie proactive et innovante de Cisco dans la gestion des réseaux, avec pour objectif principal d'améliorer l'expérience utilisateur en offrant des solutions prédictives et préventives. Conçue pour répondre aux besoins des entreprises, elle s’intègre parfaitement au cloud SD-WAN de Cisco, exploitant la puissance de l’intelligence artificielle (IA) et du machine learning (ML) pour analyser de manière approfondie les données télémétriques issues des réseaux WAN.

Les motivations de Predictive Networks reposent sur plusieurs axes :

  • Approche proactive : transformer la gestion des pannes réseau en anticipant les problèmes avant qu’ils ne surviennent grâce à des mécanismes prédictifs basés sur l’intelligence artificielle. Cette approche réduit les temps d’arrêt imprévus et renforce la continuité des opérations.
  • Amélioration de l’expérience utilisateur : offrir une connectivité plus fiable et performante en éliminant les interruptions avant qu’elles n’affectent les utilisateurs finaux, garantissant ainsi une expérience fluide et optimale.
  • Réduction des coûts liés aux interruptions : minimiser les pertes financières et les ressources nécessaires à la résolution des pannes grâce à une détection et une prévention en amont des problèmes.

Fonctionnement et technologies

Le fonctionnement de Predictive Networks repose sur l'intégration de technologies avancées comme l’environnement Cisco SD-WAN pour anticiper et prévenir les violations des SLA (Service Level Agreements). Les SLA représentent des contrats entre prestataires et clients définissant des niveaux de service attendus, tels que la qualité, la disponibilité ou les performances. Une violation SLA correspond au non-respect de ces engagements, ce que Predictive Networks cherche à prévenir grâce à des mécanismes prédictifs.

Fonctionnement d'un SD-WAN

Un SD-WAN est une évolution moderne des WAN traditionnels en utilisant une approche logicielle pour gérer les réseaux étendus. Il permet de combiner divers types de connexions (fibre optique, 4G/5G, Internet, MPLS) et d'optimiser le trafic en temps réel. Il offre une gestion centralisée et flexible grâce à son architecture en couche :

  • Plan de données : permet l’acheminement des paquets ainsi que la gestion simultanée de multiples connexions et le basculement automatique en cas de panne ou de congestion.
  • Plan de contrôle : définit les politiques réseau et prend les décisions d’acheminement des données en fonction des besoins. Géré par des contrôleurs centralisés situés dans le cloud ou les centres de données.
  • Plan de gestion : fournit une interface centralisée pour configurer, surveiller et administrer le SD-WAN, permettant la gestion à distance des périphériques.
  • Plan d’orchestration : centralise et automatise le déploiement des services SD-WAN sur plusieurs sites, synchronisant les politiques de routage, de sécurité et de priorisation sans intervention manuelle locale.

Dans le cadre de Cisco SD-WAN, les composants clés incluent :

  • vEdges : routeurs responsables de l'acheminement des données entre les sites. Ils jouent un rôle essentiel dans le transport du trafic via les chemins les plus performants et dans l'application des politiques réseau définies.
  • vSmart : contrôleurs centralisés chargés de la gestion des politiques réseau, notamment le routage, la sécurité, et la segmentation. Ils orchestrent les communications entre les vEdges pour assurer une gestion cohérente du trafic.
  • vManage : interface d’administration centralisée permettant de configurer, surveiller et gérer l’ensemble du réseau SD-WAN. Elle collecte également les données télémétriques utilisées par vAnalytics pour fournir des analyses approfondies et des recommandations.
  • vBond : composant essentiel pour l'établissement des connexions initiales au sein du réseau SD-WAN. Il agit comme une passerelle d'orchestration sécurisée, authentifiant les périphériques et facilitant leur intégration dans l'architecture SD-WAN.

Predictive Networks dans le SD-WAN

Predictive Networks exploite les données télémétriques collectées par vManage, enrichies et analysées par vAnalytics, pour anticiper les violations SLA. En analysant tous les chemins possibles entre des applications et leurs utilisateurs, les algorithmes de Predictive Networks calculent la probabilité de violation SLA dans les 6, 12 ou 24 heures (prédictions à court terme) ou même sur plusieurs semaines (prédictions à long terme).

Lorsqu’une probabilité élevée de violation est détectée, le système propose des recommandations, telles que le changement de route ou de politique réseau. Ces recommandations, basées sur des modèles statistiques et dynamiques, ainsi que sur des réseaux neuronaux tels que LSTM (Long Short-Term Memory) et State Transition Learning, peuvent être appliquées facilement via l’interface vManage. Une fois validées, elles sont automatiquement déployées sur tous les sites.

Challenges et perspectives

Challenges

  • Complexité des modèles d’IA et ML : le développement et l’entretien de modèles prédictifs sophistiqués nécessitent des compétences avancées.
  • Confidentialité et conformité : la collecte et l’analyse des données télémétriques doivent respecter les régulations en matière de protection des données (GDPR, HIPAA, etc.).
  • Adoption organisationnelle : l’intégration de ces technologies dans les flux de travail existants peut nécessiter un changement culturel et organisationnel important.
  • Coûts initiaux : la mise en place d'une telle solution, incluant la formation, les licences et l’infrastructure, peut représenter un investissement significatif.

Perspectives

  • Amélioration continue des modèles : l’utilisation de plus grandes bases de données et l’évolution des techniques d’IA ouvriront la voie à des prédictions encore plus précises.
  • Expansion des cas d’utilisation : predictive Networks pourrait s’étendre à d'autres types de réseaux (LAN, réseaux 5G privés) et secteurs (santé, finance, éducation).
  • Intégration avec IoT et edge computing : une analyse prédictive en temps réel au plus près des périphériques pourrait révolutionner des domaines comme l’industrie ou les villes intelligentes.

Cas d'utilisations

  • Optimisation de la bande passante pour les applications critiques : assurer la priorité des ressources réseau pour des applications stratégiques (visioconférences, ERP, etc.) en anticipant les problèmes de congestion.
  • Gestion des réseaux hybrides : gérer efficacement les environnements combinant différentes technologies d’accès (MPLS, Internet, 5G).
  • Prévention des violations SLA : garantir des connexions fiables pour les plateformes de commerce électronique, minimisant les pertes de revenus dues à des interruptions.
  • Santé connectée : prévenir les interruptions dans les réseaux connectés aux dispositifs médicaux, garantissant la continuité des soins.
  • Support au télétravail : fournir une connectivité fiable aux employés distants, même dans des régions avec des infrastructures réseau variées.

Conclusion

Predictive Networks de Cisco représente une évolution majeure dans la gestion proactive des réseaux, offrant une expérience utilisateur enrichie tout en réduisant les coûts et les interruptions. En anticipant les besoins futurs et en relevant les défis actuels, cette technologie préfigure une nouvelle ère de connectivité intelligente et fiable.

Références

Retrieved from "https://air.imag.fr/index.php?title=Predictive_networks&oldid=54128"