martes, 24 de octubre de 2017

El uso de Big Data para predecir el estado de la red



Por Héctor Silva, director general de tecnología, ventas estratégicas para la región del Caribe y América Latina (CALA) de Ciena



En el entorno de negocios actual, la red juega un papel elemental. Para mantenerse competitivas a nivel global, las empresas deben permanecer ‘en guardia’ en todo momento. Necesitan responder a las demandas del cliente, operar sus negocios y transferir datos instantáneamente. La infraestructura de red que hace posible toda esta comunicación debe actualizarse continuamente con la tecnología más reciente, como la virtualización de las funciones de red y las redes definidas por software (NFV y SDN por sus siglas en inglés respectivamente). Estas tecnologías poco a poco han cobrado gran relevancia en América Latina, especialmente en los casos de uso que han logrado evidenciar rápidamente sus beneficios. Uno de esos casos es la automatización de la red que utiliza analítica sofisticada para aportar conocimientos profundos con la capacidad de transformar procesos operativos, incluida la infraestructura física del operador de redes.



Big Data y la analítica de avanzada: predicciones en torno al estado de la red



El concepto de analítica avanzada hace referencia a las modernas y sofisticadas técnicas empleadas para descubrir patrones relevantes dentro de los datos, con el fin de ayudar a las organizaciones a tomar decisiones inteligentes que les sirvan para cumplir con metas operativas y específicas del negocio. La red, por la cual cada segundo viajan petabytes de datos, sirve como una enorme fuente de información valiosa. En las redes, los datos pueden provenir de muchas fuentes, como por ejemplo de la telemetría; de elementos físicos y virtuales de red; del OSS, que incluye información de clientes y resolución de problemas; de aplicaciones para la gestión de dominios, y mucho más.



Debido a los enormes volúmenes de datos que se manejan, la eficacia de la analítica depende de su capacidad para procesar los datos a gran velocidad, así como de poder asimilarlos y clasificarlos de forma significativa. El reconocimiento de patrones de datos, la clasificación y la agrupación se manejan por medio de ‘aprendizaje automatizado’, una técnica implementada como algoritmos de software. A diferencia de la analítica de red tradicional, donde los procesos involucran ir recopilando datos manualmente (normalmente clasificados en hojas de cálculo) lo que demanda mucho tiempo y esfuerzo, la analítica de red hoy en día utiliza el aprendizaje automatizado y emplea la potencia y el almacenamiento en computadoras, que además de ser una opción mucho más económica, también permite utilizarse a gran escala.



Los métodos analíticos de Big Data se clasifican en tres categorías:


Descriptivo: interpreta datos históricos para determinar “lo que ha sucedido”.
Predictivo: busca resultados que predicen “lo que podría suceder” en el futuro con base en patrones históricos que a veces se combinan con datos externos.
Prescriptivo: predice múltiples resultados para un escenario específico, de acuerdo con las acciones tomadas. La idea es mostrar cómo un conjunto diferente de acciones afectará la situación y dirigirá al usuario hacia la mejor opción posible.



Para un operador de redes, una solución de analítica efectiva debe incorporar algoritmos y técnicas avanzadas de aprendizaje automatizado, lo que las posibilita para afrontar un gran rango de iniciativas de negocio y operativas. Algunos ejemplos de aplicaciones analíticas incluyen garantía de redes o servicios; seguridad de redes; gestión de tráfico, y planificación de capacidad.



Planificación de capacidad, caso de uso de analíticos de avanzada



Otro caso de uso cada vez más importante y atractivo en Latinoamérica, es la capacidad de aplicar analíticas de Big Data para entender cómo se emplea la capacidad de una red y predecir potenciales cuellos de botella con base en patrones y tendencias de tráfico. Esto permite a los operadores planear de mejor manera las actualizaciones y aumentos de capacidad. Por otro lado, este tipo de aplicación también sirve para ubicar en tiempo real los puntos más débiles o sensibles de una red en caso de fallas.



Además, al combinar hardware programable con aplicaciones de software de avanzada, los operadores pueden tomar decisiones acerca de sus sistemas ópticos y de fibra en tiempo real para anticipar y tomar decisiones acertadas superando las limitantes físicas, por ejemplo, en el caso de la fibra degradada.



En conjunto, estos casos nos demuestran cómo los analíticos predictivos y el aprendizaje automático permiten a los operadores garantizar el buen estado de sus redes, manteniéndolas en óptimas condiciones para cumplir de manera eficiente con los niveles de servicio prometidos.



A medida que las redes se vuelven más complejas y dinámicas, los operadores no solamente deben escalarlas con fines de crecimiento, sino también para poder adaptarlas en tiempo real para gestionar las demandas de tráfico que a menudo son impredecibles y cambian súbitamente. Atrás quedaron los días de analizar las redes ópticas a través de hojas de cálculo, una estrategia estática, ardua y propensa a los errores en el manejo de los recursos y servicios de red. Cada vez nos acercamos más a los modelos analíticos y automáticos capaces de detectar tendencias y resolver problemas potenciales antes de que sucedan. Las analíticas avanzadas de software jugarán un papel elemental permitiendo a los operadores ser más eficientes en todos los aspectos de sus operaciones comerciales al tiempo que optimizarán el servicio que ofrecen al cliente.

No hay comentarios.:

Publicar un comentario