WAN Insights

预测网络是指利用预测分析过程，通过历史数据预测未来行为，进而确定相应网络上发生或再次发生问题的概率。然后，预测网络可以根据预测结果生成建议，如果手动或自动应用这些建议，则可以降低发生问题的概率，从而降低对用户数字体验的影响。

预测性分析是指将算法应用于模型，以便根据历史数据确定未来结果的可能性。

要创建预测性分析模型，需运行不同的算法，以识别大规模事务数据集内的重复模式。

严格来说，机器学习不属于预测性分析，但可以用于增强预测性分析模型随着时间的推移检测模式、预测结果和提出行动建议的能力。

预测性分析是一种前瞻性数据分析，旨在根据历史数据确定未来结果的可能性。诊断性分析是被动分析，旨在确定特定时期内发生的变化，通常用于追溯了解发生相应事件或趋势的原因。

企业越来越多地采用基于云的服务（例如 SaaS 应用），进而增加了对互联网传输 WAN 流量的依赖。鉴于许多关键应用和服务不再位于数据中心内部，如果使用传统的多协议标签交换 (MPLS) 服务，则无法充分利用昂贵的回传 WAN 带宽。因此，企业正在向混合 WAN 架构和 SD-WAN 技术迁移，该技术将直接互联网接入 (DIA)、IP VPN 隧道和传统 MPLS 电路相结合。

在过去几年中，为满足上述需求，由 SD-WAN 供应商和托管 SD-WAN 提供商组成的强大市场应运而生。SD-WAN 的架构旨在利用自动化操作，提供一定程度的弹性。许多自动化功能能够跟踪 SD-WAN 设备之间数据平面隧道的网络和路径特征，并使用收集的信息计算数据流量的最佳路径，从而在出现问题时自动将数据流量重定向到最佳可用路径。 此功能虽是自动执行的，但仍然是被动模式，只有在状况恶化到影响用户性能时才会启动更改。

预测性分析基于这种被动功能，利用丢包、延迟和抖动等特征，应用多种统计时间序列方法来预测不同应用的流量中断概率，然后使用这些预测结果推荐网络路径，以免发生问题，影响用户性能。

对于 SD-WAN 网络中的任何新旧站点，IT 运维团队的目标都是要降低电路成本，同时提供最佳应用性能。但是，面对数千个站点、网络、路径、应用和用户的数据点，手动评估和分析几乎不现实。因此，大多数组织在提供用户体验时采用被动方式，只关注出现的问题，无法摆脱“救火式”运维模式。

如果事件数量减少，IT 运维团队需要对问题做出响应的次数也将随之减少，从而有望摆脱基于投诉的“救火式”响应，并转变到基于数据的决策过程。这有助于形成一种主动服务模式，使原本可能被忽视的网络状况在明显影响用户之前即得到解决。

这适用于多个级别的 IT 运维，有助于在整个组织中建立交叉技能，让经验不足的工程师有足够的信息来做出明智的决策，最终让经验丰富的工程师可以腾出时间采取战略行动。

预测分析系统可在连续一段时间内持续观察选定应用在每条网络路径上的行为，分析所有 SD-WAN 网络站点的历史性能，并发现各应用类别（例如，Office 365 或语音）的质量问题。

在确定可以通过更改当前网络配置来避免质量问题时，系统便会针对给定的应用类别生成建议，通常是提供替代路径来路由该站点的传出流量。