‘AI helpt de ontwikkeling van een echt self-driven network’

Abonneer je gratis op Techzine!

Juniper Networks heeft het al enige tijd de missie om een ‘self-driving network’ te leveren. Een sleutelrol is weggelegd voor kunstmatige intelligentie (AI). De mogelijkheden die AI biedt worden met beide handen aangegrepen, bleek tijdens de recente Juniper Virtual Summit 2020.

Het self driving network is één van de mantra’s die Juniper Networks al geruime tijd overal uitdraagt. Een self driving network is volgens de leverancier een netwerk dat telemetrie, workflow-automatisering, DevOps en AI met elkaar combineert. Hierdoor wordt de netwerkinfrastructuur responsive en past zich, op basis van voorspellingen, automatisch aan.

Bij het self-driven network komt het begrip ‘netwerk’ op de achtergrond, geeft Juniper Networks-CEO Rami Rahim in zijn keynote voor de Virtual Summit 2020 aan. Het ‘netwerk’ wordt nu nog geassocieerd met infrastructuur. Met de komst van het self-driving network moet infrastructuur niet meer van belang zijn. Het self-driven network is een omgeving die gebaseerd is op de infrastructuren van cloudaanbieders. Dit ‘speciale’ netwerk wijst, naar behoefte, bronnen automatisch toe, schaalt op, ontdekt problemen en lost deze zonder menselijk ingrijpen op.

‘Perfecte cocktail’ voor inzet AI

Voor het naar de achtergrond verplaatsen van het ‘netwerk’ is volgens Juniper Networks de inzet van kunstmatige intelligentie onontbeerlijk. AI helpt bedrijven hun netwerkomgeving, bestaande uit draadloze en vaste netwerkomgevingen future proof te maken. Onder meer met een self driving network. Bedrijven kunnen zich zo beter voorbereiden op het cloudtijdperk. Zeker nu bedrijven steeds meer een ‘cloud first’-mentaliteit omarmen.

Naast een voorwaarde voor het self driving network, is het volgens de CEO van Juniper Networks nu ook het juiste moment om AI te omarmen. Volgens hem doen zich op dit moment drie omstandigheden voor die de ‘perfecte cocktail’ voor AI vormen.

Zo is het voor bedrijven nu onmogelijk de eigen zakelijke data te negeren. Deze eigen zakelijke data wordt daarnaast aangevuld met data van klanten. Dit vermeerdert de waarde van data en trekt op zijn beurt weer nieuwe klanten aan. Voor zakelijke data ontstaat dus een vicieuze cirkel die zelf de waarde van data vermeerdert.

Daarnaast is er op dit moment enorm veel rekenkracht beschikbaar. Voeg daar de rekenkracht van GPU’s aan toe en er ontstaat voldoende capaciteit voor het ontwikkelen van op AI gebaseerde datamodellen. Dit betekent weer dat bedrijven AI-modellen sneller en eenvoudiger ontwikkelen en inzetten.

Verschillende ingrediënten vormen samen de juiste basis om de ‘magie’ van AI daadwerkelijk in te zetten.

Het derde ingrediënt is de populariteit van open-source. In de ogen van Rami Rahim zorgt open-source ervoor dat AI ‘democratiseert’. Iedereen heeft nu toegang tot algemene, door alle partijen gebruikte, algoritmes en modellen om data voor AI in te zetten. Hierdoor krijgt AI pas waarde als het met de juiste data is gevoed en dit vervolgens op de goede functionele manier is toegepast.

Al deze verschillende ingrediënten vormen samen uiteindelijk de juiste basis om de ‘magie’ van AI daadwerkelijk in te zetten, aldus CEO Rahim.

AI is heilige graal

De vraag is dan hoe Juniper Networks AI toepast in zijn portfolio en waarom het de ‘heilige graal’ voor het netwerk van in de (nabije) toekomst is. Het bedrijf startte ooit doelbewust met het integreren van telemetrie in al zijn netwerkproducten om ervan te leren. Anders zou deze interessante informatie alleen in het netwerk zelf zitten opgesloten en was het niet mogelijk om in afzonderlijke use cases ervan te profiteren.

‘Fitbit’ van het netwerk

Uiteindelijk is het vergaren van deze telemetrie uitgelopen in het analyseren van data, het toepassen van AI om ervan te leren en uiteindelijk het geleerde te implementeren in de hele stack. Een belangrijke toepassing van AI door Juniper Networks is de Juniper Advanced Threat Protection (ATP)-oplossing voor het beter beveiligen van de netwerkinfrastrcutuur. Niet alleen wordt hiermee de netwerkinfrastructuur via firewalls beschermd, maar ook alle andere netwerkcomponenten.

Daarnaast houdt de Contrail Insights-oplossing op basis van AI de datacenter fabric en applicaties in de gaten. De oplossing houdt dit deel van het netwerk gezond. Verder houdt het platform HealthBot met AI-functionaliteit alle fysieke elementen in de gaten, of deze zich nu in het netwerk bevinden of niet. De telemetrie-data die HealthBot verzamelt, maakt het platform inzichtelijk met behulp van zogenoemde ‘playbooks’. Deze playbooks zijn specifiek afgestemd op de infrastructuur van de desbetreffende eindgebruiker.

Rami Rahim ziet de combinatie van deze toepassingen ook wel als de ‘Fitbit’ voor het netwerk. Al deze toepassingen werken continu om het netwerk gezond te houden en dat het onder alle omstandigheden blijft functioneren.

Marvis AI-engine

Waar Juniper Networks echt de waarde van het gebruik van AI voor het netwerk ziet, is het Mist-portfolio. Concreet wordt met de in 2019 overgenomen Mist-technologie standaard AI ingezet op basis van machine learning. De technologie verzamelt metadata van het gehele netwerk, analyseert deze en neemt daarop beslissingen. Op basis van deze beslissingen past de technologie automatisch niet alleen de uitrol van hele netwerk aan, maar ook de operationele activiteiten en verbetert deze waar en wanneer nodig, laat VP of Product Mist Sudheer Matta weten.

Kern van Mist vormt de Marvis AI-engine. Dit AI-tool is de basis voor alle handelingen die Mist uitvoert en oplost.

Kern van Mist vormt de Marvis AI-engine. Dit AI-tool is de basis voor alle handelingen die Mist uitvoert en oplost. De AI-engine is samengesteld uit vijf verschillende componenten. Aan de basis staat data. De AI-engine verzamelt zowel synchroon als asynchroon alle benodigde data in het betreffende netwerk. Deze data is afkomstig van zowel de (Mist) access points in het draadloze netwerk of de (Juniper) routers en switches in het vaste netwerk.

AI Primitives Event Timeline

De AI-engine zet deze data vervolgens in een AI-framework. Dit ‘AI Framework’ is eigenlijk de informatie of de metrische gegevens met toegevoegde waarde getoond in het dashboard. Juniper Networks noemt dit AI Framework ook wel de AI Primitives Event Timeline.

Op deze AI Primitives Event Timeline wordt vervolgens data science toegepast in de vorm van een drietal algoritmes. Deze algoritmes constateren binnen de data afwijkingen en vinden voor deze afwijkingen passende oplossingen. De algoritmes zorgen volgens Juniper Networks voor maar liefst 99,9 procent accuratesse.

Virtual Assistant

De met algoritmes versterkte data wordt vervolgens opgepakt door een virtuele assistent. Eigenlijk is deze assistent het dashboard met alle gegevens en informatie, zoals aanbevelingen uit de algoritmes, dat IT-beheerders voorgeschoteld krijgen. Beheerders krijgen dus het overzicht van deze virtuele assistent in een dashboard.

Juniper Networks wil in de komende tijd dit visuele dashboard gaan vervangen. Volgens Matta wordt nu met deep learning een bestaande Natural Language Processing (NLP)-tool verder doorontwikkeld. De huidige versie van deze NLP-tool kan al vragen ondersteunen over welke problemen gebruikers tegenkomen. Marvis geeft hierop vervolgens antwoord met suggesties voor het oplossen van deze problemen. Uiteindelijk moet dus de functionaliteit van deze NLP-tool verder worden uitgebreid en moet de AI-enige straks op alle vragen over het netwerk antwoord kunnen geven.

Self Driving Action Framework

Tot slot eindigen alle verzamelde en bewerkte data in het Self Driving Action Framewok. Volgens Juniper Networks is dit momenteel de dichtstbijzijnde benadering van het self-driving network. Dit framework maakt het uiteindelijk mogelijk dat de Mist AI-engine geheel automatisch problemen constateert, daarvoor met de door AI verrijkte data passende antwoorden vindt en deze dan ook automatisch zonder menselijke tussenkomst verhelpt.

De automatische probleemoplossing van de Mist AI-engine is nu mogelijk voor het draadloze portfolio zoals de Mist access points en -sinds eind 2019- ook voor enkele onderdelen van het vaste netwerkportfolio van Juniper Networks. Dit zijn vooral de op het eigen Junos OS gebaseerde switches.

Verdere uitbouw van Marvis

Opvallend is dat Juniper Networks tijdens zijn Virtual Summit 2020 weinig nieuwe producten introduceerde. Geen hardware, maar wel een analytics-tool, Premium Analytics, voor het Mist-portfolio.

Wel werd alvast een tip van de sluier opgelicht hoe Mist en vooral de Marvis AI-engine verder in het portfolio tot zijn recht gaat komen. Juniper Networks wil de AI-engine uitrollen over de hele stack; van devices van eindgebruikers tot aan de dienstverlening in het datacenter tot de applicaties in de (multi)cloudomgevingen.

Dat Juniper Networks de technologie van Marvis verder in zijn portfolio wil integreren, staat als een paal boven water. Bij algoritmes en data vindt de ‘magie’ plaats, aldus Rami Rahim. Ook dat -naar eigen zeggen- de AI-engine bij klanten op dit moment al meer dan 50 procent van de problemen in (draadloze) netwerken zelfstandig oplost, geeft Juniper Networks het vertrouwen dat het op de goede weg is.

De microservices-architectuur maakt het mogelijk eenvoudig functionaliteit toe te voegen.

Bovendien maakt de microservices-architectuur waarop Mist is gebaseerd het mogelijk dat eenvoudig functionaliteit kan worden toegevoegd. Juniper Networks hoeft daarbij dus niet te wachten op een specifiek moment.

Van SD-WAN tot client devices en applicaties

In de nabije toekomst wordt in eerste instantie Marvis uitgerold in het SD-WAN-portfolio, geeft Mist-CTO Bob Friday aan. Doel hiervan wordt om de kennis van de AI-engine ook uit te breiden met applicatie-data. Hierdoor kan Marvis straks ook vragen beantwoorden die verder gaan dan alleen connectiviteit. De AI-engine kan dan dus niet alleen problemen oplossen die het draadloze en het vaste netwerk aangaan, maar ook bijvoorbeeld de applicaties zelf. Onafhankelijk waar deze zich in het netwerk bevinden.

Andere stappen in het proces om met Marvis tot een volwaardig AI-driven netwerk te komen, zijn volgens Friday het incorporeren van de data die de clients van eindgebruikers afgeven en data die vanuit de apparatuur van derden beschikbaar komen.

Meer security

Daarnaast wil Juniper Networks meer security aan Marvis toevoegen. Zo bestaan er plannen om de Security Intelligence (Secintel)-diensten aan het draadloze deel van Mist toe te voegen. Deze diensten omvatten onder meer threat detection software, lokale en cloudgebaseerde beveiligingsinformatie- en controlesoftware in combinatie met een next-gen firewall-systeem.

Mist geeft hiermee alerts die door de Juniper SRX Series firewalls en de ATP Cloud-omgeving worden gegenereerd. Hierdoor kunnen beheerders sneller security-risico’s signaleren in -in dit geval draadloze- netwerken. Zij kunnen dan -al dan niet geautomatiseerd- actie ondernemen, zoals het in quarantaine stellen van devices of het naleven van bepaalde security policies

Compleet beeld van netwerken

Met de integratie van Marvis in het complete netwerkportfolio, van clients tot aan de applicaties in de (multi)cloudomgevingen, krijgen bedrijven een compleet beeld over wat er in hun netwerken afspeelt, welke problemen zich voordoen en kunnen dit uiteindelijk geautomatiseerd zonder problemen en menselijke tussenkomst laten oplossen.

Hieruit ontstaat dan werkelijk het AI-driven netwerk en staat daarmee de filosofie van het self-driving network nog verder centraal. De infrastructuur is nu aanwezig. We zijn benieuwd hoe de geplande toekomstige uitbreidingen van de AI-engine dit portfolio de komende tijd nog slimmer en beter gaat maken.

Tip: AI is voor Juniper Networks de sleutel tot het Self Driving Network