您尚未登录账户请先登录您的atyun账户，方可使用该功能
您的企业账号申请正在审核中审核通过后即可使用此功能，请耐心等待~
基于人工智能和机器学习的优化利用预测
2020年01月21日 由 TGS 发表
740569
0
上下文盲目性是IT团队处理大量数据时很容易忽略的一个主要风险，他们认为这是“他们的工作性质导致的”。大部分IT团队使用多种网络分析工具，这可能会导致从这些工具获得的数据由于相同度量的不同格式或名称而有许多缺失链接。如果没有上下文数据，就很难对一组IT基础设施资源建模、检查它们的依赖关系、理解整体业务影响、基于优先级进行分析、诊断故障和解决突然出现的问题。利用率预测是一种技术，它应用机器学习（ML）算法来生成处理器、物理和虚拟服务器、磁盘、存储、带宽和其他网络元素的所有利用率的每日使用量预测，从而使网络团队能够主动管理资源。这种技术有助于IT工程师和网络管理员防止由于过度使用而导致的停机。
IT基础设施预测只有ML是不够的，还需要有人工智能（AI）。
AI/ ML驱动的预测解决方案可以利用当前大量历史记录和高性能计算算法的可用性，生成智能和可靠的报告。如果AI和ML缺少了任意一种，利用率预测就会依赖于反应性监测。这种反应性方法将无法检测到发生在设置阈值以下的异常，从而导致无法检测到对网络健康有害的间接问题。此外，根据当前的趋势，传统的利用率预测并不能准确告诉用户何时需要升级基础设施。因此，采用基于AI/ML的预测就很有必要，这意味着减少瓶颈并提高IT管理员的生产力。以前需要持续的手动网络监控，现在可以使用AI和ML生成预测报告，这样IT管理员就可以更清楚地了解网络中各种设备的使用情况。在IT管理员的评估过程中，AI可以提供预测，从而消除可能的人为错误或偏差。此外，ML结合人工干预可能是做出所有重要的、依赖于资源的IT决策最佳方法。
除了预测之外，ML还可以用于改进异常检测。在这里，可以使用ML和历史数据，分析建立不同度量的自适应阈值，揭示异常并触发适当的警报。此外，应用和基础设施的监测功能也将得到改善。
欢迎关注ATYUN官方公众号
商务合作及内容投稿请联系邮箱:bd@atyun.com
广告
广告
写评论取消
回复取消