AI驱动的基于意图的网络（IBN）：人工智能助力网络管理的未来 原创

​AI驱动的基于意图的网络（IBN）正成为管理复杂网络的解决方案。

如今，互联网已成为我们生活中不可分割的一部分，随着云计算的发展和对基于AI/ML的应用程序的需求增加，对网络容量的需求更是呈现不可阻挡的趋势。而随着网络呈指数级扩展，传统的拓扑和设计正在努力与现代IT基础设施快速发展的需求保持同步。由于网络基础设施和链路的数量庞大，网络管理变得越来越复杂。

在这种情况下，人工智能（AI）驱动的基于意图的网络（intent-based networking，IBN）作为一种潜在的解决方案出现了，有望重塑我们的网络管理方法——但它真的是解决这个问题的有效方法吗？让我们深入探索其细节，以了解基于意图的网络将如何塑造网络管理的未来。​

什么是基于意图的网络？

​传统的基于意图的网络（IBN）是从软件定义网络（SDN）发展而来的。SDN是网络自动化中非常流行的一种方法，其中软件定义的控制器和API与物理基础设施通信。IBN是SDN的自然发展，它结合了智能、分析、机器学习和编排，实现了网络管理的自动化。它将高级业务意图转换为网络策略，以配置底层网络。IBN抽象底层硬件和网络配置的复杂部分，允许用户用自然语言表达他们想要的意图。

人工智能驱动的IBN将智能、分析、机器学习和编排结合在一起，以增强传统IBN的功能。它可以更有效地将这些意图转换为特定的网络配置和策略，以适应不断变化的网络条件和需求。大多数现代的、先进的IBN解决方案都在一定程度上包括ML和NLP，使其具备AI驱动特性。

下面是一个AI驱动的IBN示例：

问题陈述：

用户希望利用可用带宽平衡批量数据传输和低延迟流量。

目的：

“为高性能计算和GPU加速数据库查询提供低延迟，同时支持大型数据集传输。”

使用AI驱动IBN的网络自动化：

• 构建和配置智能服务质量（QoS）策略和设备配置，优先考虑对延迟敏感的工作负载（而非大型数据库查询）的低延迟流量。
• 用高优先级QoS标记优先考虑低延迟，同时允许高吞吐量传输利用剩余带宽。
• 机器学习模型根据观察到的应用程序性能不断调整这些策略。​

传统IBN系统的关键组件

为了理解人工智能驱动的IBN的进步，让我们首先来了解传统IBN系统的关键组件。在传统的IBN设置中，系统由五个主要组件组成，这些组件允许用户与系统交互，并允许系统根据用户意图设计操作并在网络中实现更改。

AI驱动的基于意图的网络

意图接口

它是用户和IBN系统之间交互的主要点。网络管理员和用户可以用自然语言表达他们想要的网络配置，消除了对复杂的CLI命令和手动配置的依赖。在传统IBN中，该接口通常依赖于预定义的模板和对用户输入的基于规则的解释。

意向翻译引擎

这是IBN的核心，通过高级算法和技术处理业务意图，并将其转换为可操作的网络配置和策略。它在人类可理解的意图和机器可执行的网络配置之间架起了桥梁。传统的IBN系统使用预先确定的算法和逻辑树来完成这个翻译过程。

网络抽象层

这一层提供了网络的统一视图，抽象了网络基础设施和协议的底层复杂性。它使IBN系统能够与异构网络基础设施无缝协作。传统IBN中的这种抽象通常是静态的，可能需要手动更新以适应新的网络元素或配置。

自动化和编排引擎

这一层实现了跨网络基础设施的转换意图，并利用软件定义的网络来更新网络配置和策略。在传统IBN中，这种自动化是基于预定义的脚本和工作流实现的。

持续验证和保证

这个反馈循环不断地监视网络，以确保它遵循请求的意图，并进行必要的调整以保持最佳性能。传统IBN系统基于设置的阈值和预定义的性能指标执行此验证。

AI在IBN中的作用

​AI与传统的IBN的集成使系统能够理解、处理和执行高级意图，而不依赖于复杂的CLI命令或手动配置，并为网络管理提供了更大的灵活性。在本节中，我们将讨论AI如何增强IBN功能并自动化网络管理任务。

AI领域包括自然语言处理（NLP）、机器学习（ML）、计算机视觉（CV）和机器人等各个子领域。NLP允许系统理解和处理人类语言，而ML允许系统在没有显式编程的情况下从数据中学习。这些和其他人工智能子领域相互协作，帮助我们构建智能系统。

NLP和ML通过赋予系统理解和执行高级意图的能力，在AI驱动的IBN中发挥着重要作用。​

自然语言处理（NLP）

NLP是网络用户与IBN系统之间的主要接口。NLP允许用户用自然语言表达他们的意图，并将其转化为复杂的网络配置。自然语言处理在IIBN中的关键应用包括意图翻译、上下文理解和处理以及自动生成网络配置。

机器学习（ML）

​在AI驱动的IBN中，ML算法允许我们从当前网络状态中学习，根据拓扑和网络变化预测未来的状态，并为网络优化做出智能决策。ML在IBN中的关键应用之一是流量工程，服务提供商的目标是了解网络行为，预测未来状态，并优化和有效地调整网络容量和资源。

AI驱动的IBN是一个集成了NLP、ML和其他人工智能子领域的智能系统，为IBN中的决策和问题解决提供了中心框架。它支持自动网络设计、网络数据分析、智能故障排除、策略实施和潜在故障场景预测。​

在高性能计算网络中的应用

对于提供高性能计算（HPC）环境的超大型云提供商来说，AI驱动的IBN是一个很有前景的解决方案，在这些环境中，对高吞吐量、低延迟、灵活性和资源优化的要求特别严格。以下是AI驱动的IBN在高性能计算网络中的一些主要应用：

动态资源分配

在高性能计算中，AI驱动的IBN系统使用Q-Learning和随机森林算法，通过分析和预测当前和未来的资源需求来优化分配网络资源。这些系统可以最大限度地利用高性能计算资源，最大限度地提高性能和网络吞吐量，从而带来灵活性和效率。

工作流优化流量工程

AI驱动的IBN系统可以持续分析当前和未来的网络状态和需求，优化网络配置。这是通过使用时间序列预测（例如，ARIMA和Prophet）进行流量预测和异常检测算法来识别异常流量模式来实现的。网络配置优化可能涉及将流量从拥塞的主路径转移到辅助路径，为数据传输阶段找到高带宽路径，为分布式计算阶段找到低延迟路径。

容错性和弹性

IBN系统可以预测和模拟硬件资源的潜在故障，并采取主动行动来避免灾难性故障。它可以在不中断网络性能和服务的情况下对事件进行分类、自动缓解和修复。为了实现这一点，IBN系统采用了各种算法和技术。预测性故障分析使用机器学习模型，如随机森林或支持向量机，帮助在故障发生之前及时识别潜在的硬件缺陷。利用强化学习算法的自愈网络在出现问题时自动重新配置网络路径。这些算法在IBN框架内协同工作，即使在具有挑战性的条件下也能保持强大的网络性能。

AI驱动的IBN在高性能计算网络中的应用

挑战与未来方向

​获得充足、高质量的数据可能是公司实施AI驱动的IBN必须克服的第一个障碍。其他主要挑战体现在如下方面：

• 一些AI/ ML模型的黑箱性质可能导致不透明的决策制定，这需要通过使这些过程透明和可理解来克服。
• 企业网络在硬件、配置和协议方面复杂多样；管理如此庞大的网络基础设施需要大量的计算资源和能力。
• IBN系统与现有网络基础设施和自动化框架的集成。
• 随着规模和复杂性的增加，遵循安全标准、策略和身份验证变得具有挑战性。
• 确保IBN系统能够足够快地做出决策并实现更改，以满足现代网络的性能需求。

随着AI驱动的IBN系统的日趋成熟，我们可以看到网络自动化程度的提高、机器学习算法的增强、安全性的提高以及网络管理效率的提高。然而，实现这一未来需要克服以上诸多挑战，并解决网络行业的技能差距。​

结语

AI驱动的IBN代表了服务提供商如何运营和管理其复杂网络的重大进步。通过将AI集成到IBN中，用户可以驾驭这种复杂性，提高操作效率，获得实时可见性，并自动化网络管理，使网络状态与业务意图同步。网络化的未来在于能够分析、解释、处理人的意图，通过基于意图的网络化改造网络运行，实现网络自治的系统。

原文标题：​​AI-Driven Intent-Based Networking: The Future of Network Management Using AI​​，​作者：Aditi Godbole