EMA研究了各个企业如何使用多个网络性能管理(NPM)工具，以及他们如何整合这些工具以提高效率。在本文中，EMA的网络管理研究主管Shamus McGillicuddy介绍了“当今数字企业的网络性能管理 ”的研究结果，该研究对250位网络管理人员进行了调查，提出了处理这一问题的做法。
目前，IT企业安装三到六个网络性能管理(NPM)工具已是常态。如果它们仍然处于孤立的状态，网络运营将是分散且效率低下的。这对网络管理员来说是一个持续面临的挑战。
EMA要求250名网络管理人员，确定他们对NPM工具的首选采购策略，并发现企业对完全集成的多功能平台有强烈的偏好。EMA发现，目前拥有11个或更多NPM工具的企业，最有可能表示对这种完全集成战略的偏好。因此，尽管他们表示希望整合工具，但他们并没有取得成功。
为什么使用多个NPM工具?
部分问题是企业使用NPM工具收集和分析这么多不同类型的数据。通过SNMP MIBs和trap收集的基础设施指标是NPM的基础数据源，但它们不包含网络管理员从NPM工具所需的答案。
大多数企业还收集流量数据，包括网络流量、数据包或两者兼而有之。EMA研究还发现，人们对主动监测工具产生的合成流量非常感兴趣。用于NPM分析的最流行的数据源是管理系统API。换句话说，网络管理员对从其他IT管理系统提取数据到NPM工具进行上下文分析非常感兴趣。
考虑到这种数据的多样性，工具碎片化是不可避免的。毕竟，没有哪家供应商擅长收集和分析上面提到的每一类数据。他们通常擅长一类或两类数据类型，这意味着企业不可避免地需要额外的NPM工具来弥补可见性方面的差距。
NPM工具之间的关联性
EMA要求调查参与者透露，他们如何将多个NPM工具的洞察力联系起来。最受欢迎的方法(25%的受访者)是使用网络运营管理平台或管理人员之间的集成，从多个NPM工具中获取洞察力。这些平台通常擅长跨多个NPM源的事件管理和警报关联。
其次，19%的人提到了point工具之间的直接集成，这样一个工具就可以将另一个工具中获取的洞察力关联起来。如果企业使用两个以上的工具，这种方法可能会变得复杂。
另外19%的人将他们的NPM工具与人工智能的IT运营(AIOps)高级IT分析平台集成，15%的人将NPM工具与服务管理平台集成，14%的人将NPM数据流传输到数据湖进行相关分析。只有7%的人声称手动执行这些关联性。这很好，因为它是一种低效且容易出错的方法。少数人声称他们在各种工具之间没有关联性。
EMA还询问企业在这种交叉工具关联中的成功程度。27%表示他们非常成功，49%表示成功。其余的则有些成功，有些不成功，或者不确定。EMA将这24%归类为“不太成功”。这个关于成功的问题让EMA能够寻找潜在的最佳实践。
手动将工具间的洞见关联起来的企业往往属于“不太成功”的一类。最常用的关联方法 - 工具之间的直接集成以及与管理人员之间的集成 - 与成功之间没有统计上显着的关联。
优秀实践
成功企业首选的三种不太流行的跨工具关联方法。
成功的企业更喜欢与服务管理平台集成，或者通过将NPM数据流传输到数据湖中进行分析来关联。非常成功的企业将他们的NPM工具与AIOps平台集成在一起。
EMA认为，后三种方法是解决NPM工具无序扩散问题的最佳实践。AIOps工具似乎是很好的选择。
EMA建议企业调查AIOps平台，如果他们正在努力应对网络管理工具蔓延。但是，与服务管理平台集成或使用带有数据分析堆栈的数据湖也可能有所帮助。
