Lorsque des problèmes informatiques surviennent, la clé d'une résolution rapide se cache dans les données - données produites lorsque la panne se produit, données historiques et données en direct obtenues lors du dépannage. Il est essentiel de s'assurer que nous disposons des bonnes données au bon moment pour le bon problème. Les données informatiques sont donc au cœur de tout ce que font les opérations réseau et sont essentielles pour automatiser la résolution du flot d'alertes et de tickets qui frappent chaque jour les équipes d'exploitation informatique.
Figure 1 – Données machine brutes de l'infrastructure
Les infrastructures complexes d'aujourd'hui contiennent plus de données que jamais, verrouillées à l'intérieur des appareils et réparties sur la récupération SNMP ou d'autres systèmes qui contiennent des détails sur la topologie, les performances, design intent, ainsi que l'état et le comportement actuels de tous les appareils de votre réseau.
Les données les plus essentielles pour le dépannage sont obtenues via la CLI ou l'API de l'appareil, généralement extraites manuellement et séquentiellement, un appareil à la fois. En fait, la plupart du temps de dépannage est consacré à la navigation dans ces diagnostics de ligne de commande.
Étant donné qu'il s'agit d'un processus principalement manuel, comment pouvons-nous espérer étendre nos efforts de dépannage pour faire face à la mer sans fin de tickets ? Pour évoluer au-delà des capacités humaines, nous devons utiliser l'automatisation du réseau.
Comme nous le savons, l'ingénierie des réseaux est très inefficace au niveau procédural. Les ingénieurs exécutent séquentiellement des vérifications sur de nombreux appareils pour obtenir un ou deux chiffres ou résultats. Les outils informatiques contiennent une pléthore d'autres analyses et données utiles, mais l'accès aux données des outils informatiques implique de cliquer sur plusieurs interfaces graphiques ou consoles et de corréler les résultats.
La collecte des données nécessaires au dépannage est un processus très long pour les ingénieurs, qui prend souvent plus de temps que le temps nécessaire pour analyser les données. De plus, les données d'aujourd'hui sont multidimensionnelles, multiformats et réparties sur de nombreux appareils et systèmes différents, ce qui pose des défis considérables pour analyser efficacement les informations.
En plus de la complexité du Big Data informatique, lorsqu'elles s'attaquent à n'importe quel problème, les équipes d'ingénierie doivent également avoir une perspective chronologique sur ces données. En d'autres termes, nous avons besoin de données contextuelles obtenues à différents moments dans le temps pour affiner et isoler la cause première de tout problème.
Sans l'aide de l'automatisation, les ingénieurs ont du mal à récupérer et à assembler manuellement les données nécessaires en temps opportun, ce qui entraîne des retards dans la résolution des problèmes et des tickets.
NetBrain l'automatisation résout ce problème en (1) découvrant automatiquement votre réseau hybride, (2) en extrayant ses données riches et (3) en établissant une base de référence pour votre infrastructure complexe et toutes ses vastes quantités d'informations, en créant un modèle de données mathématique dynamique de l'ensemble de votre environnement.
NetBrain prend en charge tous les environnements informatiques hybrides, de bout en bout, y compris les réseaux hérités ou traditionnels, les réseaux définis par logiciel ou virtuels, et public cloud infrastructures. En utilisant une combinaison de mécanismes automatisés SNMP, CLI et API et NetBrainles algorithmes brevetés de découverte de voisins, NetBrain peut ramper dans les environnements les plus vastes avec une efficacité évolutive.
Alors que SNMP est utilisé pour l'identification de la plate-forme et d'autres télémétries utiles, le diagnostic plus riche et design intent les données sont extraites via une récupération CLI ou API automatisée. Cela garantit que NetBrainLe modèle de données de contient non seulement des informations détaillées sur la configuration, le type de plate-forme, le nom d'hôte et l'adressage IP, mais également la complexité de design intent et les topologies de réseau de couche 2, de couche 3, définies par logiciel et virtuelles.
Figure 2 - NetBraindécouverte de nœuds
La première étape de l'analyse des données est l'extraction des données - s'assurer que nous disposons à la fois de données de qualité et de données multidimensionnelles est essentiel pour une analyse de haute qualité.
Les données informatiques d'aujourd'hui vivent dans des machines sous la forme de télémétrie d'état, nous indiquant l'état des mécanismes de performance tels que le processeur, la mémoire, les statistiques d'interface réseau et informations d'état. Cela fournit des données sur le comportement actuel du réseau, y compris les chemins d'application de bout en bout, les tables de transfert, les statuts actifs/de basculement, etc. Lorsqu'une panne de réseau se produit, ces deux types de données critiques sont générés.
Figure 3 - Données générées par les défauts de réseau
Grâce aux données d'état, les ingénieurs peuvent examiner les modifications des mesures de santé telles que le processeur, la mémoire, les erreurs d'interface, etc. Il s'agirait généralement de données à l'appui, mais cela peut aider à identifier le rayon d'impact et la cause profonde.
Figure 4 – Base de la variable de condition
Avec les données de changement d'état, les ingénieurs peuvent déterminer s'il existe une variation par rapport au comportement du réseau précédemment défini. Les exemples ici incluent les basculements de pare-feu, les modifications du plan de contrôle et les modifications d'appairage BGP.
Figure 5 – Définition de la base de la variable d'état
En analysant les données combinées de condition et d'état, les ingénieurs peuvent se concentrer sur la cause première. NetBrain automatise toutes les extractions de données réseau, garantissant que vous disposez toujours d'une image actuelle et complète de votre infrastructure et que toutes les données pertinentes sur l'état et l'état du réseau sont toujours à portée de main.
Lors de l'examen des tickets informatiques, les ingénieurs devront déterminer rapidement si les données qu'ils examinent sont Ordinaire, ou Qu'est ce qui a changé. Il est vital pour cette activité de disposer de plusieurs points de données dans le temps pour l'analyse des séries chronologiques. Les ingénieurs doivent comparer (1) données en direct, (2) les données de la moment de l'événementet a eu un données de base, calculé dans le temps.
Noyau à NetBrainLe modèle de données de est constitué d'algorithmes de base de données. En calculant automatiquement l'état ou la valeur "normale" de variables complètes au sein de votre réseau, les ingénieurs peuvent rapidement savoir s'il existe des écarts par rapport aux états sains antérieurs du réseau.
Figure 6 - analyse des séries chronologiques
Avec ces trois points de données critiques - données en direct, données sur l'heure de l'événement et données de référence - NetBrain l'automatisation peut traiter n'importe quel ticket informatique à partir des trois perspectives nécessaires essentielles pour isoler la cause première :
Dans le domaine de l'informatique, peu importe les données que vous souhaitez analyser, appliquer la visualisation des données semble être une étape nécessaire. NetBrain absorbe le Big Data de l'informatique, avec des détails sur chaque nœud, lien, mesures de performance, design intent, et le convertit en un analogue visuel sous la forme d'un NetBrain Dynamic Map.
A Dynamic Map agit comme un mécanisme visuel pour diagnostiquer votre infrastructure informatique et pour conteneuriser les données de diagnostic en cours d'analyse. Grâce à des vues détaillées et en couches de votre réseau et de vos données informatiques, les ingénieurs peuvent examiner des problèmes complexes sous plusieurs angles en temps réel.
NetBrainle modèle de données combiné à la visualisation automatisée des données du Dynamic Map facilite une vue utilisateur facile à comprendre de la complexité de vos données informatiques et constitue votre interface utilisateur pour l'automatisation du réseau.
Figure 7 – Architecture logicielle de visualisation de données
Le résultat de NetBrainLa découverte approfondie, l'extraction de données et la ligne de base automatisée de sont un modèle de données mathématique complet de votre environnement en direct, avec des détails sur design intent, la topologie et le fonctionnement interne de toutes les pièces.
Figure 8 - NetBrainArchitecture de modèle de données intégré de
NetBrainLe modèle de données de fournit la base de toute l'automatisation du réseau et des pouvoirs NetBrainles deux technologies d'automatisation fondamentales de Dynamic Map pour la visualisation automatisée des données et votre interface utilisateur pour l'automatisation du réseau, et le Exécutable Runbook pour codifier et automatiser toutes vos procédures diagnostiques et opérationnelles.
NetBrainLe modèle de données de agit ainsi comme un « jumeau numérique » de votre réseau en direct, contenant toutes les données et analyses de base dont les équipes des opérations informatiques ont besoin pour automatiser les diagnostics complexes à l'échelle de l'environnement et pour traiter chaque ticket informatique avec une rapidité et une efficacité qui éclipsent celles d'hier. méthodes manuelles.