Wat is er veranderd in mijn netwerk? Het lijkt een heel fundamentele vraag, maar de meeste netwerkbeheerders die ik spreek hebben geen inzicht in netwerkveranderingen.
Netwerken zijn nog nooit zo complex geweest om te beheren als nu. Om deze uitdaging aan te gaan, hebben IT-organisaties tools ingezet die een groot aantal gegevens verzamelen, mooie grafieken kunnen tekenen en kleurrijke dashboards kunnen maken, maar vaak geen antwoord kunnen geven op de basisvragen “Wat is normaal? Gebeurt er iets abnormaals op mijn netwerk? En zo ja, wat?”
Wanneer een incident het netwerk treft, zijn dit de eerste vragen die beheerders zichzelf stellen. En zelfs als ze geen netwerkwijzigingen hebben aangebracht aan het deel van het netwerk dat ze beheren, kunnen ze worden beïnvloed door netwerkwijzigingen of andere factoren die ze niet onder controle hebben, bijvoorbeeld veranderingen bij de provider, HSRP Failover, weersinvloeden op een radioverbinding , bug in een nieuwe software. . . .
Daarom hebben ze een manier nodig om een basislijn op te zetten die de gezonde, normale toestand van het netwerk vertegenwoordigt. En op basis daarvan snel inzicht krijgen in elke afwijking van de belangrijkste operationele gegevens.
Dat is why NetBrain ontwikkelde zijn Golden Baseline-functionaliteit aangedreven door AI, waardoor de Dynamic Map. Dit is de referentiestandaard van een “gezond” netwerk in de context van verschillende datatypes. Het kan verder worden gebruikt als basis voor netwerkbeheeranalyse en probleemoplossing.
Golden Baseline verzamelt regelmatig live data naar baseline topologie, paden, device groups, sites of MPLS Virtual Route-tabellen.
Laten we illustreren met twee voorbeelden.
Wij hebben wapperende routes met OSPF. Om proactief gewaarschuwd te worden bij dit incident, kunnen we een drempel instellen met een normaal aantal routes en bij elke afwijking gealarmeerd worden.
Golden Baseline kan worden gebruikt om deze parameter te bewaken en de beheerder te waarschuwen voor elke afwijking. In de onderstaande schermafbeelding zien we dat er een configuratiefout is op een interface die is geconfigureerd als half-duplex in plaats van full-duplex. Hierdoor nam het aantal aanrijdingen in de loop van de tijd toe.
Maar dat is nog niet alles. Naast de handmatig gedefinieerde drempels kan Golden Baseline ook zelf afwijkingen van de baseline vinden. Aangedreven door machine learning, biedt het een automatisch berekeningsmechanisme om Golden Baseline(s) in te stellen voor alle variabelen op basis van historische gegevens die zijn gegenereerd door geplande taken. De basislijn wordt dus in de loop van de tijd bijgewerkt en geeft altijd weer wat eigenlijk "normaal" is voor uw specifieke netwerk.
Golden Baseline brengt meer proactiviteit in uw operationele workflows door te begrijpen wat er is veranderd in vergelijking met een baseline die een gezonde toestand vertegenwoordigt. In plaats van te proberen een speld in een hooiberg te vinden, kunt u uw inspanningen direct richten op het analyseren van de netwerkverandering en de potentiële impact op uw netwerk.
Om meer te zien over Golden Baseline in actie, request a demo hier