Wanneer IT-problemen optreden, ligt de sleutel tot een snelle oplossing verborgen in de gegevens: gegevens die worden geproduceerd wanneer de fout optreedt, historische gegevens en live gegevens die worden verkregen tijdens het oplossen van problemen. Ervoor zorgen dat we de juiste gegevens van het juiste moment voor het juiste probleem hebben, is van cruciaal belang. IT-gegevens staan daarom centraal in alles wat netwerkactiviteiten doen en zijn de sleutel tot het automatiseren van de oplossing van de stortvloed aan waarschuwingen en tickets die IT-teams elke dag treffen.
Afbeelding 1 – Ruwe machinegegevens van de infrastructuur
De complexe infrastructuren van vandaag bevatten meer gegevens dan ooit, opgesloten in apparaten en verspreid over SNMP-ophaalsystemen of andere systemen die details bevatten over topologie, prestaties, design intent, en de huidige status en het gedrag van alle apparaten in uw netwerk.
De meest essentiële gegevens voor het oplossen van problemen worden verkregen via de CLI of API van het apparaat, meestal handmatig en opeenvolgend, één apparaat tegelijk. In feite wordt de meeste tijd voor het oplossen van problemen besteed aan het navigeren door deze opdrachtregeldiagnose.
Aangezien dit een grotendeels handmatig proces is, hoe kunnen we hopen onze inspanningen voor het oplossen van problemen op te schalen om de eindeloze zee van tickets aan te pakken? Om verder te schalen dan menselijke mogelijkheden, moeten we netwerkautomatisering gebruiken.
Zoals we weten, is netwerkengineering op procedureel niveau erg inefficiënt. Ingenieurs voeren achtereenvolgens controles uit op veel apparaten om een of twee getallen of resultaten te krijgen. IT-tools bevatten een overvloed aan andere nuttige analyses en gegevens, maar om toegang te krijgen tot IT-toolgegevens, moet je door meerdere GUI's of consoles klikken en de bevindingen correleren.
Het verzamelen van de benodigde gegevens om problemen op te lossen is een zeer langdurig proces voor ingenieurs, dat vaak langer duurt dan de tijd om de gegevens te analyseren. Bovendien zijn de gegevens van vandaag multidimensionaal, in meerdere formaten en verspreid over veel verschillende apparaten en systemen, wat aanzienlijke uitdagingen met zich meebrengt bij het efficiënt analyseren van de informatie.
Naast de complexiteit van IT's Big Data, moeten technische teams bij het aanpakken van elk probleem ook een tijdreeksperspectief op deze gegevens hebben. Met andere woorden, we hebben contextuele gegevens nodig die op verschillende tijdstippen zijn verkregen om de oorzaak van elk probleem te beperken en te isoleren.
Zonder de hulp van automatisering hebben ingenieurs moeite om de benodigde gegevens handmatig en tijdig op te halen en samen te stellen, wat resulteert in vertragingen bij het oplossen van problemen en tickets.
NetBrain automatisering lost dit op door automatisch (1) uw hybride netwerk te ontdekken, (2) de rijke gegevens ervan te extraheren en (3) uw complexe infrastructuur en al zijn enorme hoeveelheden informatie te baseren, waardoor een dynamisch, wiskundig gegevensmodel van uw hele omgeving wordt gecreëerd.
NetBrain ondersteunt elke hybride IT-omgeving, end-to-end, inclusief legacy of traditionele netwerken, softwaregedefinieerde of virtuele netwerken, en public cloud infrastructuren. Met behulp van een combinatie van geautomatiseerde SNMP-, CLI- en API-mechanismen en NetBrain's gepatenteerde algoritmen voor het ontdekken van buren, NetBrain kan met schaalbare efficiëntie door de grootste omgevingen kruipen.
Hoewel SNMP wordt gebruikt voor platformidentificatie en andere nuttige telemetrie, zijn de rijkere diagnostische en design intent gegevens worden binnengehaald via geautomatiseerde CLI of API-retrieval. Dit zorgt ervoor NetBrain's datamodel bevat niet alleen de gedetailleerde informatie over configuratie, platformtype, hostnaam en IP-adressering, maar ook de complexiteit van design intent en laag 2, laag 3, softwaregedefinieerde en virtuele netwerktopologieën.
Figuur 2 - NetBrain's knooppunt ontdekking
De eerste stap van data-analyse is data-extractie - ervoor zorgen dat we zowel kwaliteitsgegevens als multidimensionale gegevens hebben, is essentieel voor hoogwaardige analyse.
De IT-gegevens van vandaag leven in machines in de vorm van voorwaarde telemetrie, die ons de gezondheid van prestatiemechanismen vertelt, zoals CPU, geheugen, netwerkinterfacestatistieken en staat informatie. Dit biedt gegevens over het huidige gedrag van het netwerk, inclusief end-to-end applicatiepaden, doorstuurtabellen, actieve/failover-statussen, enzovoort. Wanneer er een netwerkfout optreedt, worden deze twee kritieke gegevenstypen gegenereerd.
Figuur 3 - Door netwerkfouten gegenereerde gegevens
Met conditiegegevens kunnen technici wijzigingen bekijken in gezondheidsstatistieken zoals CPU, geheugen, interfacefouten, enzovoort. Dit zijn doorgaans ondersteunende gegevens, maar kunnen helpen om de impactradius en de hoofdoorzaak vast te stellen.
Figuur 4 - Conditievariabele baseline
Met gegevens over toestandswijzigingen kunnen ingenieurs bepalen of er een afwijking is van eerder gebaselined netwerkgedrag. Voorbeelden hiervan zijn failovers van firewalls, wijzigingen in het besturingsvlak en wijzigingen in BGP-peering.
Figuur 5 - Baselining van variabelen met status
Bij het analyseren van gecombineerde toestands- en toestandsgegevens kunnen technici de oorzaak beperken. NetBrain automatiseert de extractie van alle netwerkgegevens, zodat u altijd een actueel, compleet beeld van uw infrastructuur heeft en alle relevante netwerkconditie- en statusgegevens altijd binnen handbereik zijn.
Bij het onderzoeken van IT-tickets moeten ingenieurs snel bepalen of de gegevens waarnaar ze kijken dat zijn eenof wat is er veranderd. Essentieel voor deze activiteit is het hebben van meerdere datapunten in de tijd voor tijdreeksanalyse. Ingenieurs moeten vergelijken (1) actuele gegevens, (2) gegevens van de tijd van het evenementen (3) gebaselinede gegevens, berekend in de tijd.
Kern naar NetBrainHet datamodel van het bedrijf bestaat uit de algoritmen voor de basislijn van de gegevens. Door automatisch de "normale" status of waarde voor volledige variabelen binnen uw netwerk te berekenen, kunnen technici snel weten wanneer er afwijkingen zijn van eerdere gezonde netwerkstatussen.
Figuur 6 – tijdreeksanalyse
Met deze drie kritieke gegevenspunten – live gegevens, tijd van gebeurtenisgegevens en basislijngegevens – NetBrain automatisering kan elk IT-ticket aanpakken vanuit de drie benodigde perspectieven die essentieel zijn om de hoofdoorzaak te isoleren:
Op het gebied van IT, ongeacht welke data u wilt analyseren, lijkt het toepassen van datavisualisatie een noodzakelijke stap. NetBrain absorbeert IT's Big Data, met details over elk knooppunt, elke link, prestatiestatistieken, design intent, en zet het om in een visuele analoog in de vorm van een NetBrain Dynamic Map.
A Dynamic Map fungeert als een visueel mechanisme om uw IT-infrastructuur te diagnosticeren en om de diagnostische gegevens die worden geanalyseerd in containers te plaatsen. Door gedetailleerde, gelaagde weergaven van uw netwerk en IT-gegevens mogelijk te maken, kunnen ingenieurs complexe problemen in realtime vanuit meerdere invalshoeken bekijken.
NetBrain's datamodel gecombineerd met de geautomatiseerde datavisualisatie van de Dynamic Map vergemakkelijkt een eenvoudig te begrijpen gebruikersbeeld van de complexiteit van uw IT-gegevens en is uw gebruikersinterface voor netwerkautomatisering.
Afbeelding 7 - Softwarearchitectuur voor gegevensvisualisatie
Het resultaat van NetBrain's diepe ontdekking, gegevensextractie en geautomatiseerde basislijn is een uitgebreid wiskundig gegevensmodel van uw live omgeving, compleet met details over design intent, topologie en de interne werking van alle stukken.
Figuur 8 - NetBrain's geïntegreerde gegevensmodelarchitectuur
NetBrain's datamodel vormt de basis voor alle netwerkautomatisering en bevoegdheden NetBrain's twee fundamentele automatiseringstechnologieën – de Dynamic Map voor geautomatiseerde gegevensvisualisatie en uw gebruikersinterface voor netwerkautomatisering, en de Uitvoerbaar Runbook om al uw diagnostische en operationele procedures te codificeren en te automatiseren.
NetBrainHet datamodel van het bedrijf fungeert dus als een "digitale tweeling" van uw live netwerk en bevat alle gegevens en basislijnanalyse die IT-operatieteams nodig hebben om complexe omgevingsbrede diagnostiek te automatiseren en om elk IT-ticket aan te pakken met een snelheid en efficiëntie die de vergelijking van gisteren overtreft. handmatige methoden.