셀프 드라이빙 네트워크

셀프 드라이빙 네트워크란?

• 셀프 드라이빙 네트워크는 AI와 기계 학습을 사용하여 최소한의 인간 개입으로 네트워크 운영을 자동으로 최적화, 관리, 보호합니다. 

• 셀프 구성, 셀프 복구, 사전 예방적인 네트워크로서 지속적으로 성능을 모니터링하고 문제를 감지하며 자율적으로 해결하여 사후 관리에서 자율 최적화로 전환합니다. 

• 복잡성을 줄이고 효율성을 개선합니다. 자동화는 수동 문제 해결과 운영 오버헤드를 최소화하여 IT 팀이 더 높은 가치의 전략적 이니셔티브에 집중할 수 있도록 합니다. 

• 성능, 보안, 확장성을 강화합니다. 실시간 최적화, 위협 감지, 자동화된 프로비저닝으로 안정성을 개선하고 위험으로부터 보호하며 미래에 대비한 인프라를 지원합니다.

안정적인 연결성은 단순한 사치가 아니라 비즈니스에 매우 중요합니다. 조직은 모든 사용 사례에 걸쳐 일관되게 원활하고 성능이 뛰어나며 안전한 경험을 제공하는 네트워크가 필요합니다. IT 기술 인력 부족 등 네트워크 리소스 제약으로 인해 수동 네트워크 관리는 지속 불가능합니다. 동시에 네트워크는 점점 더 복잡해지고 보안 위협도 증가하고 있습니다. 이러한 복합적인 압력으로 AI와 자율 네트워킹에 대한 필요성이 커지고 있습니다.

셀프 드라이빙 네트워크는 방대한 양의 고품질 데이터와 확장 가능하고 안전한 클라우드 기반 아키텍처를 기반으로 하는 고급 AI 및 ML(기계 학습) 알고리즘을 활용합니다. 즉, 실시간 알림, 분류기, 우선순위 지정 메커니즘을 사용하여 문제를 식별하고 해결책을 제안하며, HITL(인간 개입) 권한이 부여된 경우에는 수정 작업을 실행합니다. 시간이 지남에 따라 AI의 역량이 더욱 발전하고 정확해짐에 따라 네트워크는 인간의 개입이 거의 없거나 전혀 없이 스스로를 관리하는 능력이 점차 향상되고 있습니다.

실제 작동 방식은 다음과 같습니다.

• 학습 단계: 네트워크가 셀프 모니터링을 수행하면서 정상적인 네트워크 동작의 기준을 구축합니다.
• 결정 단계: 네트워크가 생성형 AI와 에이전트 AI 모델을 사용하여 잠재적 문제를 예측하고 대응 방법을 결정합니다.
• 동작 단계: HITL 모델을 통해 신뢰를 얻으면 네트워크가 자동으로 해당 결정을 적용하여 문제를 해결합니다.

셀프 드라이빙 네트워크의 주요 기능은 다음과 같습니다.

• HITL(인간 개입): 인간의 판단이 자동화된 AI 프로세스에 적극적으로 통합됩니다. HITL은 기계가 완전히 독립적으로 작동하도록 두는 대신 교육, 의사 결정, 감독과 같은 핵심 단계에 사람이 참여하게 합니다.
• 자율 운영: 에코시스템 전반의 네트워크 및 애플리케이션 상태를 지속적으로 모니터링하여 수동 개입 없이 실시간으로 문제를 식별하고 해결합니다.
• 예측 분석 및 보증: 네트워크가 AI와 ML을 사용하여 최종 사용자에게 영향을 미치기 전에 장애나 성능 저하를 예측합니다.
• 셀프 구성: 네트워크가 수동 설정 없이 새로운 서비스, 장치, 애플리케이션을 자동으로 구성할 수 있습니다.
• 셀프 복구: 문제를 자동으로 진단하고 해결하여 성능 저하나 중단 시간을 최소화합니다.
• 셀프 최적화: 네트워크가 성능을 지속적으로 모니터링하고 혼잡이나 장애가 발생할 경우 경로를 변경하는 등 최적의 속도, 안정성, 효율성을 위해 스스로 조정합니다.
• 셀프 모니터링: 데이터 흐름, 장치 성능, 전반적인 네트워크 상태를 지속적으로 추적하여 성능 문제를 나타낼 수 있는 비정상적인 패턴을 감지합니다.
• 적응형 보안: 네트워크가 맬웨어, 피싱, DoS(서비스 거부) 공격과 같은 보안 위협을 식별하고 교정 조치를 취합니다.
• IBN(인텐트 기반 네트워킹): 운영자가 달성하고자 하는 비즈니스 성과를 설명하면 네트워크가 해당 목표를 달성하는 데 필요한 구성으로 변환합니다.
• 정책 적용: 네트워크가 연결된 모든 장치에서 보안, 액세스 제어, QoS(서비스 품질) 정책을 자동으로 적용합니다.

셀프 복구는 네트워크 상태를 지속적으로 모니터링하고 이상 징후나 장애를 실시간으로 감지하며 사람의 개입을 기다리지 않고도 트래픽 경로 변경이나 장치 재구성과 같은 수정 사항을 자동으로 적용하는 방식으로 작동합니다. 이를 통해 중단 시간을 최소화하고 네트워크 전반에서 일관된 성능을 유지할 수 있습니다.

일상적인 작업이 자동화됨에 따라 AI 통합, 데이터 분석, 네트워크 아키텍처, 보안 전략 분야의 기술에 대한 수요가 증가합니다. IT 전문가는 기계 학습의 기본 사항, 의도 기반 네트워킹, AI 기반 인사이트를 해석하여 정보에 입각한 더 높은 수준의 결정을 내리는 방법을 이해하는 이점을 누릴 수 있습니다.

셀프 드라이빙 네트워크는 IT 팀이 놓칠 수 있는 인사이트를 표면화하고, 근본 원인을 빠르게 식별하여 문제 해결에 소요되는 시간을 단축하며, 셀프 복구를 통해 최적의 성능을 보장합니다. 그 결과 네트워크가 더욱 스마트하게 작동하여 IT 팀이 문제 해결 활동보다 혁신에 집중할 수 있게 됩니다.

셀프 드라이빙 네트워크가 IT 일자리를 완전히 없애지는 않겠지만 IT 역할의 본질이 바뀔 것입니다. 일부 일상적인 업무는 자동화될 수 있지만 이러한 네트워크를 설계, 관리, 감독할 수 있는 숙련된 전문가는 여전히 매우 중요합니다. 따라서 AI 통합, 빅 데이터 분석, 전략적 계획과 같은 고급 기술에 대한 수요가 증가할 것입니다.

HPE Networking은 Mist AI 및 Marvis VNA(Virtual Network Assistant)를 통해 Self-Driving Network^™를 향한 여정을 주도하고 있습니다. Mist AI와 Marvis는 함께 운영을 간소화하고 보안을 강화하며 탁월한 사용자 체감 만족도를 제공하는 동시에 운영의 복잡성을 줄입니다.

Mist AI는 네트워크 장치와 애플리케이션에서 실시간으로 풍부한 텔레메트리 데이터를 지속적으로 수집하고, 이를 안전하고 확장 가능한 마이크로 서비스 클라우드에서 집계하며, 수년간의 AI/ML 교육을 적용하여 실행 가능한 인사이트, 사전 권장 사항, 셀프 복구 네트워크 기능을 제공합니다. 이러한 접근 방식은 성능 최적화, 네트워크 운영 간소화에 도움이 되며 IT 팀의 부담을 덜어줍니다.

10년 이상의 AI 교육 및 개발 경험을 바탕으로 Mist AI는 네트워크 자동화의 핵심 단계인 데이터 수집, 인사이트 생성, 실행 가능한 권장 사항, 셀프 복구 기능, 최종적으로 완전한 자율 네트워킹을 거치면서 효율성과 지능이 꾸준히 발전해 왔습니다. AI 기능이 계속 발전함에 따라 Mist AI는 수동 문제 해결을 줄이고 네트워크에서 데이터 중심 의사 결정을 내리고 자율적인 작업을 수행할 수 있도록 함으로써 IT 팀의 역량을 강화합니다. 이러한 지속적인 발전은 기업이 성능 문제를 미리 파악하고 최적의 네트워크 상태를 유지하며 탄력성, 보안, 효율성이 향상된 네트워크 인프라를 구축하는 데 도움이 됩니다.

Mist AI를 기반으로 하는 Marvis VNA는 IT 팀의 중요한 확장 역할을 수행하면서 성능에 영향을 미치는 중요한 이벤트를 식별하고 Marvis Actions를 통해 권장되는 수정 단계를 제공합니다. Marvis를 사용하는 데 전문 지식이나 기술은 필요하지 않은데 대화형 인터페이스를 통해 NLP(자연어 처리), NLU(자연어 이해), LLM(대규모 언어 모델), GenAI(생성형 AI), 에이전틱 AI를 활용하여 직관적인 상호 작용을 구현하기 때문입니다.