机器学习和网络健康

网络配图

“推送的机器学习技术和大数据应用程序让NBN（澳大利亚国家宽带网）在诊断和修复网络健康方面更加主动。”该公司说道。

NBN的IT战略和架构执行总经理Arun Kohli在周二上午于悉尼举办的年度CeBIT大会上表示，NBN当前正收集各个部分的网络的实时数据，不论网络是否连接。

“除了典型的观察、测量和预测分析应用程序，我们在客户体验方面会让下一阶段的机器学习更加主动。”Kohli说道。

“而且这也能帮助优化我们的项目——我们需要的是什么样的技术，当我们未来决定升级的时候又会出现什么样的问题。”

Kohli说NBN手机的网络数据包括调制统计，同步和错误率，丢帧延迟，警告和错误。收集微反射，频普响应曲线以及吞吐时间的数据则是我们的下一步措施。

“NBN已成功地培训出了机器学习模型来从频谱数据中辨别不同的错误类型。”他说。因此，该公司能够发现内部的网络问题，如桥接抽头（铜线的无端接的分支，能够导致信号反射从而使网络速度变慢）和外线设备问题（如因渗水导致的铜线腐蚀，使网络变慢，网络服务不稳定）。

“当我们通过机器学习检查连接数据的内部铜线数据时，我们能预测两个情况：网络服务会退化——有网络服务，但是终端用户并不知情，后来网络服务会退化。”他解释道。

“另一个重要的是，通过使用这一信息，我们所计算的从出现问题的地方到家的距离为6.2米。”

NBN也在收集HFC（混合光纤同轴）调制调解器再同步的数据，或者“网络襟翼”，他将其描述为由于物理电缆的损伤或者承载能力的问题，网络会临时断开连接。

NBN也成功地训练出了机器学习模块来诊断和襟翼类似的HFC调制调解器，他说道，公司可以在用户察觉到之前，“预测大规模内的调制调解器襟翼”。

“在网络服务断开之前，网络一直在退化。”Kohli说道。

“使用这个大数据，你会经历服务中断，并且每几分钟发生一次，一些用户已经注意到了...即使是终端用户无法察觉到，我们也可以使用网络中的大量数据来预测以及找出问题在哪。”

通过在收集实时数据时使用机器学习应用程序，NBN对网络的管理从被动变为了主动，Kohli解释道。

“通过大量的网络健康数据，以及在大数据上使用的软件技术环境，我们也能够将数据转移由被动变为主动。”他说。

“这也是机器学习应用程序的有用之处...如果你主动的话，那么就会提升用户体验。”

Kohli说去年NBN宣布了试用新的诊断工具，来远程查看家中的铜线布局以及检测家中电话的接口是否存在问题。

“我们会开始使用新的诊断工具，希望能快速、准确地检测因室内接线而导致的网络变慢问题，”NBN代理代理首席技术官Carolyn Phiddian在9月份说道。

“在我们做过的内部测试中，光缆到节点的网络上的网络性能的问题是由家中接线导致的。在很多情况下，不好的接线布局会使下载速度最少降低50%。”

RSPs（零售服务供应商）后来也可以使用这一工具来帮助诊断宽带服务问题。

NBN现在正与悉尼科技大学和墨尔本大学开展三年的研发合作关系，合作包括数据分析和可视化，可编程网络，AI，机器人技术以及无线技术。

当谈及到NBN是如何在其它业务上通过提供高速、覆盖范围广的网络来使用大数据时，Kohli引用了他在星期二CeBIT大会上的发言。

“如果仅在数据中心内，大数据就不会扩展。大数据应用程序则是你能够获取数据的速度，因此布局网络可以将各地的网络连接起来，这就是NBN的有用之处。”他辩解道。

“可用，高速以及低延迟的NBN网络能够通过去中心化，在现场数据中心分配数据和多重云架构，来帮助分配数据以及影响数据驱动型业务可能的经济。”

原文作者：Corinne Reichert

往期精选

围观

热文