Skalierbare Kapazitätsprognose in großen Datennetzen
Früherkennung
Potenzielle Engpässe lassen sich in komplexen Netzwerken kaum ohne Big-Data-Methoden entdecken und beheben. Mit Batch- und Stream-Processing können Admins diese Engpässe erkennen, bevor es kneift. Ad-hoc-Prognosen mit Jupyter-Notebook können dabei als leichter Einstieg helfen.
Das in großen Netzwerken übertragene Datenvolumen wächst mit der voranschreitenden Digitalisierung rasch, besonders bei Providern. Die Betreiber versuchen Überlastungen mit einem kontinuierlichen Netzausbau entgegenzuwirken. Verbindungen in geschäftskritischen Netzen sind meist redundant. Als Kriterium für eine Überlastung dient daher häufig die 50-Prozent-Kapazitätsgrenze: Solange sie nicht überschritten wird, kann beim geplanten oder ungeplanten Ausfall einer Verbindung die verbleibende Hälfte den gesamten Datenverkehr bewältigen, ohne bestehende Service Level Agreements zu gefährden.
Das Ziel besteht in einer Planungshilfe für große Providernetze, die einen bedarfsgerechten Netzausbau unterstützt und dabei die 50-Prozent-Grenze beachtet. Zur Netzwerkplanung eignen sich Methoden aus dem Bereich Machine Learning. ML-Modelle dienen einerseits der Anomalieerkennung, andererseits können sie aber insbesondere Kapazitätsengpässe basierend auf den historischen Daten prognostizieren. Im vorliegenden Beispiel kommt dafür Prophet zum Einsatz, eine Bibliothek von Facebook zur Zeitreihenprognose [1].