Wie Netzwerke im Krisenfall autonom agieren Selbstheilende Netze treffen auf KI

Anbieter zum Thema

NTT DATA Deutschland SE

WatchGuard Technologies GmbH

Fsas Technologies GmbH

Netzwerke sind komplexe Konstrukte mit einer riesigen Anzahl potenzieller Fehlerquellen. In Unternehmen müssen sie als zentrale Infrastruktur und digitales Rückgrat dennoch jederzeit die Konnektivität und Datensicherheit gewährleisten: Eine Mammutaufgabe. Gut, dass selbstheilende Netzwerke inzwischen selbstständig Diagnosen stellen und ggfs. Gegenmaßnahmen einleiten – und mit Künstlicher Intelligenz sogar noch resilienter werden.

Wirklich neu ist die Idee von mehr oder weniger autonom handelnden Netzwerken nicht. Lange Zeit standen dafür allerdings lediglich eher rudimentäre Maßnahmen wie das Neustarten von Systemen oder das Umschalten auf Backup-Lösungen zur Verfügung. Mit neuen Technologien können Unternehmen heute hingegen auf völlig neue Methoden und Lösungen zugreifen, um ihre Netzwerke zu befähigen, eigenständig auf Vorfälle und Situation zu reagieren.

Was unterscheidet diese neue Netzwerk-Generation von den herkömmlichen Ansätzen und was macht ein selbstheilendes Netzwerk eigentlich aus? Kurz gesagt: solche Netze analysieren riesige Datenströme, detektieren dabei Anomalien und Probleme, leiten entsprechende Gegenmaßnahmen ein und können mit Machine Learning sowie Künstlicher Intelligenz über die bloße Symptombekämpfung hinaus dem eigentlichen Grund des Problems nachgehen. Damit sind die Netzwerke nicht nur intelligenter, sie besitzen auch eine größere Lernfähigkeit, die sie resilienter gegen Ausfälle und Angriffe macht. Auch verfügen sie über eine schnellere Reaktionszeit, verbessern die Gesamtperformance und übernehmen Routineaufgaben, die ansonsten Menschen per Hand durchführen müssten.

Durch die Automatisierung und stetige Überwachung verfügen Unternehmen damit erstmals über aktive, ja sogar präventive Netzwerke, die den Geschäftsbetrieb vor Störungen schützen können, bevor sie sich wirklich zu einem Problem auswirken. Wie funktioniert das?

Immer alles im Blick

Die Konnektivität des Netzwerkes ist von entscheidender Bedeutung für die tägliche Arbeit. Liefert beispielsweise das ERP-System keine Auskünfte mehr über den Warenbestand oder Bestellungen, können schnell erhebliche betriebswirtschaftliche Verluste entstehen. Um automatisiert zu jeder Zeit den digitalen Blick auf die Vorgänge im Netzwerk zu haben und Engpässe frühzeitig zu erkennen, ist eine Zusammenführung aller Analysen und Erkenntnisse notwendig.

Die zentrale Verwaltung eines selbstheilenden Netzwerks erfordert fortschrittliche Technologien und eine sorgfältig orchestrierte Architektur, die alle Netzwerkkomponenten herstellerübergreifend und nahtlos integriert. Spezielle Algorithmen durchforsten dabei die riesigen Datenmengen auf der Suche nach ungewöhnlichen Aktivitäten und Anomalien – diese entstehen etwa dann, wenn zwei Anwendungen nicht mehr miteinander kommunizieren können.

Ist eine der beiden aus irgendeinem Grund beispielsweise nicht mehr in der Lage, Datenpakete zu empfangen, kann es zu erhöhtem Traffic kommen, wenn der Sender immer und immer wieder versucht, seine Informationen wie geplant zuzustellen. Anhand vordefinierter Ablaufpläne weiß das Netzwerk, was in diesem Falle zu tun ist und kann die betroffene Anwendung neustarten oder den Traffic umleiten. Ein vollständiges, automatisiertes und durchgehendes Monitoring ist daher eine der Voraussetzungen für resiliente Lösungen – und das mit Hilfe von KI. Wie kommt die Technologie hier zur Geltung?

AIOps und SDN geben die Richtung vor

Für die Einführung von selbstheilenden Netzwerken setzen sich in der Praxis besonders zwei Konzepte immer stärker durch. Zum einen der AIOps-Ansatz, der als das Gehirn intelligente Entscheidungen trifft, um die Stabilität, Sicherheit und Performance des Netzwerks zu gewährleisten. Speziell für diesen Zweck entwickelte Plattformen verbinden Big Data, KI und Machine Learning, um verschiedenste Datenquellen zentral zusammenzuführen und zu analysieren. Erkannte Muster, Anomalien und Probleme kann das selbstheilende Netzwerk daraufhin anhand von vorgegebenen Skripten und Playbooks autonom beheben. Mit dem Aufkommen von GenAI-Lösungen stehen dem menschlichen Fachpersonal auf dieser Grundlage auch intelligente Copiloten zur Verfügung, die sie in natürlicher Sprache bedienen können. Damit lassen sich grundlegende Aufgaben auch von weniger spezialisiertem Personal erledigen, die mit KI und ebenfalls vorher definierten Anleitungen schnell auf verschiedenste Szenarien reagieren können, ohne jedes Problem zu eskalieren und damit die Reaktionszeit zu verlängern.

Zum anderen treiben Software-Defined Networks (SDN) die Weiterentwicklung von autonomen Netzwerken weiter voran. Der Ansatz trennt die Steuerungsebene (Control Plane), auf der Entscheidungen zur Steuerung des Netzverkehrs getroffen werden, von der Weiterleitungsebene (Data Plane), die diese Anweisungen umsetzt. Auf diese Weise ist das Netzwerk flexibler, leichter zu verwalten und besser an die Anforderungen moderner IT-Umgebungen anpassbar. SDNs bringen durch die programmierbare und zentralisierte Steuerung genau die Flexibilität, die für moderne Anwendungsfälle unerlässlich ist – beispielsweise IoT, Big Data und die KI-gestützte Netzwerkoptimierung. SDN ist damit ein zentraler Bestandteil der digitalen Transformation in Unternehmen und Netzwerkinfrastrukturen.

Ein Fall für Profis

Die Implementierung und Konfiguration komplexer Architekturen, wie sie in einem selbstheilenden Netzwerk notwendig sind, erfordern Expertise und Erfahrung. Nicht zuletzt auch bei der Compliance – schließlich analysieren die Algorithmen je nach Unternehmen, Land und Branche auch sensible und schützenswerte Daten. Dabei müssen Unternehmen auch mit Blick auf die NIS2-Verordnung, eine Vielzahl an Gesetzen und Regulatorien einhalten – die wenigsten verfügen allerdings selbst über das hochspezielle Know-how. Der Markt hat auf dieses Dilemma bereits reagiert. Die Mehrzahl an Unternehmen, die ein selbstheilendes Netzwerk einsetzen möchten, arbeiten eng mit entsprechenden Anbietern zusammen, die wiederum auf spezialisierte Partner für gesondert gelagert Fälle Zugriff haben.

Auch wenn Komplexität und Anfangshürden hoch sind, die Vorteile sind dennoch zahlreich: Nicht nur unterstützen die Netzwerke das rar gesäte Fachpersonal, mit fortschrittlichen Technologien können sie auch selbstständig Fehlerquellen über mehrere Ebenen hinweg verfolgen. Der kurzfristige Ausfall einer Komponente mag verschmerzbar sein und ihm kann mit schnell eingeleiteten Gegenmaßnahmen begegnet werden, die eigentliche Ursache ist in den komplexen Netzwerken allerdings ohne Hilfsmittel nur sehr schwer oder gar nicht auszumachen. Das Attribut „selbstheilend“ umfasst daher auch die Fähigkeit, durch geeignete ML- und KI-Technologien die Chance zu erhöhen, die eigentliche Ursache ausfindig zu machen und nachhaltig zu beheben.

Wer Sicherheit sagt, muss auch KI sagen

Neben Aspekten wie der Performance und dem Durchsatz müssen sich Netzwerke auch an der Wehrhaftigkeit ihrer IT-Security-Strategien messen lassen. Dabei geht es unter anderem um die Datenqualität, also ob Pakete unverändert und ohne ungewollten Abfluss von A nach B übermittelbar sind. Neben einer lückenlosen Überwachung der Telemetriedaten, etwa Informationen zu Status, Leistung und Fehlern, sind dabei ein korrektes Konfigurationsmanagement und zentrale Bestandteile wie SIEM (Security Information and Event Management) oder SOAP (Security Orchestration, Automation and Response) notwendig. Sie tragen dafür Sorge, dass Anomalien, wie ein künstlich erhöhter Traffic bei einer Denial-of-Service-Attacke, erkannt werden und als Angriff klassifizierbar sind. Dabei profitieren die Algorithmen von bereits bekannten Informationen zu Cyberattacken, können so Muster frühzeitig erkennen und besitzen das Wissen, wie sie auf welche Bedrohungslage richtig reagieren. Wie bei anderen Problemstellungen auch benötigen sie dafür einen Fundus an Vorgaben und vordefinierten Policies, den sie mit jedem erkannten Zwischenfall um neugewonnene Erkenntnisse erweitern.

Für die Umsetzung in die Praxis sind sowohl Machine Learning als auch Künstliche Intelligenz eine Voraussetzung. Neben der technologischen Notwendigkeit auch deswegen, weil sich Angreifer und Verteidiger im Bereich der Cybersecurity seit je her ein Katz-und-Maus-Spiel liefern. Während Cyberkriminelle KI vermehrt für immer perfidere und komplexere Angriffe einsetzen, müssen auch wehrhafte Systeme und Netzwerke entsprechende Vorkehrungen treffen und ihre Sicherheitsstrategie mit KI-basierten Lösungen auf das nächste Level bringen.

Über den Autor

Marc Schirmer ist Director GTM Practice Solutions bei NTT DATA in Deutschland.

(ID:50468275)