测试为人工智能建设的网络和通过人工智能增强网络

思博伦电子书目目录人工智能对网络的影响建议：如何测试为人工智能构建的网络建议：如何测试和保障通过人工智能增强的网络和通过人工智能增强的网络测试为人工智能建设的网络和通过人工智能增强网络通信网络将注定成为该进程中的受益者，因为大量的人工智能技术将被集成到通信当人工智能不断集成到网络的过程中，人们时常担忧人工智能是否值得信任，能否承担决策、处理敏感数据，以及防御最新黑客战略的重任。各方都在努力快速验证专为人工智能搭建和人工智能增强的网络是否能够满足预期。测试和保障是连接这AI应用需要实时的数据处理和推理，因此要依赖不间断的上行和下行链路网络接入。只有这样才能实现处理所需的原始数据的传输，以及从边缘计算节点、区域和全球数据中心上托管的AI模型接收推理结果的过程。无论是在边缘，还是IP核心网上，这些流量都必须满足低时延、高吞吐量，以及有保证的连接能力，而此类要求也加速了低时延、无损，分布式云和边缘处理需求而设计的。这种%利用真实的流量仿真和网络数字孪生等新方法学，可以加速大规模和拥塞条件下对AI场景的全面和可复现测试，并本电子书将探讨人工智能如何影响当前的网络，以及人工智能融入关键网络功能方面的最新趋势。本电子书还将阐述测试和保障如何应对人工智能推广相关的挑战，以及它们在验证人工智能用例过程中无可估量的价值。我们还将援引思博伦的客户合作和市场经验，并针对为人工智能构变化正在推动数据中心的完全重新设计，同时无线和有线运营商也在竞相升级其联33人工智能对网络的影响在本章节中，我们将讨论人工智能对网络的影响，以及人工智能在支持更高效和更智能的网设备测试为人工智能建设的网络和通过人工智能增强网络人工智能对网络基础设施的影响人工智能应用和进程对网络提出了全新的独特需求。它们引入了高水平的计算复杂性、巨大的数据量、低时延和近于无损的流量要求，目的就是为实时的决策提供支持。所有的处理通常都被分配到今天的网络基础设施主要是为视频和互联网流量而设计的，而要想支持人工智能，就必须不断演进。特别是，一些新的能力需要设计到网络中，并针对人工智能通信和进程加以优化。这些网络设计应适应不断演进的性能要求、更强的传输和互联架全新的网络性能要求人工智能正在将网络性能要求推向前所未有的水平，而重点关注的便是全新的网络。自诞生伊始，这些网络就必须能够处理人工智能应用生成的巨大流量，以及运人工智能训练和再训练。训练学习模型（如大语言模型（LLM））时需要大量的数据才能识别各类模式或做出预测。这些人工智能训练任务属于计算密集型，并可能耗费数小时、数日，甚至数周的时间。为了提高效率并加快响应速度，人工智能会将这些训练数据和处理工作分发到分散程度很高多个计算节点和xPU上。这种工作需要节点之间的海量通信。为缩短训练时间，网络必须以较高的精度和速度处理这人工智能推理。通过在训练好的人工智能模型上运行新的数据，人工智能推理应用可用于做出预测或决策。人工智能推理引擎可以部署在网络中的不同点，例如网络的边缘或企业的基础设施内，目的就是改善响应时间或增强安全性和隐私。要想实为人工智能为人工智能构建的网络人工智能效应：人工智能应用需要低时延、近乎无损的传输、高吞吐量和可扩展的架构，因此要求网络通过不断演进来实现实时决策人工智能应用和工作负载流量。诸如文本和对话、图像增强等人工智能应用都会在上行和下行方向生成巨大的流量。例如，视频分析会产55测试为人工智能建设的网络和通过人工智能增强网络人工智能训练和再训练人工智能训练和再训练通常的尺寸达数TB或PB。人工智能应用和工作负载流量用于通过网络将巨大的数据量搬运至推理引擎上下行方向均具备较低至较高的可用带宽上下行方向均具备较低至较高的可用带宽连续高吞吐量低时延用于支持存储和计算节点之间大数据量的持较低至微秒甚至亚微秒级的时延，可同步多个所用的节点，对人工智能模型开展高效的用于支持存储和计算节点之间大数据量的持较低至微秒甚至亚微秒级的时延，可同步多个所用的节点，对人工智能模型开展高效的使人工智能推理能够实现实时或近实时的响应分布式数据水平扩展在多个计算节点上使用数据分片和并行数据分布式数据水平扩展用于在人工智能模型和数据集增长的过程中，为节点间越来越高的数据传输和通信低抖动提供连贯的包交付，将数据流和决策进程受到的干扰降至最低水平，而这对于时间敏感应用低抖动提供连贯的包交付，将数据流和决策进程受到的干扰降至最低水平，而这对于时间敏感应用和容错能力可靠性和可用性和容错能力可靠性和可用性强健的扩展能力尤其是在关键任务应用中，用于避免存在误差通过随需方式应对起伏波动的工作负载，且不安全的数据传输可在推理期间避免数据篡改和未经授权的访问。安全的数据传输66测试为人工智能建设的网络和通过人工智能增强网络全新的传输和互连架构数据中心运营商已经在快速转变后台架构和互连网络架构，以便为高效和安全训练人工智能模型所需的高吞吐量、低时延和无损性能提供支持。相关的支持技术包括人工智能的演进已经超越了集中化的数据中心。领先的网络运营商已在将人工智能处理任务分发到整个网络上，而其自身的定位是提供网络即服务模型，实现多租户人工智能，并为新颖的人工智能流量模式提供支持。在这种离散式的架构中，区域数据中心通常负责特定域的模型，而安全边缘则提供低时延，以及本地化和专有推理。相关的支持技术包括，用于确保性能和QoS的有线和无线网络切片、用于实现高效和弹性人工智能流量路由的IPv6上的分段路由，以及用于支持量子加密联网的全新的联网业务模型和机遇随着各个行业和政府机构对人工智能的需求不断提高，电信、云和联网企业将也迎来新的机遇，为客户提供与人工智能相关的各类定制、可扩展和安全的服务。这类服务通常被称为网络基础设施即服务（NIaaS），可以为企业和开发商提供针对人工智能做好准备，且经过优化的联网和xPU基础设施，能够应对人工智能的各种具应时间、可靠性和丢包、扩展能力、安全性，以及应用层面的服务质量（QoS）。），），77利用人工智能惠及网络和运营目前，人们还在将人工智能技术集成到网络中，使之成为增强、自动化和优化网络管理、性能和安全性各个方面的系列工具。这些网络功能会发挥人工智能的能力，例如机器学习、数据分析和自动化，实现实时决策，预测网络问题，调整自身来适应不断变化的条设备如图中所示区域，人工智能将被设备测试为人工智能建设的网络和通过人工智能增强网络人工智能的能力正在为网络注入智能，）－）－尽管人工智能的机遇和潜在惠益十分巨大，但下列这些问题和不确尽管人工智能的机遇和潜在惠益十分巨大，但下列这些问题和不确定性却在对人工智能决策和结果缺乏信任透明度和可解释性阻碍人工智能普及的各项挑战Q99测试为人工智能建设的网络和通过人工智能增强网络测试和保障扮演的角色所有人的目光都集中于通过测试来协助应对人工智能在普及方面的挑战，并确保为人工智能构建的网络和通过人工智能增强的网络具备鲁棒性、可信的特质，并且为支持巨验证性能和标准及法规一致性方面的测试工作正在紧锣密鼓地进行中，同时此类测鉴于软件驱动的分布式多厂商网络所具备的动态特质，贯穿整个生命周期的持续测试和保障将发挥无可估量的作用。由于人工智能可加强自主网络运行，并推动频繁的实时变化，从而优化其性能，因此每一项变化都需要持续不懈的验证。网络运营商需要以实时方式了解受影响的组件是否仍能实现互操作，并保持应有的性能水平和安全性。通过在问题发展为代价高昂的故障之前查明各类问题，持续测试可以让通过建立对人工智能的信任，提高运营的透明度，并增强治理能力，测试和保障在应对阻碍人工智能普及的挑战方面扮演着重要的角色。所用到的方法学包括真实的仿真、合成测试数据的使用、持续测试和自动化、主动测试，以及非功能性测试。强化安全防御强化安全防御针对该进程中任意阶段的恶意网络攻击从实验室验证到现场验收和现实世界的实际部署，测试和保障可以帮助我们应对加速降低成本和复杂性管理厂商和运营商缩短上市时间利用自动化测试在数周内部署新的优化用户体验快速精确定位测试为人工智能建设的网络和通过人工智能增强网络关键的人工智能测试方法学及能力主动测试可以将少量的合成流量注入到网络中，用以仿真网络的各项功能和使用模网络数字孪生是一系列的仿真副本，其作用是充当网络和流量的“已知良好参考”。在面对为人工智能构建和通过人工智能增强的网络时，它们可以支持真实、低成本和无风险的测试。数字孪生可以在现实部署之前，实现对人工智能解决方案和网络行为、性能、安全性和效率的评估。例如，我们可以使用xPU仿真器，对数合成测试数据可模拟真实世界的流量和数据，并将其用于测试的目的。此类数据不包含个人可识别信息，但可以模仿出真实的数据特性，因此可用于执行受控的、可重复的网络和系统测试，尤其是当真实数据不可用、过于敏感，或数量不足时。例如，合成测试数据可生成应用的安全流量，用于在L4-7层流量仿真器中测试已知和功能和性能。它可以充当DevOps和实验室至现网测试的关键支柱，并与持续集成式。这种作法可以生成预测性的数据，以前瞻方式监视各类性能、SLA和人工智能测试为人工智能建设的网络和通过人工智能增强网络人工智能网络生命周期中的测试在人工智能网络的生命周期中，测试可以解决真实性、规模、弹性和安全效能方面的问题，从而扮演着至关重要的角色。此类测试有助于应对那些阻碍人工智能普及并限制其运0日0日第1日第2日及之后人工智能生命周期设计/开发展开/部署运营/维护测试的角色建模/评价/测试验证（之前和之后）监视/优化/巩固测试解决的挑战真实性/成本/准确性规模/弹性效能/透明度方法学左移（尽早测试）右移（生产中的测试）数字孪生（仿真器/模拟器和流量生成器）可在无风险的低成本虚拟环境中实现真实的网络设计、模拟/仿真和测试。持续测试（实验室到现网的自动化测试解决方案）可持续验证效能，隔离问题、重新验证变化并提供反馈闭环的自动化测试。持续改进以及第2日和之后的运营，都可以安全地释放人工智能的潜力，同时尽可能减少相在设计和开发阶段，数字孪生和仿真解决方案能够在无风险的环境中模拟各种网部署阶段中的自动化持续测试可以验证人工智能在部署前后的可靠性，提供不涉及功能的扩展能力、弹性和安全性测试，而这些对于安全的启动和运营均具有至关重最后，在运营阶段，主动测试能够以前瞻的方式监视、优化和巩固人工智能，确保在人工智能得到普及的过程中，从设计到生产的持续测试和改进闭环可以确保网络测试为人工智能建设的网络和通过人工智能增强网络测试通过人工智能增强的自主网络网络运营商已成功实施了较低层级的自主能力，虽然能够减少人工投入，但仍需要人类的干预。最终的目标是向完整的第5级自主性持续推进，即让人工智能系统能够在最少或无人类监督的情测试是实现该构想和安全引导这一旅程的关键环节。强健的测试框架可以为人工智能普及的每个阶段提供必要的信心、透明度和治理。下图显示的便是如何实现更高层级的自动化，完成从人工人工测试AIAI包含基本机器学习的辅助自主性，可实现重复性测试任务的自动化，但仍需要实质性的人类AIAI持续测试预测性人工智能可提供部分自主性，包含限定AI持续测试AI持续测试有条件的自主性，其中最小程度的人类干预和较大程度的人类监督成为可能，且预测式和生AI持续测试持续测试高自主性，其中的持续测试能力将在多个域内以动态闭环方式运行，且只需最低程度的人类持续测试AIAI自适应测试和环路完全自主的人工智能，其中的自适应测试能力可在多个域运行，并可能牵涉第三方，且无需自适应测试和环路测试为人工智能建设的网络和通过人工智能增强网络建议：如何测试为人工智能构建的网络在测试为人工智能构建的网络时，仿真和自动化能力是不它们可以降低成本并缩短测试的时间，同时还可实现可重复的分析和扩展能力测试，确保网络能够为人工智能工作流程的严格要求提供支持。在本节中，我们将探数据中心互连网络架构人工智能的影响：为支持分新的分布式xPU集群架构和更高的容量，后台互连网络架构正在接受重新设计，而这种架构需要的是低时延、高吞吐量、支持并行的无损传输，以及处理新型人工智能流量模式的能力。传统的前台和全新的后台交换机和•仿真含RoCEv2和CCL（集体通信库）流量模式的真实人工智能工作负载，无需搭建物理实验室和众多机架上基于xPU的定制高端服务器，不仅降低了成•评价和优化人工智能网络架构在拥塞条件下的弹性和性能，并采用算法带宽，总线带宽，任务完成时间（JCT）、吞吐量、尾时延、重排序包计数和迟示例示例利用仿真测试数据中心以太网互连网络架构通过仿真真实的xPU工作负载和大规模条件下的人工智能流量模式，对数据中心互连网络架构执行快速压力测试，查明可能导致网络拥塞、提供可重复的测试和可用于行动的人工智能以太网架构KPI指标，诊断与搭建包含数百颗xPU和服务器的测试实验室相比，使用仿真的测试为人工智能建设的网络和通过人工智能增强网络有线IP传输网络人工智能的影响：为了支持特定域大语言模型的托管和训练，以及向安全和专有边缘位置分发推理的任务，IP传输网络的容量和特性正在快速升级。根据预测，人工智能流量的增长将推动更快的更新周期，其中远端边缘站点的速度将达到•应在多种速度和端口配置下测试高密度统一2至3层和4至7层，包括•应对包含多种网络协议和复杂人工智能流量模式的大规模网络拓扑结构进行•测试优先流控制，并监视其中的错误，例如乱序、FCS和PRBS，以及丢帧人工智能的影响：小语言模型（SLM）和本地化推理通常都部署在终端设备和安全在确保人工智能流量性能的过程中发挥着至关重要的作用，例如确定的时延、吞吐•测试网络切片的性能和弹性，验证切片的保证是否可以在真实流量负载和损•使用网络切片保障，以前瞻的方式监视切片，确保它们符合SLA的规定，并在人工智能的影响：人工智能的安全和隐私要求是与高吞吐量和低时延流量需求相一致的，也在推动下一代防火墙去支持100G至400G的连接、更强的路由和转发能力（例如IPv6和动态路径变化），以及先进的威胁预防，目的就是阻止各种已知、未知和命令与控制式的攻击。我们面临的威胁正在不断加剧，例如量子计算机可以解破传统的加密技术，因此未雨绸缪的后量子密码（PQC）技术便应运而生，并为面•生成高容量用户应用流量负载，实现更强的真实性，并对安全系统施加压力•测试各类场景，验证人工智能方面的变化是否得到了正确的实施，人工智能预测性阻拦的效能如何，以及人工智能对流量性能的影响如何。此外还需要测试为人工智能建设的网络和通过人工智能增强网络建议：如何测试和保障通过人工智能增强的网络在与客户的合作中，思博伦不断发现形形色色的网络功能人工智能增强：根据Gartner的统计，99%的防火墙被攻破都是因为人工的配置不当和数以千计的重叠规则与策略。人工智能助手可以简化和优化容易出错的复杂策略和配置管理，并对重叠的安全规则执行故障排查。人工智能/机器学习正在不断加强针对高级和已知威胁的预测和预防工作，包括人工智能生成的攻击，而如果不使用人工智能，探测此类攻击的工作将变得极其耗时、昂贵，其难度也将达到难以针对安全设备和解决方案的人工智能实施属于新生事物，前瞻式的验证将提高用户示例示例利用攻击仿真来验证人工智能加持下下一代防火墙的安全性自动化和持续安全测试通过使用仿真流量执行的测试，我们可以验证人工智能助手驱动的防火墙变化是否会对网络安全或性能造成不利影响。真实的线速率流量和攻击流量生成可以验证这些变化是否实施正确，以及防火墙拦阻行为的性能和准确度是否满足要求。针对不同的人工智能模型和人工智能助手提示词输入，此类测试应测试为人工智能建设的网络和通过人工智能增强网络人工智能增强特性：全新的RAN智能控制器（RIC）可以让基于人工智能/机器学习•通过压力测试来确定商业部署的准备情况，包括涉及性能、不利场景、假设数字孪生负责仿真近实时RIC近实时RIC示例利用网络数据孪生测试OPENRANRIC和人工智能/机器学习测试为人工智能建设的网络和通过人工智能增强网络人工智能增强特性：新型的网络数据分析功能（NWDAF）可学习的预测性深入认知与行动，能够实现动态的网络功能和服务生命周期管理与编人工智能增强特性：人工智能/机器学习驱动的人工智能运维（AIOps）可以实现网络管理任务的自动化。利用预测式分析和可用于行动的深入认知，我们可以将其与主动保障结合为一体，从而使自我优化和自愈行动的实施成为可能。在迈向闭环自动化的过程中，网络运营商可以使用这种强大的方法，充满信心地实施基于人工智•以前瞻的方式测试已编排网络中人工智能建议所驱动的变化，并在实施前后测试为人工智能建设的网络和通过人工智能增强网络利用人工智能增强的保障来为移动和传输域提供保障利用人工智能增强的保障来为移动和传输域提供保障人工智能增强特性：经过训练的人工智能/机器学习模型可以网络性能和用户体验受到影响之前，增强缺陷和问题的前瞻性识别、隔离和根源分析，从而对网络保障新功能的激活情况新功能的激活情况机器学习模型可实现自适应性的KPI阈值控制，学习网络中的某个节点在特定时间和日期应有的正常/良好状态。当学习到的阈值事件表示为不可接受的性能时，闭环主动测试工作流程便会被触发，以便隔离缺陷并向运维发送根源报告，以便后续在监视和缺陷隔离步骤中学习到的这些阈值，也会被用于连续更新自动化激活和变变化管理的自动化测试为人工智能建设的网络和通过人工智能增强网络思博伦的承诺：您的测试和保障伙伴-为人工智能构建和通过人工智能增强的网络人工智能的需求正在推动联网基础设施的变革，既带来了挑战，也创造了机遇。尽管这些变化解锁了前所未有的自动化，但严格的测试仍是必不可少的，因为只有这样才能加快人工智能的普及并确保网络，包括为人工智能构建和通过人工智能增强的网络，都能够具作为中立且可信的行业领导者，思博伦带来了让人们了解人工智能对网络影响的深入专业能力。凭借我们与厂商无关的方法和尖端的数据中心以太网互连网络架构数据中心以太网互连网络架构有线网络中的高速以太网5G网络切片网络安全性能