每个Web应用程序都有自己的一组功能和性能参数，这些参数可能会动态变化。由于网络的多样性和复杂性，围绕此类网络场景构建的传统算法或硬编码技术是一项具有挑战性的任务。事实证明，机器学习对几乎所有行业都有好处，包括网络行业。机器学习可以帮助解决棘手的旧Web障碍，刺激新的Web应用程序，并使Web变得异常方便。让我们通过一些用例详细讨论基本工作流程，以更好地理解网络领域中应用的机器学习技术。智能网络流量管理：随着对物联网解决方案的需求不断增长，现代网络会产生大量异构流量数据。对于这样一个动态的网络，传统的网络流量监控和数据分析的网络管理技术（如Ping监控、日志文件监控，甚至SNMP）是不够的。他们往往缺乏对实时数据的准确性和高效处理。另一方面，由于设备移动性和网络异构性，来自网络中其他来源（例如蜂窝或移动设备）的流量相对表现出更复杂的行为。机器学习有助于大数据系统和大区域网络中的分析，以在管理此类网络时识别复杂模式。鉴于这些机会，网络领域的研究人员将深度学习模型用于网络流量监控和分析应用，例如流量分类和预测、拥塞控制等。1.带内网络遥测网络遥测数据提供有关网络性能的基本指标.这些消息通常难以解释。考虑到网络中的数据量和数据总量具有巨大的价值。如果使用得当，它可以显着提高性能。带内网络遥测等新兴技术可以帮助实时收集详细的网络遥测数据。最重要的是，在这些数据集上运行机器学习可以帮助关联延迟、路径、交换机、路由器、事件等之间的现象，这些现象很难使用传统方法在大量实时数据中查明。机器学习模型经过训练以了解遥测数据中的相关性和模式，从而能够根据从历史数据中学习来预测未来。这有助于管理未来的网络中断。2.资源分配和拥塞控制每个网络基础设施都有一个预定义的可用总吞吐量。它进一步分为不同预定义带宽的多个通道。在这种情况下，每个最终用户的总带宽使用量是静态预定义的，网络的某些部分总是会出现瓶颈，网络的使用量会很大。为了避免这种拥塞，可以训练受监督的机器学习模型来实时分析网络流量，并以网络遇到最少瓶颈的方式为每个用户推断适当的带宽限制。这些模型可以从网络统计数据中学习，例如每个网络节点的活跃用户总数、每个用户的历史网络使用数据、基于时间的数据使用模式、跨多个接入点的用户移动等。3.流量分类在每个网络中，有各种各种流量，例如Web托管(HTTP)、文件传输(FTP)、安全浏览(HTTPS)、HTTP实时视频流(HLS)、终端服务(SSH)等。现在，当涉及到网络带宽使用时，每个行为都不同，即通过FTP传输文件。它连续使用大量数据。例如，如果视频正在流式传输，它将使用chunk和buffer方法。一些临时阻塞可以看作是不同类型的流量以无监督的方式在网络中运行。为避免这种情况，可以使用机器学习分类器来分析和分类网络中的流量类型。这些模型随后可用于推断网络参数，例如分配的带宽、数据上限等，以通过改进服务请求的调度和动态更改分配的带宽来帮助提高网络性能。网络安全：网络攻击数量的增加迫使组织持续监控和关联整个网络基础设施及其用户的数百万个外部和内部数据点。手动管理大量实时数据变得困难。这就是机器学习的帮助所在。机器学习可以识别网络中的某些模式和异常，并实时预测海量数据集中的威胁。通过自动分析，网络管理员可以轻松检测威胁并快速隔离情况，而无需人工操作。1、网络攻击识别/预防网络行为是机器学习系统异常检测的重要参数。机器学习引擎实时处理大量数据，以识别威胁、未知恶意软件和违反政策的行为。如果发现网络行为在预定义的行为范围内，则接受网络事务，否则在系统中触发告警。这可用于防止各种攻击，例如DoS、DDoS和Probe。2.防止网络钓鱼很容易诱使某人点击看起来合法的恶意链接，然后尝试突破计算机的防御。机器学习有助于预测可疑网站，帮助防止人们连接到恶意网站。例如，文本分类器机器学习模型可以读取和理解URL，并首先识别那些虚假的网络钓鱼URL。这将为最终用户创造更安全的浏览体验。机器学习在网络中的集成不限于上述用例。通过从网络和机器学习的角度发现机会和研究，可以在使用ML进行网络和网络安全的领域中开发解决方案，以解决未解决的问题。
