Juniper台灣區技術總監游源濱指出，Juniper提出的自適性臨界值（Adaptive Threshold）機制，可說是人工智慧應用在網路維運層面的典型案例。通常臨界值必須仰仗經驗豐富的工程師才得以精準定義，如今可改由人工智慧輔助，藉由演算法分析，學習正常存取行為的指標數值，比如頻寬、回應延遲時間等，綜合幾個關鍵指標觀察，一旦頻寬改變時，回應延遲時間會隨之增加，代表系統效能下降，機器學習即可自適性定義臨界值，並且主動調校。
前述的應用場景逐步擴大到多個領域，讓營運業務具備的自動化能力得以端到端建立協同運作，甚至可依據營運業務的需求，自主性地調配與維運，才足以成為人工智慧驅動的企業。
自動化設定與維運的實作法
傳統網路是手動輸入指令配置與維運，要讓特定應用場景建立自動化，製造商須提供NETCONF/YANG、JET API、OpenConfig、IaC（基礎架構即程式碼）生態鏈等能力。設備必須具有開放的介面與工具，例如交換器、路由器，透過NETCONF方式提供企業客製自動化流程，可事前撰寫Python腳本，或是整合Ansible提供的Playbook。
以前設定配置交換器要Telnet登入下指令，若內部部署的設備多達上百台，則難以手動逐一設定，可藉助開放介面與工具，藉由配置樣式範本，透過NETCONF派送，這種做法就已經達到基本的自動化。游源濱表示，Juniper持續積極地發展自動化的工具，例如十多年前提出Control Plane API，系統可透過NETCONF執行Telnet登入設定。
大約五年前提出標準YANG Model，就如同OpenConfig，讓異質技術平台的指令集得以標準化執行。例如設定VLAN，各家生產的設備有不同實作方法，可透過OpenConfig標準，轉換成Juniper的指令集。
現今已有許多IT人員懂得運用Python語言，透過NETCONF協定設定路由器。Juniper在韌體中已經內建了函式庫（Library），也就是Junos PyEZ，讓IT人員基於Python撰寫執行任務，例如設備連接埠的流量滿載時自動切換到另一台，用來處理此類日常維運經常發生的狀況，以確保網路連線不中斷。
Telemetry協定蒐集即時資料
前述這些Juniper既有已經提供的自動化機制，可透過腳本來提升設定與維運的效率，但若要更貼近即時性，則勢必要透視得更清楚。以往每300秒蒐集一次資料的控管模式已無法符合管理層面的需求，近年來網通市場主流的趨勢是採用Telemetry協定框架主動推送即時資料來增加能見度。
游源濱說明，傳統網管標準SNMP協定是等待輪詢時回應，Telemetry可在事前設定要監控的指標，主動地發送到指定位址，最短時間間隔可為10到100毫秒發送一次。只是如此一來，設備搭載的ASIC晶片必須要有能力支援，僅仰賴商用處理器勢必造成效能瓶頸，Juniper自主研發的ASIC晶片即可支援Telemetry協定。
資料中心經常會發生毫秒級爆量，特別在平行運算架構，大型企業多數有建立大數據分析，通常會由Master節點，指派任務給多台Slave節點執行運算，最後結果回報Master節點。以現階段的交換器能力，大致都可因應，但仍不免遇到指派任務與回報運算結果的時間皆一致，而出現多對一現象，造成Master接取的連接埠瞬間湧入流量造成效能瓶頸，使得封包被丟棄。像這類不到一秒時間的壅塞，網路層必須要有能力看到資料，才有能力排除問題。
「Juniper自主研發的ASIC晶片，讓每個連接埠可承載100毫秒的緩衝，藉由Telemetry即可蒐集取得資料。更即時地蒐集網路資料，目的是為了下一階段的分析監控做準備以掌握健康狀態，也就是Juniper推出的Contrail Healthbot，做網路健康狀態監控與分析，並且執行自動化處置。」游源濱說。
Healthbot自動化執行工作流程
若資料得以即時蒐集與分析，產生的數據準確度會隨之提升，則可進一步發展自動矯正（Self-Healing）工作流程的能力。游源濱舉例，當網路發生斷線，分析完成後發現問題根源在於設定，則可主動調整，或者是本來正常運行的環境突然斷線，系統會主動重新啟動，若仍無法排除，才觸發告警通知需要人力處置。
Juniper台灣區技術總監游源濱指出，運用具備人工智慧的控管平台，可完整呈現抽象的系統接取狀態，即可掌握所有的行為模式，除了提升維運效率，同時可及時發現異常存取，以免發生資安事故。
偵測到問題發生的初期，就如同工程師到場的標準作業流程，此後則可交給自動矯正機制先行處理。系統處理程序設計為閉合迴路（Closed-loop）自動化，也就是依據問題狀況判斷執行流程，之後觀察結果，再回到原本狀態選擇另一項執行流程，直到問題得到解決。 現階段Juniper正在增進分析與自動化執行工作流程的能力，朝向自主運行網路的目標前進。前述提到的Healthbot執行自動化流程即為今年發展主軸，設計的概念如同急診室檢傷分級，當病人送達時，必須運用各種檢查儀器取得狀態數值，並且在儀表板上顯示影響健康的指標，以判斷病情嚴重程度與採取的行動。
問題是各種類儀器產生的資料格式差異極大，勢必得仰賴工具協助彙整，經過正規化整理後，儲存到資料庫系統，才有能力進行分析與查看健康狀態指標。Healthbot的方式是運用機器學習網路連線行為與流量狀態的正常模型，當偵測到偏離時，判斷為異常狀況才會觸發告警。若網路環境多達上百台以上的設備， Healthbot便可發揮高度效益。
此外，HealthBot的閉合迴路自動化架構，首要必須先撰寫Playbook，定義監控指標、根源問題分析、日誌檔案分析，IT人員可善用HealthBot開放社群中其他成員的貢獻，或是專家建議的範本，下載後微調參數啟動運行，無需從頭開始撰寫。把重複性的操作交給機器人，讓IT人員日常工作得以更有效率。