Melampaui Up/Down: Ada Cara Lebih Baik untuk Menentukan ‘Normal’ di Infrastruktur yang Kompleks

Kita telah melangkah jauh dari pemantauan up/down. Dari lantai pabrik hingga infrastruktur perusahaan modern, administrator IT sekarang memerlukan informasi yang jauh lebih banyak daripada sekedar memeriksa apakah sebuah situs web atau aplikasi dapat melayani pengguna. Tentu, melihat status “up” atau “down” yang dasar sangat membantu, tetapi ini tidak menceritakan seluruh cerita tentang bagaimana teknologi memberikan nilai bisnis yang diharapkan. Lebih lanjut, karena lingkungan IT dan OT bersatu dan ekosistem menjadi lebih dinamis dan eferal, peringatan ini tidak secara akurat menetapkan atau mencerminkan baseline.

Memahami apa yang normal, mempelajari pola kinerja, dan mencegah downtime yang mahal adalah fungsi vital dalam infrastruktur yang kompleks saat ini. Ini terutama benar karena aktor ancaman menggunakan alat yang semakin canggih untuk melakukan lebih banyak dengan kurang dan infrastruktur terhubung modern menciptakan kerentanan baru.

Ini adalah lanskap di mana pemantauan yang didorong oleh AI mengubah pengelolaan infrastruktur dengan menawarkan wawasan tentang apa yang normal dan tidak normal, sehingga menghilangkan baseline yang buruk dan kelelahan peringatan. Mari kita jelajahi bagaimana pergeseran ini dari pemadaman reaktif ke pencegahan proaktif menandai evolusi pemantauan yang sangat dibutuhkan.

Menemukan Normal yang Baru

Apa yang normal, sebenarnya? Ini adalah pertanyaan yang telah diajukan oleh tim infrastruktur yang mengawasi server, perangkat jaringan, aplikasi, dan database selama beberapa dekade. Mengapa? Karena menentukan ‘normal’ itu kompleks dan rentan terhadap kesalahan di lingkungan yang dinamis dan terdistribusi dengan sistem yang beragam untuk dipantau. Menemukan jawabannya akan tergantung pada pola bisnis dan teknologi spesifik Anda. Selain itu, akan tergantung pada teknologi dan konfigurasi pemantauan Anda, karena menetapkan ambang batas statis tidak menangkap banyak masalah. Sebaliknya, itu akan memberi Anda gambaran yang baik ketika sesuatu terjadi yang Anda harapkan, tetapi tidak membantu menangkap masalah yang tidak Anda harapkan, menyebabkan peringatan palsu, kelelahan peringatan, dan celah dalam visibilitas.

Bayangkan sebuah fasilitas manufaktur di mana lalu lintas tiba-tiba melonjak pada pukul 2 siang pada hari Selasa. Pemantauan tradisional mungkin memicu peringatan karena melebihi ambang batas yang telah ditetapkan, tetapi apakah ini benar-benar masalah? Tidak ada cara untuk mengetahuinya tanpa data dan diagnostik yang lebih dalam. Lonjakan itu bisa menandakan aktivitas bisnis yang sah seperti jadwal shift baru atau peningkatan produksi untuk memenuhi deadline. Di sisi lain, itu bisa menandakan ancaman keamanan serius, seperti eksfiltrasi data atau sistem yang dikompromasi yang berkomunikasi dengan server perintah dan kontrol.

Ini adalah tempat di mana pemantauan anomali yang didorong oleh AI meningkatkan kecerdasan pemantauan infrastruktur. Metode ini menganalisis data historis secara terus-menerus untuk menciptakan baseline cerdas yang menyesuaikan diri dengan kondisi yang berubah. Pendekatan ini memungkinkan peringatan yang lebih proaktif yang memberikan waktu tambahan bagi tim administrator IT dan DevOps untuk campur tangan dan memitigasi masalah sebelum dampak yang signifikan.

Pemantauan lalu lintas jaringan adalah contoh yang baik dari ini dalam aksi. Sistem pemantauan infrastruktur mengumpulkan berbagai sinyal termasuk log dan metrik. Log adalah peristiwa yang dihasilkan oleh sistem, sedangkan metrik adalah ukuran. Seiring waktu, ukuran-ukuran ini dikumpulkan dan direpresentasikan sebagai seri waktu, mirip dengan suhu yang diukur sepanjang hari. Data yang dikumpulkan untuk memantau kondisi jaringan termasuk metrik seperti laju paket siaran masuk dan keluar, jumlah pembuangan dan kesalahan, dan total throughput lalu lintas. Jika ada yang tidak beres dibandingkan dengan kinerja biasa, pemantauan cerdas dapat memastikan peringatan yang tepat dinaikkan dan peringatan palsu dihindari.

Sebagai hasilnya, tim infrastruktur dapat fokus pada memberikan nilai bisnis daripada terus-menerus menyesuaikan pengaturan peringatan dan memadamkan masalah yang mungkin tidak ada.

Menghindari Duplikasi Peringatan

Menggandakan pemantauan dapat memperkenalkan tantangan tambahan dengan menciptakan lebih banyak peringatan. Pemantauan dapat menjadi berantakan seiring waktu karena tim menambahkan pelacakan untuk proyek baru atau membuat pemantauan tambahan saat melakukan pemecahan masalah atau pengujian. Sebelum lama, apa yang tampak seperti pengaturan pemantauan yang bersih dan sederhana dapat berubah menjadi labirin yang berlebihan atau peringatan yang redundan yang mengaburkan masalah daripada menerangi.

Sebagai contoh, tim IT terkadang menerima peringatan untuk penggunaan CPU yang tinggi, waktu respons aplikasi yang lambat, dan kemacetan jaringan dari server yang sama yang overload. Tanpa memahami korelasi, tim mungkin menyelidiki tiga masalah terpisah daripada satu penyebab akar.

Teknologi AI modern, ketika digabungkan dengan pemantauan, sekali lagi mengubah masalah ini melalui deteksi otomatis konfigurasi pemantauan yang serupa. Dengan menggunakan teknik seperti matematika fuzzy dan heuristik, pendekatan ini menganalisis pola perilaku dan mengungkap korelasi antara pemantauan yang serupa untuk mengungkap koneksi tersembunyi.

Ini penting karena dua alasan utama. Pertama, ini mengurangi kebisingan peringatan. Sebagai gantinya menerima tiga peringatan terpisah untuk satu masalah, tim menerima satu peringatan dengan pemahaman yang jelas tentang apa yang perlu diperhatikan dan mengapa. Kedua, ini menghilangkan pemantauan yang redundan. Ini membantu menciptakan pengaturan yang lebih mudah dikelola yang merapikan dasbor dan mengurangi beban kognitif.

Masa Depan Pemantauan Cerdas

Pengembangan jaringan dan keamanan siber lainnya juga mendukung kasus untuk pemantauan yang lebih banyak karena kompleksitas terus tumbuh secara eksponensial. Apa yang dulunya merupakan jaringan industri yang terpisah dan terisolasi sekarang terhubung dengan sistem perusahaan, menciptakan lingkungan hibrida di mana satu masalah jaringan dapat memengaruhi baik jalur produksi maupun aplikasi bisnis. Dan kita melihat konvergensi ini di seluruh tumpukan modern.

Sensor IoT industri, gerbang edge, dan perangkat OT sekarang berkomunikasi bersama dengan protokol IT standar. Ketika sistem yang beragam ini mengalami masalah, administrator memerlukan pemantauan yang dapat memahami hubungan di seluruh ekosistem daripada memperlakukan setiap sebagai silo terpisah. Kewaspadaan adalah tidak dapat dinegosiasikan karena pelanggaran yang sukses dapat menghentikan jalur produksi, merusak peralatan yang mahal, dan menimbulkan bahaya keselamatan. Bahkan, waktu henti yang tidak terencana sekarang menghabiskan 11% dari pendapatan tahunan perusahaan Fortune Global 500, menekankan bahwa biaya pemantauan cerdas jauh lebih rendah daripada biaya pemecahan masalah manual dan produktivitas yang hilang.

Sementara itu, tidak ada cara untuk menghindari bahwa peretas di sisi lain lembaran keamanan siber menggunakan teknologi ini sebagai terobosan produktivitas untuk menyerang dengan skala besar. Model bahasa besar AI generatif (LLM) gratis atau murah memungkinkan peretas untuk menghasilkan dan memodifikasi serangan dengan biaya minimal. Dan, dengan waktu, jelas bahwa aktor jahat semakin melihat AI sebagai perubahan permainan. Hari ini, 7 dari 10 percaya bahwa teknologi dan berbagai alatnya meningkatkan kemampuan peretasan, naik dari hanya dua dari 10 pada 2023.

Algoritma deteksi anomali saat ini didasarkan pada matematika dan statistik yang telah mapan selama beberapa dekade. Teknologi ini bekerja, tetapi kedatangan dan penerapan AI dan LLM pada pemantauan metrik adalah perubahan permainan. Kita melihat beberapa model LLM berbasis seri waktu pertama kali memasuki pasar dan dapat mengharapkan ini untuk mengubah deteksi anomali dalam dua tahun ke depan. Beberapa model baru ini menunjukkan akurasi yang sangat baik dan kemajuan.

Pilihan sekarang ada pada tim IT dan operasional tentang bagaimana mereka mengawasi ekosistem mereka dan mengatasi ancaman. Kabar baiknya adalah bahwa deteksi anomali otomatis dan pemantauan baseline dapat membantu melindungi aset dengan lebih baik sambil belajar, beradaptasi, dan mengoptimalkan, yang pada gilirannya memungkinkan perencanaan kapasitas dan optimasi sumber daya yang lebih efektif. Periksa dasar up/down masih berharga, tetapi – ketika satu masalah dapat menyebar melintasi sistem IT, OT, dan IoT – kita memerlukan konteks cerdas di atas fondasi itu. Pembela infrastruktur dapat memenuhi momen dengan meningkatkan visibilitas mereka sesuai.