Oltre il monitoraggio up/down: c’è un modo migliore per definire ‘normale’ in infrastrutture complesse

Siamo andati oltre il monitoraggio up/down. Dalle fabbriche ai moderni sistemi di infrastruttura aziendale, gli amministratori di sistema richiedono ora molte più informazioni di un semplice controllo per determinare se un sito web o un’applicazione sia in grado di servire gli utenti. Certo, è utile vedere uno stato “up” o “down” di base, ma questo non racconta tutta la storia di come la tecnologia stia fornendo il valore aziendale atteso. Inoltre, poiché gli ambienti IT e OT convergono e gli ecosistemi diventano più dinamici ed effimeri, questi allarmi non stabiliscono o riflettono accuratamente le basi.

Capire cosa sia normale, imparare i modelli di prestazione e prevenire costosi tempi di fermo sono funzioni vitali nelle infrastrutture complesse di oggi. Ciò è particolarmente vero poiché gli attori minacciosi utilizzano strumenti sempre più sofisticati per fare di più con meno e le infrastrutture interconnesse moderne creano nuove vulnerabilità.

È in questo panorama che il monitoraggio guidato da AI trasforma la gestione delle infrastrutture offrendo informazioni su cosa sia e cosa non sia un comportamento normale, eliminando così le basi scadenti e la fatica degli allarmi. Esploriamo come questo passaggio dal fuoco reattivo alla prevenzione proattiva segni un’evoluzione necessaria del monitoraggio.

Scoprire la nuova normalità

Cosa è normale, in ogni caso? È una domanda che i team di infrastruttura che sovraintendono ai server, ai dispositivi di rete, alle applicazioni e ai database si sono posti per decenni. Perché? Perché definire ‘normale’ è complesso e soggetto a errori in ambienti dinamici e sempre più distribuiti con sistemi diversi da monitorare. La risposta dipenderà dai modelli aziendali e dalle tecnologie specifiche. Inoltre, dipenderà dalla tecnologia e dalla configurazione di monitoraggio, poiché l’impostazione di soglie statiche non coglie molti problemi. Invece, darà un’idea quando qualcosa sta accadendo che ci si aspetta, ma non aiuterà a cogliere problemi che non ci si aspetta, portando a falsi positivi, fatica degli allarmi e lacune nella visibilità.

Consideriamo uno stabilimento di produzione dove il traffico aumenta improvvisamente alle 14:00 di martedì. Il monitoraggio tradizionale potrebbe attivare un allarme perché supera una soglia preimpostata, ma è questo veramente un problema? Non c’è modo di saperlo senza dati e diagnostica più approfonditi. L’aumento potrebbe indicare un’attività commerciale legittima come un nuovo orario di lavoro o una produzione aumentata per soddisfare una scadenza. Alternativamente, potrebbe segnalare una grave minaccia di sicurezza, come l’esfiltrazione di dati o un sistema compromesso che si connette ai server di comando e controllo.

È qui che la rilevamento delle anomalie guidato da AI migliora l’intelligenza del monitoraggio delle infrastrutture. Questo metodo emergente analizza continuamente i dati storici per creare basi intelligenti che si adattano automaticamente alle condizioni in evoluzione. Questo approccio consente un allertamento più proattivo che fornisce più tempo agli amministratori di sistema e ai team DevOps per intervenire e mitigare il problema prima che abbia un impatto significativo.

Il monitoraggio del traffico di rete è un buon esempio di questo in azione. I sistemi di monitoraggio delle infrastrutture raccolgono vari segnali, tra cui log e metriche. Un log è un evento generato da un sistema, mentre una metrica è una misura. Nel tempo, queste misure vengono raccolte e rappresentate come una serie temporale, simile alla temperatura misurata durante il giorno. I dati raccolti per monitorare le condizioni di rete includono metriche come le velocità di pacchetti di broadcast in entrata e in uscita, il numero di scarti e errori e il throughput totale del traffico. Se qualcosa non va rispetto alle prestazioni regolari, il monitoraggio intelligente può assicurarsi che vengano attivati gli allarmi giusti e che vengano evitati falsi positivi.

Di conseguenza, i team di infrastruttura possono concentrarsi sul fornire valore aziendale invece di continuare a regolare le impostazioni degli allarmi e a risolvere problemi che potrebbero non esistere.

Evitare la duplicazione degli allarmi

Raddoppiare il monitoraggio può introdurre sfide aggiuntive creando più allarmi. Il monitoraggio può diventare confuso nel tempo poiché i team aggiungono il tracciamento per nuovi progetti o creano ulteriore monitoraggio durante la risoluzione dei problemi o il testing. Prima che ci si renda conto, ciò che sembrava un’impostazione di monitoraggio pulita e semplice può trasformarsi in un labirinto sovraccarico di allarmi spurii o ridondanti che oscurano piuttosto che illuminare i problemi.

Ad esempio, i team IT possono ricevere allarmi per un uso eccessivo di CPU, tempi di risposta dell’applicazione lenti e congestione della rete dallo stesso server sovraccarico. Senza capire la correlazione, i team potrebbero indagare su tre problemi separati invece di un’unica causa radice.

Le tecnologie AI moderne, quando abbinate al monitoraggio, trasformano nuovamente questo problema attraverso la rilevazione automatica di configurazioni di monitoraggio simili. Utilizzando tecniche come la matematica fuzzy e gli euristici, questo approccio analizza i modelli di comportamento e rivela interconnessioni nascoste tra monitoraggi simili.

Ciò è importante per due motivi principali. In primo luogo, riduce il rumore degli allarmi. Invece di ricevere tre allarmi separati per un problema, i team ricevono un unico allarme con una chiara comprensione di cosa richiede attenzione e perché. In secondo luogo, elimina il monitoraggio ridondante. Ciò aiuta a creare un’impostazione più gestibile che semplifica i dashboard e riduce il carico cognitivo.

Il futuro del monitoraggio intelligente

Altri sviluppi di networking e sicurezza supportano il caso per un aumento del monitoraggio poiché la complessità continua a crescere esponenzialmente. Ciò che erano una volta reti industriali separate e isolate sono ora interconnesse con i sistemi aziendali, creando ambienti ibridi in cui un problema di rete può impattare sia le linee di produzione che le applicazioni aziendali. E stiamo vedendo questa convergenza in tutta la pila moderna.

I sensori IoT industriali, i gateway edge e i dispositivi OT comunicano ora insieme ai protocolli IT standard. Quando questi sistemi diversi sperimentano problemi, gli amministratori richiedono un monitoraggio che possa comprendere le relazioni attraverso l’ecosistema piuttosto che trattare ciascuno come un silo separato. La vigilanza è imprescindibile poiché una violazione di sicurezza di successo può fermare le linee di produzione, danneggiare attrezzature costose e rappresentare rischi per la sicurezza. In effetti, il tempo di fermo non pianificato costa ora alle aziende Fortune Global 500 l’11% del loro fatturato annuo, sottolineando che il costo del monitoraggio intelligente è significativamente inferiore alla spesa per la risoluzione manuale dei problemi e la perdita di produttività.

Nel frattempo, non c’è scappatoia dal fatto che gli hacker dall’altra parte del registro della sicurezza stanno utilizzando questa tecnologia come una svolta per la produttività per attaccare su larga scala. I modelli di linguaggio grandi e generativi AI gratuiti o a basso costo abilitano gli hacker a generare e modificare attacchi a costo minimo. E, con il tempo, è chiaro che gli attori malintenzionati vedono sempre più l’AI come un fattore di svolta. Oggi, 7 su 10 credono che la tecnologia e i suoi vari strumenti migliorino l’hacking, rispetto a solo 2 su 10 nel 2023.

Algoritmi di rilevamento delle anomalie odierni si basano su matematica e statistica che sono state ben stabilite da decenni. Questa tecnologia funziona, ma l’avvento e l’applicazione di AI e LLM alla metrica di monitoraggio è rivoluzionario. Stiamo vedendo alcuni dei primi modelli LLM basati su serie temporali arrivare sul mercato e ci si può aspettare che questo trasformi il rilevamento delle anomalie nei prossimi due anni. Molti di questi nuovi modelli mostrano un’eccellente accuratezza e progressi.

La scelta ora spetta ai team IT e operativi su come meglio sovraintendere ai loro ecosistemi e contrastare le minacce. La buona notizia è che la rilevazione automatica delle anomalie e il monitoraggio delle basi possono aiutare a proteggere meglio gli asset mentre imparano, si adattano e ottimizzano, il che a sua volta abilita una pianificazione della capacità e un’ottimizzazione delle risorse più efficaci. I controlli di base up/down sono ancora preziosi, ma – quando un unico problema può propagarsi attraverso i sistemi IT, OT e IoT – abbiamo bisogno di un contesto intelligente su quella base. I difensori delle infrastrutture possono affrontare il momento aumentando la loro visibilità di conseguenza.