Voorbij up/down: Er is een betere manier om ‘normaal’ te definiëren in complexe infrastructuur

We zijn ver gekomen van up/down-monitoring. Van fabrieksvloeren tot moderne ondernemingsinfrastructuur hebben IT-beheerders nu veel meer informatie nodig dan een eenvoudige check om te bepalen of een website of toepassing gebruikers kan bedienen. Het is natuurlijk handig om een basis “up” of “down”-status te zien, maar dit vertelt niet het hele verhaal over hoe technologie de verwachte bedrijfswaarde levert. Bovendien, naarmate IT- en OT-omgevingen convergeren en ecosystemen dynamischer en ephemere worden, stellen deze waarschuwingen geen baselines vast of weerspiegelen ze deze niet nauwkeurig.

Het begrijpen van wat normaal is, het leren van prestatiepatronen en het voorkomen van dure downtime zijn vitale functies in de complexe infrastructuur van vandaag. Dit is vooral waar als dreigingsactoren steeds geavanceerdere tools gebruiken om meer te doen met minder en moderne, onderling verbonden infrastructuur nieuwe kwetsbaarheden creëert.

Het is in dit landschap dat AI-gestuurde monitoring infrastructuurbeheer transformeert door inzicht te bieden in wat normaal en wat niet-normaal gedrag is, waardoor slechte baselines en waarschuwingsmoeheid worden geëlimineerd. Laten we onderzoeken hoe deze verschuiving van reactief brandweerwerk naar proactief voorkomen een noodzakelijke evolutie van monitoring markeert.

Het ontdekken van de nieuwe norm

Wat is normaal eigenlijk? Dit is een vraag die infrastructuurteams die servers, netwerkapparaten, toepassingen en databases beheren al decennialang stellen. Waarom? Omdat het definiëren van ‘normaal’ complex en foutgevoelig is in dynamische en steeds meer gedistribueerde omgevingen met diverse systemen om te monitoren. Het vinden van het antwoord hangt af van uw specifieke bedrijfspatronen en -technologieën. Bovendien hangt het af van uw monitortechnologie en -configuratie, omdat het instellen van statische drempels veel problemen niet vangt. In plaats daarvan geeft het u een goed idee wanneer iets gebeurt dat u verwacht, maar helpt het niet om problemen te detecteren die u niet verwacht, waardoor valse positieven, waarschuwingsmoeheid en gaten in de zichtbaarheid ontstaan.

Overweeg een fabriek waar het verkeer plotseling om 14.00 uur op een dinsdag piekt. Traditionele monitoring kan een waarschuwing activeren omdat het een vooraf ingestelde drempel overschrijdt, maar is dit eigenlijk een probleem? Er is geen manier om dat te weten zonder diepere gegevens en diagnostiek. De piek kan een legitieme bedrijfsactiviteit aanduiden, zoals een nieuw shiftsysteem of verhoogde productie om een deadline te halen. Alternatief kan het een ernstige beveiligingsbedreiging signaleren, zoals gegevensexfiltratie of een gecompromitteerd systeem dat naar commando- en controleservers seinde.

Dit is waar AI-gestuurde afwijkingsdetectie de intelligentie van infrastructuurmonitoring verhoogt. Deze opkomende methode analyseert historische gegevens continu om intelligente baselines te creëren die automatisch aan veranderende omstandigheden worden aangepast. Deze benadering maakt proactievere waarschuwingen mogelijk, waardoor IT-beheerders en DevOps-teams extra tijd hebben om in te grijpen en het probleem te mitigeren voordat er grote gevolgen optreden.

Netwerkverkeersmonitoring is een goed voorbeeld van deze methode in actie. Infrastructuurmonitorsystemen verzamelen verschillende signalen, waaronder logs en metrics. Een log is een gebeurtenis die door een systeem wordt gegenereerd, terwijl een metric een maat is. In de loop van de tijd worden deze maatstaven verzameld en weergegeven als een tijdsreeks, vergelijkbaar met de temperatuur die gedurende de dag wordt gemeten. De gegevens die worden verzameld om netwerkcondities te monitoren, omvatten metrics zoals de binnenkomende en uitgaande broadcast-pakketratio’s, het aantal verwerpen en fouten en de totale verkeersdoorvoer. Als er iets afwijkt van de normale prestaties, kan intelligente monitoring ervoor zorgen dat de juiste alarmen worden geactiveerd en valse positieven worden vermeden.

Als resultaat kunnen infrastructuurteams zich richten op het leveren van bedrijfswaarde in plaats van constant de waarschuwingsinstellingen af te stellen en problemen die mogelijk niet bestaan te bestrijden.

Het voorkomen van waarschuwingsduplicatie

Het verdubbelen van monitoring kan extra uitdagingen introduceren door meer waarschuwingen te creëren. Monitoring kan in de loop van de tijd overbelast raken als teams tracking toevoegen voor nieuwe projecten of extra monitoring maken bij het oplossen van problemen of testen. Voordat je het weet, kan wat ooit een schone en eenvoudige monitortoestand leek, veranderen in een overbelaste doolhof van spurious of redundante waarschuwingen die problemen verhullen in plaats van ze te verlichten.

IT-teams ontvangen bijvoorbeeld soms waarschuwingen voor hoge CPU-gebruik, trage toepassingsreactietijden en netwerkcongestie van dezelfde overbelaste server. Zonder de correlatie te begrijpen, kunnen teams drie afzonderlijke problemen onderzoeken in plaats van de enkele oorzaak.

Moderne AI-technologieën, gecombineerd met monitoring, transformeren dit probleem opnieuw door de automatische detectie van soortgelijke monitortoestellen. Met behulp van technieken zoals fuzzy math en heuristiek analyseert deze benadering gedragspatronen en ontdekt correlaties tussen soortgelijke monitoring om verborgen interconnecties te onthullen.

Dit is belangrijk om twee hoofdredenen. Ten eerste vermindert het waarschuwingslawaai. In plaats van drie afzonderlijke waarschuwingen voor één probleem, ontvangen teams één waarschuwing met een duidelijk begrip van wat aandacht nodig heeft en waarom. Ten tweede elimineert het redundante monitoring. Dit helpt een meer beheersbare toestand te creëren die dashboards stroomlijnt en de cognitieve belasting vermindert.

De toekomst van intelligente monitoring

Andere netwerk- en beveiligingsontwikkelingen ondersteunen ook het geval voor verhoogde monitoring, aangezien complexiteit exponentieel blijft groeien. Wat ooit afzonderlijke, luchtgapsindustriële netwerken waren, zijn nu verbonden met ondernemingssystemen, waardoor hybride omgevingen ontstaan waarin één netwerkprobleem zowel productielijnen als bedrijfstoepassingen kan beïnvloeden. En we zien deze convergentie over de hele moderne stack.

Industriële IoT-sensoren, edge-gateways en OT-apparaten communiceren nu naast standaard IT-protocollen. Wanneer deze diverse systemen problemen ondervinden, hebben beheerders monitoring nodig die relaties over het ecosysteem heen kan begrijpen in plaats van elk systeem als een afzonderlijke silo te behandelen. Waakzaamheid is onverhandelbaar, aangezien een succesvolle inbraak productielijnen kan stilleggen, dure apparatuur kan beschadigen en veiligheidsrisico’s kan creëren. In feite kosten ongeplande downtime nu Fortune Global 500-bedrijven 11% van hun jaarlijkse omzet, waardoor het duidelijk is dat de kosten van intelligente monitoring aanzienlijk lager zijn dan de uitgaven voor handmatig oplossen van problemen en verloren productiviteit.

Intussen is het onontkoombaar dat hackers aan de andere kant van de beveiligingsbalans deze technologie gebruiken als een productiviteitsdoorbraak om op grote schaal aan te vallen. Gratis of goedkope generatieve AI-grote taalmodellen (LLM’s) stellen hackers in staat om aanvallen te genereren en te modificeren met minimale kosten. En met de tijd is het duidelijk dat slechte actoren steeds vaker AI zien als een game-changer. Vandaag 7 van de 10 geloven dat de technologie en de verschillende tools de hacking verhogen, tegenover slechts twee van de 10 in 2023.

De anomaly detection-algoritmen van vandaag zijn gebaseerd op wiskunde en statistiek die al decennialang zijn gevestigd. Deze technologie werkt, maar de komst en toepassing van AI en LLM’s op metric-monitoring is een game-changer. We zien enkele van de eerste tijdreeksgebaseerde LLM’s op de markt komen en kunnen verwachten dat dit anomaly detection de komende twee jaar zal transformeren. Verschillende van deze nieuwe modellen laten uitstekende nauwkeurigheid en vooruitgang zien.

De keuze ligt nu bij IT- en operationele teams om te beslissen hoe ze hun ecosystemen het beste kunnen beheren en bedreigingen kunnen tegen gaan. Het goede nieuws is dat geautomatiseerde anomaly detection en baselinemonitoring helpen om assets beter te beschermen, terwijl ze leren, aanpassen en optimaliseren, wat op zijn beurt effectievere capaciteitsplanning en resource-optimalisatie mogelijk maakt. Basis up/down-controles zijn nog steeds waardevol, maar – wanneer één probleem zich kan verspreiden over IT-, OT- en IoT-systemen – hebben we intelligent context nodig bovenop die basis. Infrastructuurverdedigers kunnen de uitdaging aan door hun zichtbaarheid dienovereenkomstig op te schalen.