Vượt qua Kiểm tra Up/Down: Có một Cách Tốt Hơn để Định nghĩa ‘Bình thường’ trong Cơ sở Hạ tầng Phức tạp

Chúng ta đã đi được một chặng đường dài từ việc kiểm tra up/down. Từ sàn nhà máy đến cơ sở hạ tầng doanh nghiệp hiện đại, các quản trị viên IT hiện yêu cầu nhiều thông tin hơn để xác định xem một trang web hoặc ứng dụng có thể cung cấp dịch vụ cho người dùng hay không. Đúng, việc xem trạng thái “up” hoặc “down” cơ bản là hữu ích, nhưng điều này không kể toàn bộ câu chuyện về cách công nghệ cung cấp giá trị kinh doanh dự kiến. Hơn nữa, khi môi trường IT và OT hội tụ và hệ sinh thái trở nên động và tạm thời hơn, các cảnh báo này không thiết lập hoặc phản ánh các đường cơ sở một cách chính xác.

Hiểu được điều gì là bình thường, học hỏi các mẫu hiệu suất và ngăn chặn thời gian ngừng hoạt động tốn kém là những chức năng quan trọng trong cơ sở hạ tầng phức tạp ngày nay. Điều này đặc biệt đúng khi các tác nhân đe dọa sử dụng các công cụ ngày càng tinh vi để làm được nhiều việc hơn với ít tài nguyên và cơ sở hạ tầng liên kết hiện đại tạo ra các điểm yếu mới.

Trong bối cảnh này, giám sát dựa trên AI biến đổi quản lý cơ sở hạ tầng bằng cách cung cấp thông tin về hành vi bình thường và không bình thường, do đó loại bỏ các đường cơ sở kém và mệt mỏi cảnh báo. Hãy cùng khám phá cách chuyển đổi này từ việc chữa cháy phản ứng sang phòng ngừa chủ động đánh dấu một sự tiến hóa giám sát cần thiết.

Khám phá Bình thường Mới

Điều gì là bình thường? Đây là câu hỏi mà các đội cơ sở hạ tầng giám sát máy chủ, thiết bị mạng, ứng dụng và cơ sở dữ liệu đã đặt ra trong nhiều thập kỷ. Tại sao? Bởi vì việc định nghĩa ‘bình thường’ là phức tạp và dễ xảy ra lỗi trên các môi trường động và phân tán ngày càng tăng với nhiều hệ thống để giám sát. Việc tìm ra câu trả lời sẽ phụ thuộc vào các mẫu kinh doanh và công nghệ cụ thể của bạn. Ngoài ra, nó sẽ phụ thuộc vào công nghệ và cấu hình giám sát của bạn, vì việc đặt ngưỡng tĩnh không bắt được nhiều vấn đề. Thay vào đó, nó sẽ cho bạn một ý tưởng tốt khi nào có điều gì đó xảy ra mà bạn dự kiến, nhưng không giúp bắt các vấn đề bạn không dự kiến, dẫn đến cảnh báo sai và khoảng trống trong khả năng hiển thị.

Hãy xem xét một cơ sở sản xuất nơi lưu lượng truy cập tăng đột ngột vào lúc 2 giờ chiều thứ Ba. Giám sát truyền thống có thể kích hoạt cảnh báo vì nó vượt quá ngưỡng đặt trước, nhưng liệu đây thực sự là một vấn đề? Không có cách nào để biết được điều đó mà không có dữ liệu và chẩn đoán sâu hơn. Sự tăng đột ngột có thể chỉ ra hoạt động kinh doanh hợp pháp như lịch trình ca mới hoặc sản xuất tăng để đáp ứng thời hạn, hoặc nó có thể báo hiệu một mối đe dọa an ninh nghiêm trọng, chẳng hạn như việc lấy cắp dữ liệu hoặc hệ thống bị xâm phạm đang gửi tín hiệu đến máy chủ điều khiển.

Đây là nơi phát hiện bất thường dựa trên AI tăng cường trí tuệ của giám sát cơ sở hạ tầng. Phương pháp mới nổi này liên tục phân tích dữ liệu lịch sử để tạo ra các đường cơ sở thông minh tự động điều chỉnh để phù hợp với các điều kiện thay đổi. Cách tiếp cận này cho phép cảnh báo chủ động hơn, cung cấp thêm thời gian cho các quản trị viên IT và đội DevOps để can thiệp và giảm thiểu vấn đề trước khi có tác động lớn.

Giám sát lưu lượng truy cập mạng là một ví dụ tốt về điều này trong thực tế. Các hệ thống giám sát cơ sở hạ tầng thu thập các tín hiệu khác nhau, bao gồm nhật ký và số liệu. Một nhật ký là một sự kiện được tạo bởi hệ thống, trong khi một số liệu là một phép đo. Theo thời gian, những phép đo này được thu thập và thể hiện dưới dạng chuỗi thời gian, tương tự như nhiệt độ được đo trong suốt cả ngày. Dữ liệu được thu thập để giám sát điều kiện mạng bao gồm các số liệu như tốc độ gói phát sóng đến và đi, số lượng loại bỏ và lỗi, và tổng lượng lưu lượng truy cập. Nếu có điều gì đó không đúng so với hiệu suất thường xuyên, giám sát thông minh có thể đảm bảo rằng các cảnh báo đúng được kích hoạt và tránh được cảnh báo sai.

Tránh Sự Đúp Lặp Cảnh báo

Sự giám sát chồng chéo có thể giới thiệu các thách thức bổ sung bằng cách tạo ra nhiều cảnh báo hơn. Giám sát có thể trở nên lộn xộn theo thời gian khi các đội thêm theo dõi cho các dự án mới hoặc tạo giám sát bổ sung khi giải quyết vấn đề hoặc kiểm tra. Trước khi bạn biết, thiết lập giám sát sạch sẽ và đơn giản có thể biến thành một mê cung cảnh báo giả hoặc trùng lặp che giấu vấn đề thay vì làm sáng tỏ chúng.

Ví dụ, các đội IT đôi khi nhận được cảnh báo về việc sử dụng CPU cao, thời gian phản hồi ứng dụng chậm và tắc nghẽn mạng từ cùng một máy chủ quá tải. Nếu không hiểu được mối tương quan, các đội có thể điều tra ba vấn đề riêng biệt thay vì một nguyên nhân gốc rễ duy nhất.

Các công nghệ AI hiện đại, khi được kết hợp với giám sát, lại biến đổi vấn đề này thông qua việc phát hiện tự động các cấu hình giám sát tương tự. Sử dụng các kỹ thuật như toán học mờ và quy tắc kinh nghiệm, cách tiếp cận này phân tích các mẫu hành vi và tiết lộ các mối liên hệ ẩn giữa các giám sát tương tự.

Điều này quan trọng vì hai lý do chính. Thứ nhất, nó giảm tiếng ồn cảnh báo. Thay vì nhận được ba cảnh báo riêng biệt từ một vấn đề, các đội nhận được một cảnh báo duy nhất với sự hiểu rõ rõ ràng về những gì cần chú ý và tại sao. Thứ hai, nó loại bỏ giám sát trùng lặp. Điều này giúp tạo ra một thiết lập dễ quản lý hơn, đơn giản hóa bảng điều khiển và giảm tải nhận thức.

Tương lai của Giám sát Thông minh

Các phát triển mạng và an ninh mạng khác cũng hỗ trợ trường hợp cho giám sát tăng khi sự phức tạp tiếp tục tăng theo cấp số nhân. Những gì từng là các mạng công nghiệp riêng biệt, cách ly không khí, hiện đang kết nối với các hệ thống doanh nghiệp, tạo ra các môi trường lai nơi một vấn đề mạng có thể ảnh hưởng đến cả dây chuyền sản xuất và ứng dụng kinh doanh. Và chúng ta đang thấy sự hội tụ này trên toàn bộ ngăn xếp hiện đại.

Các cảm biến IoT công nghiệp, cổng edge và thiết bị OT hiện đang giao tiếp cùng với các giao thức IT tiêu chuẩn. Khi các hệ thống đa dạng này gặp phải vấn đề, các quản trị viên cần giám sát có thể hiểu được mối quan hệ trên toàn hệ sinh thái thay vì đối xử với từng hệ thống như một silo riêng biệt. Sự cảnh giác là không thể thương lượng được vì một sự vi phạm thành công có thể dừng dây chuyền sản xuất, làm hỏng thiết bị đắt tiền và tạo ra nguy cơ an toàn. Trên thực tế, thời gian ngừng hoạt động không kế hoạch hiện đang chi phí cho các công ty trong Fortune Global 500 11% doanh thu hàng năm, nhấn mạnh rằng chi phí của giám sát thông minh là đáng kể ít hơn so với chi phí của việc giải quyết vấn đề thủ công và mất năng suất.

Trong khi đó, không có cách nào để tránh việc những kẻ tấn công trên phía bên kia của bảng tính an ninh mạng đang sử dụng công nghệ này như một đột phá về năng suất để tấn công quy mô lớn. Các mô hình ngôn ngữ lớn AI tạo sinh miễn phí hoặc giá rẻ cho phép các kẻ tấn công tạo và sửa đổi các cuộc tấn công với chi phí tối thiểu. Và theo thời gian, rõ ràng rằng các tác nhân xấu ngày càng coi AI là một yếu tố thay đổi trò chơi. Hiện tại, 7 trong số 10 tin rằng công nghệ và các công cụ khác nhau của nó tăng cường khả năng tấn công, tăng từ chỉ 2 trong số 10 vào năm 2023.

Ngày nay, các thuật toán phát hiện bất thường dựa trên toán học và thống kê đã được thiết lập từ nhiều thập kỷ trước. Công nghệ này hoạt động nhưng sự ra đời và ứng dụng của AI và LLMs vào việc giám sát số liệu là một bước ngoặt. Chúng ta đang chứng kiến một số mô hình LLM đầu tiên dựa trên chuỗi thời gian xuất hiện trên thị trường và có thể mong đợi điều này sẽ biến đổi phát hiện bất thường trong hai năm tới. Một số mô hình mới này đang cho thấy độ chính xác và tiến bộ tuyệt vời.

Lựa chọn hiện nằm trong tay các đội IT và vận hành về cách giám sát tốt nhất hệ sinh thái của họ và đối phó với các mối đe dọa. Tin tốt là phát hiện bất thường tự động và giám sát đường cơ sở có thể giúp bảo vệ tài sản tốt hơn trong khi học hỏi, thích nghi và tối ưu hóa, điều này cho phép quy hoạch khả năng và tối ưu hóa tài nguyên hiệu quả hơn. Các kiểm tra up/down cơ bản vẫn có giá trị nhưng – khi một vấn đề duy nhất có thể lan truyền trên các hệ thống IT, OT và IoT – chúng ta cần ngữ cảnh thông minh trên nền tảng đó. Những người bảo vệ cơ sở hạ tầng có thể đáp ứng nhu cầu bằng cách tăng khả năng hiển thị của họ tương ứng.