셀프드라이빙 네트워크(Self-Driving Network)란?

셀프드라이빙 네트워크(Self-Driving Network)는 고도화된 인공지능(AI) 기반 네트워크로, 최소한의 인간 개입 또는 완전한 무개입 상태에서도 스스로 최적화를 수행할 수 있습니다. AI와 머신러닝(ML), 고품질 실시간 데이터, 안전하고 확장 가능한 클라우드 기반 네트워크 아키텍처를 활용하여 안정성, 보안, 효율성을 개선함으로써 전통적인 네트워크 관리 방식의 복잡성을 획기적으로 줄입니다. 

한때 공상과학 소설처럼 여겨지던 자율주행차처럼, 셀프드라이빙 네트워크 또한 점차 실현 단계에 가까워지고 있습니다. 자율주행차가 수동 운전에서 운전 보조, 그리고 궁극적으로 무인 운전으로 진화한 것처럼, 네트워크 역시 유사한 경로를 따라 발전하고 있습니다. 네트워크는 사후 대응적 수동 관리에서 선제적인 자율 최적화로 전환되고 있으며, 이제는 스스로 구성, 최적화, 복구할 수 있는 기능까지 갖추고 있습니다.

셀프드라이빙 네트워크(Self-Driving Network)가 필요한 이유는 무엇인가요?

안정적인 연결은 더 이상 사치가 아닌, 비즈니스 크리티컬 요소입니다. 조직은 모든 사용 사례에서 끊김 없고 안전한 고성능 경험을 일관되게 제공하는 네트워크를 필요로 합니다. IT 인력 부족을 비롯한 네트워크 리소스 제약으로 인해 수동 네트워크 관리는 지속 가능하지 않습니다. 동시에 네트워크는 점점 더 복잡해지고 있으며 보안 위협도 계속해서 증가하고 있습니다. 이러한 복합적인 압박 요소들이 AI 및 자율 네트워킹에 대한 수요를 촉진하고 있습니다.

셀프드라이빙 네트워크(Self-Driving Network)의 이점은 무엇인가요?

셀프드라이빙 네트워크는 복잡성을 줄이고 보안을 강화하며 사용자 경험을 향상하여 네트워크 운영을 혁신합니다.

효율성 향상

AI 기반 워크플로우 자동화는 수동 문제 해결을 최소화하므로, IT 팀이 일상적인 네트워크 유지 관리 대신 전략적 이니셔티브에 집중할 수 있습니다.

성능 개선

자율 네트워크는 문제를 선제적으로 감지하고 해결하여 안정성을 개선하고 다운타임을 줄입니다.

확장성 강화

자동 프로비저닝을 통해 디바이스에 동적으로 이름을 지정하고 사이트에 할당하고 디바이스 구성 프로필을 적용하므로, 온보딩 및 구성 시간이 크게 단축됩니다.

보안 강화

AI 알고리즘이 위협을 빠르게 식별하고 운영에 영향을 미치기 전에 완화할 수 있기 때문에 보안 또한 강화됩니다.

사용자 경험 향상

네트워크가 엔드투엔드 자동화를 통해 네트워크 트래픽 수요에 동적으로 적응하여 최종 사용자에게 최상의 성능을 제공합니다.

셀프드라이빙 네트워크를 도입함으로써 조직은 확장성, 보안, 복원력이 강화된 미래 지향적인 인프라를 갖출 수 있습니다.

셀프드라이빙 네트워크(Self-Driving Network)는 어떻게 작동하나요?

셀프드라이빙 네트워크는 방대한 양의 고품질 데이터와 확장 가능하고 안전한 클라우드 기반 아키텍처를 기반으로 하는 고급 AI 및 머신러닝(ML) 알고리즘을 활용합니다. 셀프드라이빙 네트워크는 실시간 알림, 분류기, 우선순위 지정 메커니즘을 사용하여 문제를 식별하고 해결책을 추천하며 수정 작업을 실행합니다. 시간이 지날수록 AI 기능이 더 정교하고 정확해지므로, 네트워크가 최소한의 인간 개입 또는 완전한 무개입 상태에서 스스로를 관리할 수 있는 능력도 점차 강화됩니다.

실제 작동 방식:

• 학습 단계: 네트워크가 스스로를 모니터링하며 정상 네트워크 동작에 대한 기준선을 확립합니다.
• 결정 단계: AI 모델을 사용하여 네트워크가 잠재적인 문제를 예측하고 대응 방안을 결정합니다.
• 실행 단계: 네트워크가 결정된 대응 방안을 자동으로 적용해 문제를 해결합니다.

셀프드라이빙 네트워크(Self-Driving Network)의 발전 단계는 어떻게 되나요?

셀프드라이빙 네트워크는 다섯 단계의 고도화를 거치며 진화합니다. 각 단계의 새로운 네트워크 자동화를 수용할 때마다, 기업은 실시간으로 진화하는 수요에 적응할 수 있는 더 안정적이고 더 안전하며 더 민첩한 네트워크를 구현할 수 있습니다.

1. 데이터 수집: 네트워크에서 고품질 데이터를 실시간으로 수집하여 AI 및 ML 알고리즘에 필요한 입력을 제공합니다.
2. 인사이트: AI 기반 분석이 네트워크 데이터를 처리하고 인사이트를 생성하여 성능 추세, 잠재적인 장애 또는 네트워크 내 비효율성을 식별합니다.
3. 추천: 이러한 인사이트를 바탕으로 네트워크는 성능 최적화 또는 문제 해결을 위한 실행 권장 사항을 생성합니다. 이러한 권장 사항에는 가장 시급한 문제를 우선적으로 해결할 수 있도록 우선순위가 지정됩니다.
4. 통제된 셀프드라이빙: 네트워크가 자율 조정을 시작하지만, IT 팀이 여전히 감독을 유지합니다. 네트워크가 교정 조치를 취할 수 있지만, 필요시 네트워크가 예상대로 작동하도록 보장하기 위해 IT 팀이 여전히 개입할 수 있습니다.
5. 완전 셀프드라이빙: AI가 완전한 제어권을 갖고, 인간의 개입 없이 실시간으로 조정과 최적화를 수행할 수 있습니다. 네트워크가 일상적인 관리 작업을 스스로 처리할 수 있게 됨에 따라, IT 팀은 보다 전략적인 활동에 집중할 수 있습니다.

셀프드라이빙 네트워크(Self-Driving Network)의 핵심 기능은 무엇인가요?

자율 네트워크의 핵심 기능은 다음과 같습니다.

• 자율 운영: 에코시스템 전반에서 네트워크 및 애플리케이션 상태를 지속적으로 모니터링하여 수동 개입 없이 실시간으로 문제를 식별하고 해결합니다.
• 예측 분석 및 보장: 네트워크가 AI와 ML을 사용해 최종 사용자에게 영향을 미치기 전에 장애나 성능 저하를 예측합니다.
• 자기 구성: 수동 설정 없이 네트워크가 자동으로 신규 서비스, 디바이스, 애플리케이션을 구성할 수 있습니다.
• 자기 복구: 문제를 자동으로 진단하고 해결하여 성능 저하나 다운타임을 최소화합니다.
• 자기 최적화: 네트워크가 지속적인 성능 모니터링과 자체 조정(예: 혼잡하거나 장애가 있는 구간 우회)을 통해 속도, 안정성, 효율성을 최적화할 수 있습니다.
• 자기 모니터링: 데이터 플로우, 디바이스 성능, 전체 네트워크 상태를 지속적으로 추적하여 성능 문제를 암시할 수 있는 이상 패턴을 감지합니다.
• 적응형 보안: 맬웨어, 피싱, 서비스 거부(DoS) 공격과 같은 보안 위협을 식별하고 대응 조치를 취합니다.
• Intent-Based Networking(인텐트 기반 네트워킹, IBN): 운영자가 달성하고자 하는 비즈니스 결과를 기술하면, 네트워크가 이를 목표 실현에 필요한 구성으로 전환합니다.
• 정책 적용: 네트워크가 연결된 모든 디바이스에 대해 보안, 액세스 제어, QoS(Quality of Service) 정책을 자동으로 적용합니다.

사용자는 어떻게 셀프드라이빙 네트워크에 대한 신뢰를 가질 수 있나요?

네트워크가 점점 더 자율화될수록, IT 팀은 AI의 의사결정에 대한 신뢰를 구축해야 합니다. 이러한 신뢰는 일관된 성능과 투명성을 통해 시간이 지나며 점차 형성될 수 있습니다. 지속적으로 학습하고 발전함에 따라, AI는 에코시스템 전반에서 정확한 평가와 네트워크 최적화를 통해 궁극적으로 전체 효율성을 향상시킬 수 있는 능력을 입증해야 합니다. 이와 같은 지속적인 발전이 AI의 효과에 대한 신뢰를 강화합니다.

신뢰를 더욱 공고히 하기 위해 벤더는 흔히 XAI(Explainable AI)라고 불리는 방식으로 AI의 의사결정 프로세스를 투명하게 공개해야 합니다. 벤더는 의사결정에 기여하는 기술(강화 학습, 자연어 처리, 의사결정 트리 등)을 상세히 설명함으로써 IT 팀이 AI의 결론 도출 방식을 이해하는 데 도움을 제공할 수 있습니다. 이러한 투명성은 네트워크의 조치가 신뢰할 수 있으며 유익하다는 점을 명확히 이해하고 신뢰하는 데 도움이 됩니다.

셀프드라이빙 네트워크(Self-Driving Network)는 IT 인력의 필요성을 제거할까요?

셀프드라이빙 네트워크는 IT 팀이 간과할 수 있는 인사이트를 발견하고, 근본 원인을 빠르게 파악해 수 시간의 문제 해결 시간을 절약하며, 자기 복구를 통해 최적의 성능을 보장합니다. 그 결과, 네트워크는 더욱 똑똑하게 작동하고 IT 팀은 반복적인 문제 해결 대신 혁신에 집중할 수 있습니다.

셀프드라이빙 네트워크가 IT 직무를 완전히 없애지는 않겠지만, 이로 인해 IT 역할의 성격은 변화할 것입니다. 일부 반복 작업은 자동화될 수 있지만, 이러한 네트워크를 설계, 관리, 감독할 숙련된 전문 인력은 여전히 반드시 필요합니다. 오히려 AI 통합, 빅데이터 분석, 전략 기획 같은 고급 역량에 대한 수요는 더 커질 것입니다.

주니퍼와 셀프드라이빙 네트워크(Self-Driving Network)

주니퍼는 Mist AI와 Marvis Virtual Network Assistant(VNA)를 통해 셀프드라이빙 네트워크^™로의 여정을 주도하고 있습니다. Mist AI와 Marvis는 함께 작동하여, 운영을 간소화하고 보안을 강화하며 탁월한 사용자 경험을 제공하는 동시에 운영 복잡성을 줄입니다.

Mist AI는 네트워크 디바이스와 애플리케이션으로부터 풍부한 텔레메트리 데이터를 지속적으로 실시간 수집하고, 이를 안전하고 확장 가능한 마이크로서비스 클라우드에 통합한 후, 다년간의 AI/ML 훈련을 적용하여 실행 가능한 인사이트, 선제적인 권고, 자기 복구 네트워크 기능을 제공합니다. 이러한 접근 방식은 성능을 최적화하고 네트워크 운영을 간소화하며 IT 팀의 부담을 줄여줍니다.

10년 이상의 AI 학습 및 개발을 기반으로, Mist AI는 지속적으로 효용성과 지능을 강화하며 네트워크 자동화의 핵심 단계인 데이터 수집, 인사이트 생성, 실행 가능한 권고, 자기 복구 기능을 거쳐 궁극적으로는 완전 자율 네트워킹을 향해 발전을 거듭하고 있습니다. AI 기능이 계속해서 진화함에 따라 Mist AI는 수동 문제 해결을 줄이고 네트워크의 데이터 기반 의사결정과 자율적 조치 실행을 지원함으로써 IT 팀의 역량을 강화하고 있습니다. 이러한 지속적인 진화는 기업이 성능 문제를 선제적으로 해결하고, 네트워크 상태를 최적으로 유지하며, 더 탄력적이고 안전하고 효율적인 네트워크 인프라를 구축하는 데 기여합니다.

Mist AI로 구동되는 Marvis VNA는 IT 팀의 유용한 보조 역할을 수행하며, 성능에 영향을 미치는 중요 이벤트를 식별하고 Marvis Actions를 통해 권장 해결 방안을 제시합니다.Marvis는 자연어 처리 및 이해(NLP 및 NLU), 대형 언어 모델(LLM), 생성형 AI(GenAI)를 통해 직관적으로 상호작용하는 대화형 인터페이스를 사용하므로 Marvis를 사용하는 데는 전문적인 지식이나 기술이 필요하지 않습니다.