{"id":23397,"date":"2020-04-17T20:13:42","date_gmt":"2020-04-17T14:43:42","guid":{"rendered":"https:\/\/www.subex.com\/?p=20966"},"modified":"2020-04-17T20:13:42","modified_gmt":"2020-04-17T14:43:42","slug":"lidiando-con-la-tormenta-de-la-incertidumbre-a-traves-de-los-ojos-de-un-profesional-de-redes","status":"publish","type":"post","link":"https:\/\/dev.enki.studio\/test\/?p=23397","title":{"rendered":"A trav\u00e9s de los ojos de un profesional de redes, c\u00f3mo lidiar con la tormenta de incertidumbre"},"content":{"rendered":"

El mundo de las telecomunicaciones est\u00e1 lleno de incertidumbre. Es durante estas situaciones de incertidumbre cuando el aumento de la demanda de los clientes y la carga en la red aumenta exponencialmente, el verdadero papel de un profesional de la red entra en juego. Durante estos momentos, cuando la red est\u00e1 bajo tensi\u00f3n, los profesionales de la red deben hacer un gran esfuerzo para garantizar la continuidad del servicio 24 \u00d7 7.<\/p>\n

Pero, \u00bfqu\u00e9 pasa con la “incertidumbre” que podr\u00eda surgir de una calamidad natural, o interrupciones masivas del sitio, causa estr\u00e9s en la red?<\/p>\n

En general, una red m\u00f3vil sufre numerosos cambios. Estos podr\u00edan ser cambios planificados como ajuste de par\u00e1metros, optimizaci\u00f3n f\u00edsica, prueba \/ implementaci\u00f3n de nuevas funciones, actualizaciones de software, etc., la mayor\u00eda de los cuales est\u00e1n dirigidos a mejorar el rendimiento de la red y la experiencia del usuario final.<\/p>\n

Sin embargo, por otro lado, son los cambios “no planificados” los que tienden a arrojar una llave inglesa al sistema. Estos cambios podr\u00edan ser estacionales o debidos a fluctuaciones a nivel del sistema en los elementos de la red que provocan una degradaci\u00f3n severa en t\u00e9rminos de rendimiento. Si tal incidente ocurriera en la hora m\u00e1s ocupada del d\u00eda, entonces el impacto tambi\u00e9n se sentir\u00e1 en el negocio.<\/p>\n

En ambos casos, planificados o no planificados, la acci\u00f3n para resolver un problema podr\u00eda estar dirigida a cualquier dominio de una red, por ejemplo, radio, transporte, n\u00facleo, etc. Tambi\u00e9n requerir\u00eda la resoluci\u00f3n de problemas de extremo a extremo y el an\u00e1lisis de la causa ra\u00edz.<\/p>\n

Tradicionalmente, los profesionales de la red manejan el impacto de tales cambios de manera reactiva, lo que a menudo resulta en casos en los que el “tiempo medio para reconocer” (MTTA) y el “tiempo medio para responder” (MTTR) potencialmente toman horas o, en algunos casos, d\u00edas. De hecho, algunos casos complejos entre dominios pueden incluso quedar sin resolver.<\/p>\n

Sin embargo, a lo largo de los a\u00f1os, gracias a los avances en la automatizaci\u00f3n, los profesionales de la red han podido evolucionar hacia el manejo proactivo de dichos problemas. Al aprovechar las herramientas integradas con la experiencia en la materia, junto con los m\u00e9todos estad\u00edsticos, los profesionales de la red pueden lograr una reducci\u00f3n significativa en MTTA y MTTR. Sin embargo, este enfoque est\u00e1 lejos de ser perfecto, ya que las acciones necesarias solo se pueden tomar despu\u00e9s de que el impacto en la red ya haya ocurrido.<\/p>\n

Para comprender el enfoque correcto que debe adoptarse, demos un paso atr\u00e1s y profundicemos en la vida de un experto en planificaci\u00f3n y optimizaci\u00f3n de redes<\/a><\/strong> involucrado en la gesti\u00f3n del rendimiento diario de la red.<\/p>\n

Convencionalmente, un profesional de la red realiza un an\u00e1lisis del impacto de la red en un conjunto de KPI cr\u00edticos y toma las medidas necesarias para mejorar el rendimiento de la red. Se invierte mucho esfuerzo en otra ronda de an\u00e1lisis para concluir si la acci\u00f3n tuvo un impacto en cascada en cualquier otro KPI importante o no. Una vez que el impacto de la acci\u00f3n tomada se considera exitoso, el an\u00e1lisis pasa al siguiente conjunto de acciones. Muy a menudo, tales acciones son tomadas por m\u00faltiples partes interesadas para mejorar el desempe\u00f1o de sus respectivas regiones \/ grupos \/ sitios.<\/p>\n

En una red 4G, podr\u00eda haber miles de contadores \/ KPI y cientos de par\u00e1metros, lo que hace que sea casi imposible para un ser humano analizar el impacto de un cambio de un conjunto de par\u00e1metros en todos los contadores \/ KPI relevantes, de extremo a extremo, diariamente. Los servicios como la transmisi\u00f3n de video y VoLTE a menudo requieren un an\u00e1lisis entre dominios para garantizar la continuidad del servicio.<\/p>\n

Es en tales escenarios donde Machine Learning (ML) comienza a surgir como la respuesta para manejar estas complicaciones desde una perspectiva de extremo a extremo.<\/p>\n

Sin embargo, el t\u00e9rmino “Aprendizaje autom\u00e1tico” tiene una forma de introducirse en tales debates. Es, de hecho, casi en su propio detrimento a veces, ya que el aprendizaje autom\u00e1tico casi se ve como un trabajo de magia, en el mejor de los casos, o simplemente un truco de marketing, en el peor de los casos. Casi todos lo mencionan en alg\u00fan momento.<\/p>\n

Entonces, perm\u00edtame tomarme un momento para defender por qu\u00e9 lo menciono ahora y por qu\u00e9 creo que el an\u00e1lisis avanzado basado en el aprendizaje autom\u00e1tico puede resolver significativamente algunos de los problemas cr\u00edticos que enfrentan los profesionales de la red.<\/p>\n

La respuesta corta de dos palabras ser\u00eda “Agilidad” y “Precisi\u00f3n”. Perm\u00edtanme dar m\u00e1s detalles.<\/p>\n

Un CSP puede aprovechar los modelos de ML que capturar\u00e1n todos los tipos de impactos de red de manera consistente a partir de los datos de red generados en forma de contadores \/ KPI y par\u00e1metros a diario y ayudar\u00e1 a proporcionar informaci\u00f3n procesable a los profesionales de la red, que de lo contrario pasar\u00edan desapercibidos.<\/p>\n

Adem\u00e1s, estos conocimientos son especialmente \u00fatiles cuando se utilizan en la planificaci\u00f3n y gesti\u00f3n de eventos especiales, como la proyecci\u00f3n de un evento deportivo mundial. En tal caso, donde se espera que aumente el aumento del tr\u00e1fico, el modelo aprender\u00e1 del desempe\u00f1o del evento anterior y proporcionar\u00e1 aportes cr\u00edticos para la planificaci\u00f3n del evento.<\/p>\n

Seg\u00fan la misma l\u00f3gica, los modelos de ML generar\u00e1n ideas procesables cuando se produzca una crisis y equipar\u00e1n a los profesionales de la red para hacer frente a cualquier evento anormal que ocurra en tiempos de incertidumbre. Adem\u00e1s, al aprovechar los modelos ML, los profesionales de la red pueden estar equipados para ejecutar simulaciones m\u00faltiples para realizar con precisi\u00f3n el an\u00e1lisis de impacto de la red para cualquier acci\u00f3n que tengan la intenci\u00f3n de realizar en el futuro. Algunos escenarios clave que podr\u00edan gestionarse con mayor agilidad en cualquier momento, pero que adquieren una dimensi\u00f3n adicional de importancia durante una situaci\u00f3n de “red bajo tensi\u00f3n”, ser\u00edan:<\/p>\n