“進化是不可避免的”，它是現在的基礎，顯然也是未來的基礎，所以讓我們談談網絡遙測的演進與不斷發展的SDN世界！

隨著需求的不斷增長，企業和數據中心正在尋求新的方式和解決方案，例如SDN解決方案和NFV，以使現有網絡更加可靠，冗余，有效和有利可圖。這種采用將需要更復雜和靈活的遙測機制來監控、維護和排除網絡故障，特別是對于數據中心和大型企業網絡。顯然，傳統的監控方法有利于收集許多有見地的數據，但不斷增長的網絡的一些強制性網絡監控需求不足以滿足這些傳統方法。

不斷增長的網絡的要求：

收集實時數據

在傳統方法中，數據通常在幾秒鐘內從網絡設備輪詢，而流量以來自該設備的 GB 或 MB 速率運行。試想一下，這里可以實現多少真正的時效性！

擁有 360? 的網絡可見性

在這里，每個網絡設備都顯式地與監控管理器通信，因此識別網絡中數據包所采用的流量將很困難，并且將限制收集有關實際網絡行為的許多見解。

仰望機器學習

ML在網絡世界中也在加緊發展，但是，只有能夠識別瞬時異常并快速采取行動以具有可靠性和穩定性，才能實現真正的意義。傳統方法在這個方向上不會有太大的空間——到達本博客的末尾會更容易理解！

提供高靈活性

網絡資源本身在過去并不僵化，并且對傳統方法有一點增強的空間。然而，在當前的趨勢中，網絡更側重于硬件和軟件的可編程性和冗余，這自然會帶來更好的策略來考慮監控方面。

數據包級網絡遙測：

顧名思義，這一切都是關于攜帶和收集遙測信息，數據包通過網絡。這種策略正在原位OAM（IOAM）和帶內網絡遙測（INT）以及替代標記性能測量（AM-PM）環境中使用。嗯，帶內網絡遙測（INT）在外部世界中變得非常流行，因為遙測數據與網絡的常規流量一起以線速搭載。

解決方案架構：

如上圖所示，源端點在數據包中嵌入指令（INT 標頭），列出要從網絡元素收集的網絡狀態類型。之后，每個網元在遍歷網絡的數據路徑時將請求的網絡狀態（INT Payload）插入數據包中，當數據包到達最后一個節點時，所有級聯網絡狀態都將被解碼和分析，以獲得數據包遍歷的整個流的必要見解。最終用戶可以配置源和接收器終結點、網絡流等，通過這些終結點可以從網絡收集更好、更深入的數據。讓我們看看這種方法帶來的數據包監控的明顯可能性。

數據包級遙測的主要優點：

膨脹延遲和擁塞分析：

在遍歷源到接收器時，網絡中的節點將附加數據包入口和出口的時間戳。通過解碼這些數據，可以輕松識別節點內和兩個節點之間的延遲。

一旦網絡中的流量延遲被校準為低流量，擁塞就可以很容易地識別，因為當流量高時延遲會相對較高。

網絡拓撲和數據包遍歷：

如果指示每個節點附加其標識，即數據包入口的端口和數據包出口的端口，則可以輕松導出拓撲，說明數據包所采用的路徑。通過配置具有多個數據包遍歷的多個源和接收器節點，可以捕獲網絡拓撲的 360? 可見性。

例外情況的及時性和靈活性：

數據是從網元捕獲的，流量以線速，這顯然是識別關鍵異常的最快方法。

在即將到來的趨勢中，網絡處理器ASIC也支持在異常時生成和鏡像具有洞察力數據的數據包。這是一種完全不同的基于數據包的遙測方法，但提供了一流的靈活性和及時性。

機器學習的大門：

ML 的第一個需求是盡早了解可能的行為，這種方法通過提供非常實時的事件通知來實現相同的目標。

如第一個好處中所述，延遲可能導致識別網絡擁塞點。同樣，可以建立ML算法，這有助于預測充血狀況并幫助解決它們。這是一個單一的用例，ML 可以幫助保護重要或大象流。

隨著網絡行業的發展方式，ML將為網絡內的安全性，冗余和可靠性打開新的大門的時間已經不遠了！

因此，“數據包級網絡遙測”能夠收集數據以及實際流量，從而能夠觀察整個網絡基礎設施的實時端到端網絡行為。這將有助于網絡管理員描述由于性能瓶頸、網絡故障或配置錯誤而出現的暫時性問題。

審核編輯：郭婷