هل يستطيع الذكاء الاصطناعي رصد «الثقب الأسود» في الشبكة قبل حدوث العطل؟ تحليل لفقدان الحزم الصامت

الموجّه يضيء باللون الأخضر، والواجهات في حالة up، وبروتوكولات التوجيه تحتفظ بجيرانها. ومع ذلك يختفي جزء من حركة البيانات دون أي أثر. يسمّي مهندسو الشبكات هذا العطل «الثقب الأسود»: تدخل البيانات إلى الشبكة، لكن عند عقدة ما تُسقَط بعض الحزم بصمت، فلا تعلم الشبكة ولا المرسل بذلك. والآن يطرح باحثون سؤالًا: هل يمكن تكليف الذكاء الاصطناعي باكتشاف هذه العيوب قبل أن تضرب المستخدمين؟

لا يتضمن الوصف المتاح للعمل اسم الطريقة، ولا مقاييس الدقة، ولا حجم شبكة الاختبار. لذلك نستعرض أدناه المشكلة نفسها والدور الذي يمكن أن يؤديه التعلم الآلي فيها فعليًا. ولن يكون تقييم نظام بعينه ممكنًا إلا من خلال النص الكامل للدراسة.

لماذا يصعب رصد «الثقوب السوداء» إلى هذا الحد

تبحث معظم أنظمة المراقبة عن أعطال صريحة: وصلة سقطت، أو مضيف لا يمكن الوصول إليه، أو ارتفاع مفاجئ في الأخطاء على الواجهة. أما «الثقب الأسود» فبنيته مختلفة. فالجهاز يردّ على ping، ويعطي العدّادات عبر SNMP، ويحافظ على جلسات BGP، بينما يكمن العطل في مستوى أعمق، هو مستوى إعادة التوجيه (plane of forwarding). وللعطل أسباب متعددة:

• إدخال خاطئ في جدول التوجيه أو في قائمة التحكم في الوصول؛
• تلف في الذاكرة داخل شريحة إعادة التوجيه أو على بطاقة الخط؛
• عدم تزامن بين جدول المسارات والجدول الذي تستخدمه العتاد فعليًا؛
• مشكلات في MTU تؤدي إلى فقدان الحزم الكبيرة فقط بصمت.

ويزيد موازنة الحمل الأمر تعقيدًا. ففي الشبكات الحديثة تتوزع الحركة على عدد كبير من المسارات المتكافئة، ويعتمد اختيار المسار على ترويسات الحزمة. لذلك قد لا تُسقط العقدة المعيبة كل الحركة، بل التدفقات ذات تركيبة معينة من العناوين والمنافذ فقط. وعندها ينجح اختبار ping، بينما يتعرض اتصال تطبيق بعينه للانقطاع. وتتحول الشكوى المعتادة «أحيانًا لا يعمل» إلى بحث يستغرق ساعات.

ما الذي يمكن أن يقدمه الذكاء الاصطناعي هنا

يقترب التعلم الآلي من المشكلة من جهتين. الأولى تحليل بيانات القياس عن بُعد (telemetry). يتعلم النموذج السلوك الطبيعي للعدّادات وزمن الاستجابة وإعادات الإرسال، ثم يلتقط العلامات غير المباشرة: الحزم موجودة عند مدخل العقدة، لكن عددها عند المخرج أقل قليلًا مما ينبغي. ولا يستطيع الإنسان رؤية هذا الفرق وسط سيل المقاييس لأن الضجيج يطمسه.

الجهة الثانية هي الفحص الذكي بالمجسّات. فإذا كان «الثقب» يعتمد على الترويسات، فلا بد من اختبار تركيبات مختلفة، ولا يمكن تجربتها كلها يدويًا. ويمكن للخوارزمية أن تختار أي المجسّات تُطلق وعبر أي مسارات، لتضيّق بسرعة أكبر دائرة العقد المشتبه بها. ويُرجَّح أن أعمالًا مثل تلك التي تناولتها publication من TechXplore تندرج في هذا المجال، لكن دون نص الدراسة يبقى هذا مجرد افتراض.

والسؤال الرئيسي الموجّه إلى أي نظام من هذا النوع هو نسبة الإنذارات الكاذبة. فالفريق الشبكي الذي يرسل إليه النموذج كل ليلة عشرات التنبيهات غير المؤكدة سرعان ما يفقد الثقة به. ولذلك لا تكفي نسبة العيوب المكتشفة وحدها، بل تهم أيضًا دقة إشارة النظام إلى عقدة أو واجهة محددة.

ما الذي ينبغي للمهندسين فحصه الآن

لا حاجة إلى انتظار أدوات جاهزة قائمة على الذكاء الاصطناعي. فجزء من الحماية يقوم على انضباط المراقبة:

• مقارنة عدّادات الحزم عند مدخل العقدة ومخرجها، لا الاكتفاء بحالة الواجهات؛
• تشغيل فحوص نشطة بمنافذ وعناوين مختلفة لتشمل كل مسارات الموازنة؛
• اختبار الحزم الكبيرة والبروتوكولات المختلفة بشكل منفصل؛
• مطابقة جدول المسارات في مستوى التحكم مع ما هو مكتوب فعليًا في العتاد.

وإذا كنتم تعتزمون اعتماد كاشف قائم على ML، فابدؤوا بأسئلة إلى المطورين. على أي شبكات جرى تدريبه؟ كم تكلّف الإنذارات الكاذبة؟ ما سرعته في اكتشاف العطل مقارنةً بالمراقبة المعتادة؟ فإجاباتهم ستكشف أكثر مما يكشفه التصريح الرنان بأن الذكاء الاصطناعي «يتنبأ» بالأعطال. أما الآن، فيبقى السؤال المطروح في عنوان الدراسة سؤالًا مشروعًا بحق: فالإجابة تتوقف على تفاصيل غير موجودة في الوصف المتاح علنًا.