Van reactief naar proactief: netwerkbeheer met voorspellende kracht

Netwerkstoringen komen in de industrie regelmatig voor. Ongeveer een derde van de industriële bedrijven geeft aan dat ze hier één tot drie keer per maand mee te maken hebben, en bijna zeven procent ervaart ze wekelijks. Deze storingen kosten bedrijven niet alleen tijd, maar vooral ook geld. 

Uitdagingen in de netwerkinfrastructuur

Netwerkinfrastructuren vormen de basis van het dataverkeer in bedrijven, maar zijn gevoelig voor allerlei storingen die aanzienlijke invloed hebben op productiviteit en veiligheid. Van defecte switches, oververhitte componenten en versleten kabels tot firmwarefouten of foutieve configuraties: er zijn tal van mogelijke oorzaken.

Externe invloeden zoals stroomuitval of klimatologische omstandigheden kunnen ook de fysieke integriteit aantasten. Daar komt de groeiende dreiging van cyberaanvallen bij, zoals DDoS-aanvallen, ransomware of gerichte aanvallen op netwerkapparatuur. Deze kunnen netwerken lamleggen en gevoelige data in gevaar brengen.

Door technologieën zoals cloud en SDN (Software Defined Networking) zijn netwerken complexer dan ooit. Handmatige monitoring en onderhoud worden steeds moeilijker. Deze uitdagingen maken duidelijk dat conventionele reactieve onderhoudsmethoden hun grenzen bereiken.

Voorspellend onderhoud voor een stabieler netwerk

In plaats van reageren op storingen, identificeert voorspellend onderhoud fouten voordat ze optreden. De basis daarvoor is gemeten gegevens zoals temperatuur, foutpercentages en bandbreedtegebruik. Met AI, machine learning en statistische analyse ontstaan voorspellende modellen die afwijkingen van normale werking herkennen.

Voor Nederlandse mkb’ers is dit echter niet altijd eenvoudig. Uit onderzoek van reichelt blijkt dat 71% van het Nederlandse mkb AI-oplossingen nog te onzeker vindt vanwege zorgen over betrouwbaarheid en nauwkeurigheid. Daarnaast heeft 35% onvoldoende krachtige infrastructuur voor AI-toepassingen, terwijl 37% zich zorgen maakt over de beveiliging van cloud-oplossingen.

Voor netwerken worden voornamelijk protocolgebaseerde en gedragsgebaseerde gegevens gebruikt. Protocolgebaseerde data komt rechtstreeks uit netwerkprotocollen, zoals syslog-berichten van routers of NetFlow-verkeersinformatie. Gedragsgebaseerde data toont onregelmatigheden in inlog- of toegangspatronen en atypisch communicatiegedrag.

Modellen zoals RNN (Recurrent Neural Networks) en LSTM (Long Short-Term Memory) zijn geschikt voor het monitoren van tijdelijke gegevens, omdat ze bijvoorbeeld toenemende latenties herkennen.

Denk bijvoorbeeld aan het monitoren van routertemperatuur. Wanneer deze regelmatige oververhitting toont, betekent dat dat de kans op hardwaredefecten groter is. Door continue monitoring van latentie en doorvoersnelheid kunnen prestatieproblemen vroegtijdig worden opgespoord, nog voordat gebruikers ze opmerken.

Lagere kosten, meer potentieel

Voorspellend onderhoud in netwerktechnologie lost niet alleen technische problemen op, maar levert ook economische voordelen. Uitvaltijd wordt aanzienlijk verminderd omdat onderhoud gericht kan worden gepland in plaats van reactief onder tijdsdruk. Dit leidt tot kortere onderbrekingen en vermindert de totale frequentie van storingen.

Personeel en technische middelen worden gerichter ingezet, niet langer alle systemen regelmatig controleren, maar volledig concentreren op gebieden met opvallende waarden. Ook reserveonderdelen en externe dienstverleners kunnen beter worden ingepland, wat tot aanzienlijke kostenbesparingen leidt.

Vooruitzichten: toenemend dataverkeer leidt tot grotere belasting

Het dataverkeer in bedrijfsnetwerken neemt voortdurend toe door technologieën zoals AI en robotica. Deze vereisen communicatie met lage vertraging en krachtige, betrouwbare netwerken. Voorspellend onderhoud wordt hierbij onmisbaar: het helpt potentiële zwakke punten vroegtijdig te herkennen, gerichte tegenmaatregelen te nemen en netwerkinfrastructuur veerkrachtig en toekomstbestendig te maken.

Thomas Kruse is  productmanager bij reichelt elektronik