快速增长的互联网连接需求推动企业提升网络基础设施、性能与其他关键参数。网络管理员需要面对同时运行多种网络应用的场景，每种应用都拥有独特且可能动态变化的特性与性能需求。由于网络的多样性与复杂性，使用为此类场景设计的传统算法或硬编码策略往往面临挑战。
事实已经证明，机器学习在众多行业中都能发挥积极作用，网络领域亦是如此。通过学习分析，机器学习能够帮助解决复杂的网络难题，推动新型网络应用的实现，并提升网络的整体可用性。下文对基本工作流程与实际应用场景进行详细梳理，便于理解在网络领域应用机器学习的思路与价值。
智能化网络流量管理
随着物联网（IoT）解决方案的普及，现代网络产生的异构流量规模显著增加。对于这类动态网络，传统的流量监控与数据分析方法往往无法实现对实时数据的高精度处理与有效分析。再者，设备移动性与网络异构性使得来自蜂窝设备、移动端等来源的流量呈现更为复杂的行为模式。
机器学习可以在大数据体系和广域网络中进行高效分析，帮助识别这些复杂模式。在网络流量监控与分析的应用场景中，研究者们已经开始将深度学习模型用于流量分类、预测与拥塞控制等任务。
带内网络遥测技术
遥测数据提供了关于网络性能的关键指标，但往往难以直接解读。考虑到网络规模与通过网络传输的数据总量，系统对这些数据的分析具有巨大的价值。若使用得当，带来的是显著的性能提升。
新兴的带内网络遥测技术能够实时采集详细的遥测数据。将机器学习应用于这些数据集，可以揭示延迟、路径、交换机、路由器、事件等之间的相互关系与模式。相较于传统方法，海量实时数据中发现这些现象变得更为高效。
通过对遥测数据进行训练，机器学习模型能够学习其中的相关性与模式，并借助历史数据预测未来趋势。这有助于在潜在网络中断发生前采取预防性措施。
资源分配与拥塞控制
在任何网络基础设施中，总吞吐量通常被划分为若干带宽等级的通道。当总带宽的使用状态以静态方式定义时，网络中的某些区域容易出现瓶颈。
为降低拥塞风险，可以训练监督学习模型对网络流量进行实时分析，并以最小化瓶颈的方式推断出各用户的合适带宽分配。
这些模型往往从网络统计数据中学习，例如各节点的活跃用户总数、用户的历史使用数据、按时间分布的用量模式、以及用户在不同接入点之间的移动情况等。
流量分类
各网络环境中存在多种流量类型，例如Web托管（HTTP）、文件传输（FTP）、安全浏览（HTTPS）、HTTP实时视频流（HLS）与远程会话（SSH）等。不同的流量类型在带宽使用上的表现各不相同，例如FTP在传输文件时通常会持续占用较多带宽。
当这些不同类型的流量以无监督方式并存时，网络中可能出现短时的拥塞情况。
为了降低这种风险，可以使用机器学习分类器对进入网络的流量进行识别与分类。基于这些分类结果，系统可以相应地调整带宽分配与数据上限，从而优化调度与动态带宽调整，提升网络性能。
网络安全
面对日益增多的网络攻击，企业需要对整个网络基础设施及其用户数据进行高效监控与关联分析。处理大量实时数据的人工化管理已经变得困难，此时机器学习发挥了关键作用。
机器学习能够在海量数据中识别模式与异常，预测潜在威胁，并实现实时检测。这种自动化分析有助于网络管理人员快速发现并隔离威胁，降低人力成本。
网络攻击的识别与防御
网络行为为异常检测提供了重要线索。机器学习引擎可实时处理大量数据，识别威胁、未知恶意软件及违反安全策略的行为。
若网络行为落在预定义的安全范围之外，系统将触发警报并阻断潜在风险，从而有效对抗DoS、DDoS及探测等攻击形式。
防范网络钓鱼
钓鱼攻击通过伪装成可信网站诱导用户点击链接，进而窃取信息。机器学习有助于标记可疑网站，提升用户的浏览安全性。
例如，文本分类模型可以分析URL的文本特征，识别伪装的钓鱼链接，从而为最终用户提供更安全的上网体验。
总之，机器学习在网络中的应用并不限于上述场景。通过从网络与机器学习的角度梳理机会与研究方向，可以推动在网络与网络安全领域中基于机器学习的解决方案的开发与落地。
