Vom Rauschen zur Erkenntnis: Modernes Netzwerk-Monitoring mit Arista CloudVision & AVA
Moderne Netzwerke generieren ununterbrochen Millionen von Datenpunkten, Logfiles und Alarme. In der Praxis führt diese Informationsflut jedoch oft zu fataler Alarm-Müdigkeit. Das entscheidende Signal für eine drohende Störung geht im täglichen Hintergrundrauschen unter.
In diesem Vortrag erfahren Sie, wie Sie den Wandel von rein reaktiven Monitoring zu echter Netzwerk-Observability vollziehen. Wir zeigen praxisnah, wie die Kombination aus Arista CloudVision und dem KI-gestützten Assistenten AVA (Autonomous Virtual Assistant) komplexe Telemetriedaten filtert und in präzise, handlungsrelevante Erkenntnisse verwandelt.
Die Schwerpunkte des Vortrags:
- Vom Monitoring zur Observability: Warum klassisches SNMP-Monitoring an Grenzen stößt und wie state-based Streaming vollständige Transparenz schafft.
- Smart AIOps mit Arista AVA: Wie künstliche Intelligenz Korrelationen zieht, Rauschen ausblendet und Ursachen (Root Causes) in Sekundenschnelle identifiziert.
- MTTR drastisch senken: Vom zeitaufwendigen Log-Suchen zur automatisierten Schadensvermeidung.
- Vom Feuer löschen zum proaktiven Betrieb: Wie Sie Vorfälle lösen, bevor Ihre Nutzer beeinträchtigt werden.
Vorkenntnisse
- Zum generellen Verständnis der Konzepte sind keine speziellen Vorkenntnisse zwingend notwendig.
- Um den Kontrast zu klassischen Ansätzen besser nachvollziehen zu können, sind grundlegende Kenntnisse im traditionellen Netzwerkmanagement (z. B. SNMP, Syslog) und im allgemeinen Netzwerkbetrieb hilfreich.
Lernziele
- Die Gäste dieses Vortrags lernen die Konzepte moderner Netzwerk-Observability und den praktischen Einsatz von AIOps (Artificial Intelligence for IT Operations) kennen.
- Sie verstehen, wie sich der Wechsel von zustandslosen Polling (SNMP) zu modernem, zustandsbasiertem Telemetrie-Streaming auf die Transparenz und Fehlersuche im Netzwerk auswirkt.
- Sie erfahren konkret, wie KI-gestützte Analysen genutzt werden können, um Alarm-Rauschen drastisch zu reduzieren, Root-Causes schneller zu identifizieren und die Entstörungszeit (MTTR) nachhaltig zu senken.
