快速增长的互联网连接需求给企业改善网络基础设施、性能和其他关键参数带来了压力。网络管理员总是会遇到运行多个网络应用程序的不同类型的网络。每个网络应用程序都有自己的一组特性和性能参数，这些特性和参数可能会动态变化。由于网络的多样性和复杂性，使用为这种机器网络场景构建的传统算法或硬编码技术是一项具有挑战性的任务。

事实证明，机器学习在几乎所有行业都是有益的，网络行业也不例外。机器学习可以帮助解决棘手的网络障碍，促进新的网络应用程序的应用，使网络变得非常方便。以下详细讨论基本工作流程以及一些用例，以便更学习好地理解网络领域中的应用机器学习技术。

随着对物联网(IoT)解决方案的需求日益增长，现代网络产生大量的异构流量数据。对于这样一个动态网络，传统的网络流量监控和数据分析网络管理技术(如ping监控、日志文件监控，甚至SNMP)是不够的。它们通常在网缺乏对实时数据的准确性和有效处理。另一方面，由于设备移动性和网络异构性，网络中来自其他来源(如蜂窝设备或移动设备)的流量相对显示出更复杂的行为。

机器学习有助于在大数据系统和大区域网络中进行分析，以便在管理此类网络时识别复杂模式。鉴于这些机会，网络领域的研究络中人员将深度学习模型用于网络流量监控和分析应用，如流量分类和预测、拥塞控制等。

网络遥测数据提供了有关网络性能的基本指标。这些信息通常很难解释。考虑到网络的规模和通过网络的总数据，分析数据具有巨大的价值。如果使用得当，它可以显著提高性能的现。

例如带内网络遥测等新兴技术可以帮助实时收集详细的网络遥测数据。最重要的是，在这些数据集上运行机器学习可以帮助关联延迟、路径、交换机、路由器、事件等之间的现象。使用传统方法很难从大量实时数据中指出这些现象。

机器学习模型经过训练以理解遥测数据中的相关性和模实应式。这些算法最终获得了基于历史数据学习的预测未来的能力。这有助于管理未来的网络中断。

每个网络基础设施都有预定义的可用总吞吐量。它被进一步分割成不同预定义带宽的多个通道。在这样的场景中，如果每个最终用户的总带宽使用量是静态预定义的，机器在网络被大量使用的某些部分可能会出现瓶颈。

为了避免这种拥塞，可以训练监督机器学习模型来实时分析网络流量，并以使网络遇到的瓶颈最少的方式推断出每个用户的合适带宽量。

这些模型可以从网络统计数据中学习，例如每个网络节点的总活动用户、每个用户的历史网络使用数学习据、基于时间的数据使用模式、用户在多个接入点之间的移动等。

在每个网络中，都存在各种各样的流量，如Web托管(HTTP)、文件传输(FTP)、安全浏览(HTTPS)、HTTP实时视频流(HLS)、终端服务(SSH)等。当涉及到网络带宽使用时，在网每一种行为都不同;例如，通过FTP传输文件会在传输期间连续使用大量数据。

另一个例子是，如果一个视频是流媒体的，它使用数据块和缓冲方法。当允许这些不同类型的流量以无监督的方式使用网络时，将会造成一些临时阻塞。

为了避免这种情况，可以使用机器学习分类器来分络中析和分类通过网络的流量类型。然后，可以使用这些模型来推断网络参数，如分配的带宽、数据上限等，这反过来可以通过改进所服务请求的调度以及动态更改分配的带宽来帮助提高网络性能。

网络攻击数量的增加迫使企业不断监控和关联整个网络基础设施及其用户的数百万外的现部和内部数据点。人工管理大量实时数据变得很困难。这就是机器学习发挥重要的地方。

机器学习可以识别网络中的某些模式和异常，并预测大量数据集中的威胁，所有这些都是实时的。通过对此类分析进行自动化，网络管理人员可以轻松地检测威胁并快速隔离情况，而无需耗费大量人力。

网络行为是机器学习系统中用于异常检测的一个重要参数。机器学习引擎实时处理大量数据，以识别威胁、未知恶意软件和违反安全策略的行为。

如果发现网络行为在预定义行为范围内，则接受网络事务;否则，将在系统中触发警报。这可用于防止DoS、DDoS和探测等机器多种攻击。

诱骗某人点击看似合法的恶意链接，然后利用收集到的信息试图突破计算机的防御系统是很容易的。机器学习有助于标记可疑网站，以帮助防止人们不小心连接到恶意网站。

例如，文本分类器机器学习模型可以读取和理解URL，并识别那些伪造的钓鱼UR学习L。这将为最终用户创造更安全的浏览体验。

机器学习在网络中的集成并不局限于上述的用例。通过从网络和机器学习的角度阐明机会和研究，可以在使用机器学习用于网络和网络安全领域开发解决方案，以解决尚未解决的问题。