Modern Network Analytics Architecture Stack To Enterprise Networks - En.id

Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.
com
Lihat diskusi, statistik, dan profil penulis untuk publikasi ini di:https://www.researchgate.net/publication/332800441
Arsitektur Analisis Jaringan Modern Tumpukan ke Jaringan Perusahaan
Artikel· April 2019

DOI: 10.22214/ijraset.2019.4480
KUTIPAN BACA
15 2.227
1 penulis:
Palanivel Kuppusamy
Universitas Pondicherry
60PUBLIKASI270KUTIPAN
LIHAT PROFIL
Semua konten setelah halaman ini diunggah olehPalanivel Kuppusamypada 14 Mei 2019.
Pengguna telah meminta penyempurnaan file yang diunduh.

Jurnal Internasional untuk Penelitian Sains Terapan & Teknologi Rekayasa (IJRASET)
ISSN: 2321-9653; Nilai IC: 45,98; SJ Impact Factor: 6.887
Volume 7 Edisi IV, Apr 2019- Tersedia di www.ijraset.com
Arsitektur Analisis Jaringan Modern Ditumpuk

Jaringan Perusahaan
K. Palanivel1
1Pusat Komputer, Universitas Pondicherry, Puducherry – 605014, India.
Abstrak: Analytics memainkan peran penting dalam operasi jaringan di lingkungan jaringan perusahaan. Kemampuan analitik tingkat lanjut
dapat mendukung perencanaan kapasitas dan manajemen lalu lintas yang lebih baik di jaringan perusahaan. Alat dan solusi analisis jaringan
generasi baru mulai berperan, membantu penyedia jaringan mengoptimalkan pembangunan jaringan dan menyederhanakan kontrol dan
operasi jaringan. Belum ada tumpukan arsitektur analisis jaringan spesifik yang diusulkan. Oleh karena itu, diusulkan untuk merancang
tumpukan arsitektur analisis jaringan untuk lingkungan jaringan perusahaan. Tumpukan arsitektur yang diusulkan menawarkan arsitektur
solusi analitik yang luas yang memungkinkan penyedia jaringan untuk mengadopsi analitik secara bertahap. Ini telah dirancang dengan
seperangkat prinsip arsitektur yang diterima secara umum sebagai praktik terbaik dalam industri jaringan. Dengan arsitektur ini, mereka
sangat yakin dapat meningkatkan ketangkasan, sekaligus memiliki kendali atas integrasi dan distribusi data.
Kata Kunci: Analisis jaringan, jaringan perusahaan, arsitektur analitik modern, model analitik.
I. PENDAHULUAN
Dalam jaringan perusahaan, skalabilitas merupakan tantangan yang cukup besar, karena ini adalah satu-satunya cara untuk mengimbangi
peningkatan lalu lintas jaringan dan pertumbuhan jumlah aplikasi jaringan dan pemangku kepentingan. Organisasi jaringan perlu menskalakan
pemrosesan dan penyimpanan data jaringan secara hemat biaya untuk mengakomodasi alat kinerja, sistem keamanan dan forensik, dan membuat
data tersebut tersedia untuk aplikasi lain, sambil mempertahankan kontrol fleksibel atas data mereka dan arsitektur pengiriman yang mendasarinya.
Salah satu solusi untuk meningkatkan pemantauan dan pengelolaan data jaringan adalah dengan memilah fungsi utama alat jaringan yang
terintegrasi secara vertikal, memisahkan penyimpanan dan pemrosesan dari analitik. Menerapkan aplikasi analitik yang independen terhadap
kerangka pemrosesan akan memungkinkan keseragaman yang lebih besar dalam cara penanganan data jaringan, dan mencegah data tidak tersedia
di luar satu perangkat.
Prevalensi yang cepat dan potensi dampak dari platform analisis data telah memicu minat di antara berbagai praktisi dan akademisi. Analisis data
adalah paradigma data baru, yang dirancang untuk mengubah manajemen bisnis dan pengambilan keputusan. Oleh karena itu, mengidentifikasi
sumber data mana yang tersedia, jenis data apa yang disediakan, dan cara menangani data tersebut adalah hal mendasar untuk menghasilkan nilai
sebanyak mungkin bagi perusahaan atau organisasi. Dalam konteks ini, arsitektur data yang disesuaikan dengan domain jaringan perusahaan dan
tujuan organisasi berkontribusi untuk mensistematisasikan proses menghasilkan nilai. Arsitektur ini harus mampu mengelola siklus hidup data secara
lengkap dalam organisasi jaringan, termasuk penyerapan data, analisis, dan penyimpanan. Arsitektur data yang dirancang untuk bidang tertentu
sedang diusulkan untuk melampaui tantangan yang disebutkan sebelumnya dan memanfaatkan data semaksimal mungkin dengan tujuan untuk
melakukan peramalan dan peramalan variabel yang diminati.
Arsitektur data modern mungkin masih menghadirkan gudang data, namun gudang data hanyalah salah satu komponen arsitektur data
modern atau ekosistem analitik modern. Arsitektur data bukanlah platform data. Platform data terdiri dari mesin basis data yang
mendasarinya (misalnya, relasional, Hadoop, OLAP) yang memproses data serta kerangka perakitan data yang memungkinkan insinyur data
dari TI dan bisnis membuat kumpulan data untuk konsumsi bisnis. Properti arsitektur yang penting untuk arsitektur data modern [31) adalah
skalabilitas, ekstensibilitas, keamanan, Administerabilitas, dan pemisahan.
A. Pentingnya Analisis Jaringan

Persyaratan jaringan adalah permintaan kemampuan dalam jaringan, biasanya dalam hal kinerja dan fungsi. Persyaratan jaringan
dapat dikumpulkan dan/atau diperoleh dari pelanggan, aplikasi, dan perangkat. Persyaratan tersebut merupakan hal mendasar bagi
arsitektur dan desain jaringan. Persyaratan, bersama dengan pengukuran pada jaringan yang ada, digunakan untuk memperoleh
arus lalu lintas. Analisis aliran ini memberikan informasi lokasi dan arah ke persyaratan. Hasil proses analisis, persyaratan dan
spesifikasi aliran, kemudian digunakan sebagai masukan untuk arsitektur dan desain jaringan. Dalam mengembangkan arsitektur
jaringan, sejumlah arsitektur komponen, yang menargetkan fungsi-fungsi tertentu dari jaringan, dievaluasi. Arsitektur komponen
yang diinginkan kemudian digabungkan ke dalam arsitektur referensi, yang memberikan tampilan jaringan tingkat tinggi. Ini
©IJRASET: Semua Hak Dilindungi Undang-undang 263

tampilan tingkat tinggi kemudian dirinci secara fisik selama proses desain jaringan. Analisis jaringan penting karena membantu kita memahami
kompleksitas dan nuansa setiap jaringan dan sistem yang didukungnya. Analisis juga menyediakan data yang menjadi dasar pengambilan berbagai
keputusan, dan data ini dapat dan harus didokumentasikan sebagai bagian dari jejak audit untuk proses arsitektur dan desain. Data tersebut
membantu memastikan bahwa arsitektur dan desain yang dihasilkan dapat dipertahankan. Analisis jaringan [21] adalah penerapan prinsip dan alat
data besar untuk pengelolaan dan keamanan jaringan data. Analisis jaringan akan menjadi lebih penting dan diterapkan secara lebih luas seiring
dengan semakin pentingnya keamanan jaringan. Biasanya, perusahaan besar menggunakan analisis jaringan. Dengan bantuan prinsip-prinsip data
besar yang menerapkan teknologi pembelajaran mesin dan kecerdasan buatan (AI), pengelola jaringan dapat memperoleh visibilitas lebih dalam
mengenai kinerja jaringan. Alat analisis jaringan juga harus berintegrasi dengan sistem lain, seperti mengirimkan kejadian jaringan ke pusat operasi
jaringan atau ke sistem deteksi dan pencegahan intrusi. Saat ini, pendekatan analisis data jaringan telah terbukti meningkatkan prediksi data log
jaringan yang membantu manajer jaringan mendeteksi tren pasar. Dengan menganalisis data log, mereka dapat mengantisipasi peluang dan
membantu pembuat kebijakan memantau secara lebih cepat dan tepat dampak dari berbagai lalu lintas jaringan dan kebijakan. Gambar 1
menunjukkan arsitektur jaringan perusahaan tentang bagaimana data log dikumpulkan dari berbagai perangkat jaringan dan bagaimana data log ini
divisualisasikan oleh pengguna jaringan sehubungan dengan berbagai operasi jaringan.
Gambar.1. Arsitektur jaringan perusahaan
B.Pernyataan Masalah
Permasalahan dan tantangan dalam model jaringan yang ada tercantum di bawah ini:
1)Penyimpanan lalu lintas jaringan sangat erat kaitannya dengan aplikasi analitik, dengan alat ini biasanya memproses dan menyimpan data dalam
format kepemilikan.
2)Berbagai jenis alat diterapkan di segmen jaringan yang sama, dengan masing-masing alat memberikan fungsi tertentu.
3)Alat dan sistem di atas berkisar dari alat pemantauan kinerja jaringan atau aplikasi hingga sistem analisis keamanan atau forensik atau
bahkan perekaman jaringan berkelanjutan untuk tujuan kepatuhan.
4)Data jaringan yang identik sering kali direplikasi di beberapa rangkaian alat, dan karena masing-masing alat ini hanya dapat menyimpan sebagian kecil lalu
lintas pada waktu tertentu, hal ini menimbulkan dampak yang disayangkan yaitu bertambahnya jumlah data jaringan yang disimpan tanpa meningkatkan
cakupannya.

Membangun platform data dan memberikan layanan analitik tingkat lanjut di era baru kecerdasan data dapat menjadi tugas yang berat. Oleh karena
itu, diperlukan arsitektur referensi untuk memberikan pedoman desain proses dan praktik terbaik untuk analisis tingkat lanjut, sehingga tidak hanya
dapat memenuhi kebutuhan bisnis, namun juga memberikan nilai lebih bagi bisnis. Desain arsitektur analisis jaringan pada jaringan perusahaan di
atas mempertimbangkan berbagai tantangan yang ditimbulkan oleh paradigma ini. Hal ini termasuk skalabilitas, ketersediaan data, integritas data,
transformasi data, kualitas data, asal data, manajemen data, heterogenitas data, data, pencocokan data, ketersediaan data alat jaringan untuk
menganalisis jenis data tersebut dengan benar, kompleksitas pemrosesan, masalah privasi dan hukum. dan tata kelola data.
C. Pemecahan Masalah
Belum ada arsitektur analisis jaringan spesifik yang diusulkan. Dalam konteks ini, makalah ini bertujuan untuk mempelajari kerangka analisis jaringan
tentang sumber data jaringan yang baru dan berpotensi berguna serta metode analisis yang ditujukan untuk menangani data ini. Makalah ini
mengusulkan arsitektur analisis jaringan baru yang mencakup semua proses yang berkaitan dengan bekerja dengan data jaringan untuk jaringan
perusahaan yang mampu mengintegrasikan proses dan menganalisis data dari sumber jaringan yang berbeda dengan tujuan untuk memperkirakan
perubahan. Arsitektur analisis data modern yang diusulkan mencakup praktik yang direkomendasikan, serta pertimbangan skalabilitas, ketersediaan,
pengelolaan, dan keamanan.
Makalah ini disusun sebagai berikut: Dalambagian latar belakang teknis, terminologi dan taksonomi terkini untuk analisis data
dibahas. Sebuah studi literatur dilakukan dibagian tinjauan literatur dan metodologi. Tumpukan arsitektur analisis data modern ke
jaringan perusahaan diperkenalkanbagian desain. Akhirnya, dibagian kesimpulan,sebuah kesimpulan ditarik dan pandangan
disajikan.
II. LATAR BELAKANG TEKNOLOGI – TERBARU

Jaringan merupakan pusat dunia saat ini, jadi memahami bagaimana kinerja jaringan sangatlah penting. Dengan mendapatkan alat manajemen
jaringan yang lengkap untuk melihat dan memahami segala sesuatu yang terjadi di jaringan. Hasilnya, administrator jaringan dan operator dapat
bertindak lebih cepat dan tegas untuk membuat jaringan mereka beroperasi lebih baik, lebih cepat dan lebih cerdas, dan untuk memastikan bahwa
setiap pelanggan jaringan merasa puas. Mengelola kinerja jaringan dan kepuasan pengguna adalah tujuan utama kesuksesan bisnis jaringan.
Memperoleh intelijen yang berarti dari data penggunaan jaringan perusahaan sangat penting untuk membuat keputusan bisnis jaringan yang lebih
baik guna mencapai tujuan ini. Dalam upaya melayani pelanggan secara lebih efektif dan mencari setiap kemungkinan keunggulan kompetitif,
operator jaringan memanfaatkannyaanalitik to mendapatkan pemahaman lebih dalam tentang jaringan.
A. Analisis Jaringan
Analytics memainkan peran penting dalam operasi jaringan. Visibilitas real-time dan kecerdasan yang dapat ditindaklanjuti dapat secara drastis meningkatkan
efisiensi operasional dengan memberikan tampilan jaringan yang multidimensi dan prediktif. Dengan pandangan tersebut, ia dapat melakukan analisis akar
masalah yang solid, rekayasa lalu lintas, dan optimalisasi jaringan.Analisis jaringanmemungkinkan penyedia layanan untuk mendapatkan data sumber ini dan
mengubahnya menjadi informasi yang dapat mereka gunakan untuk mengoptimalkan jaringan perusahaan [2]. Analisis aktivitas konsumen atau pelanggan
memberikan informasi berharga mengenai pengguna, aplikasi jaringan dan penggunaan perangkat serta akuisisi pelanggan memungkinkan operator jaringan
untuk menargetkan pelanggan secara lebih akurat dengan rencana layanan yang sesuai dengan perilaku mereka. Dari perspektif operasional, ini menunjukkan
bagaimana pengguna jaringan suatu organisasi menggunakan bandwidth jaringan.
Analisis jaringan melibatkan analisis data dan statistik jaringan untuk mengidentifikasi tren dan pola. Setelah teridentifikasi, operator jaringan
mengambil langkah berikutnya untuk 'bertindak' terhadap data ini, yang biasanya melibatkan serangkaian operasi jaringan. Vendor jaringan
menambah analitik tradisional dengan teknologi otomatisasi dan kecerdasan buatan (AI) [16] untuk memungkinkan generasi berikutnya dari jaringan
yang sangat cerdas. Memanfaatkan teknologi AI dan otomasi, analisis jaringan membantu operator membuat keputusan operasional dan bisnis yang
lebih cerdas dan berdasarkan data.
1) Analisis Jaringan Didefinisikan sebagai:Analisis jaringan memberi operator dan perusahaan pemahaman mendalam tentang jaringan,
memungkinkan pengambilan keputusan operasional dan bisnis yang lebih cerdas dan berbasis data. Penggunaan teknologi kecerdasan buatan
dan otomasi dalam analisis jaringan membuka jalan bagi visi Jaringan Adaptif – lingkungan yang cerdas, dapat dikonfigurasi sendiri, dan
dioptimalkan sendiri yang memahami dan menyesuaikan dengan kondisi jaringan. Analisis jaringan adalah kunci untuk membantu TI secara
proaktif memberikan pengalaman pengguna yang luar biasa, namun analisis untuk jaringan akses perusahaan sangatlah rumit. Dengan
menggunakan analisis jaringan, penyedia jaringan dapat bertindak sebelum gangguan layanan terjadi dan penalti mulai dikenakan. Hal ini dapat
meningkatkan kualitas layanan dan membantu penyedia jaringan memahami loyalitas pelanggan mereka. Manfaat utama dari analisis jaringan
mencakup optimalisasi penggunaan sumber daya jaringan, aliran pendapatan baru, dan percepatan waktu pemasaran [21]

B. Platform Analisis Jaringan

Platform analisis data adalah hasil penelitian dan pengembangan ekstensif dalam visualisasi data dan interaksi manusia-komputer. Ini melengkapi para
profesional bisnis, teknis, dan ilmiah di seluruh perusahaan untuk secara bebas menganalisis data dan membuat aplikasi dan dasbor analitik. Hal ini memberi
pengguna akhir kendali yang lebih besar, yang mempercepat “waktu untuk mendapatkan wawasan” sekaligus mengurangi hambatan umum dalam TI dalam
membuat laporan baru atau mengkonfigurasi ulang database. Gambar 2 menunjukkan diagram blok platform analisis jaringan. Dengan platform analitik ini,
pengguna bisnis menjelajahi data mereka dengan kecepatan berpikir dan mencapai keunggulan kompetitif lebih cepat dari sebelumnya. Ini menawarkan respons
instan terhadap pertanyaan baru dan memberikan penawaran layanan mandiri, tanpa memerlukan intervensi atau dukungan TI.
Gambar 2. Diagram blok platform analisis jaringan.
Persyaratan [20] yang diidentifikasi untuk penerapan BI perusahaan yang ideal yang menjadi komitmen organisasi terhadap platform analitik, pastikan
untuk memastikan bahwa platform tersebut memberikan kemampuan arsitektur dan fungsional yang diperlukan untuk penerapan perusahaan yang
sukses dan berkelanjutan. Hal ini mencakup efisiensi arsitektur, kinerja tinggi, pertumbuhan bertahap dan ekstensibilitas fitur, akses lengkap ke
seluruh ekosistem data, alat analisis canggih, penerbitan tingkat perusahaan yang efisien, pemantauan bisnis proaktif, arsitektur keamanan yang kuat,
dll.
C. Prinsip Kerja Analisis Jaringan

Analitik jaringan memerlukan pembelajaran apa yang dibutuhkan pengguna, aplikasi, dan perangkat mereka dari jaringan perusahaan. Ini juga
tentang memahami perilaku jaringan dalam berbagai situasi. Analisis jaringan juga mendefinisikan, menentukan, dan menjelaskan hubungan antara
pengguna, aplikasi, perangkat, dan jaringan. Dalam prosesnya, analisis jaringan memberikan landasan untuk semua keputusan arsitektur dan desain
yang harus diambil. Dalam menganalisis jaringan perusahaan, ia memeriksa keadaan jaringan yang ada, termasuk masalah apa pun yang mungkin
dihadapinya. Ini mengembangkan serangkaian pernyataan masalah dan tujuan yang menggambarkan apa yang akan ditangani oleh jaringan target
kami. Juga. Ini mengembangkan persyaratan dan arus lalu lintas, serta pemetaan pengguna, aplikasi, dan perangkat, untuk mendukung pernyataan
masalah dan tujuan kami. Dengan demikian, analisis jaringan membantu kita memahami masalah apa yang ingin kita pecahkan, dan dalam prosesnya,
analisis jaringan membantu kita mengumpulkan informasi yang akan digunakan dalam pengembangan arsitektur dan desain. Gambar 3 mewakili
prinsip kerja arsitektur analisis jaringan tingkat tinggi. Fungsi analisis jaringan dirinci di bawah ini:
1)Analisis jaringan dimulai dengan sumber data yang mewakili banyak sistem bisnis seperti server Web, server proxy, firewall, router, switch,
titik akses, menara jaringan, dan sebagainya. Sistem dan perangkat server ini menghasilkan kebutuhan data untuk analisis jaringan.
2)Karena data sering kali disimpan dalam format berbeda, di lokasi berbeda, dan dalam banyak kasus, data tidak dapat diakses secara real-
time, maka diperlukan satu repositori yang mampu menyimpan semua data ini. Repositori ini disebut gudang data.
3)Tugas ekstrak, transformasi, dan muat (ETL) mengekstrak data dari satu atau lebih sumber jaringan secara terjadwal, melakukan pembersihan data
apa pun yang diperlukan untuk mengubah data ke dalam format yang konsisten, dan memuat data yang telah dibersihkan ke dalam repositori
data. Penyimpanan data juga disebut gudang data adalah kumpulan data historis yang tidak berpartisipasi dalam operasi sehari-hari organisasi.
Sebaliknya, data ini sengaja digunakan untuk analisis jaringan. Data dalam data mart biasanya berlaku untuk area tertentu dalam organisasi.
4)Saat mengumpulkan semua data yang diperlukan, analisis biasanya dilakukan. Alat analisis berkisar dari spreadsheet dengan fungsi
statistik hingga penambangan data yang kompleks dan aplikasi pemodelan prediktif. Ketika pola dan hubungan dalam data terungkap,
pertanyaan baru diajukan dan proses analitik diulang hingga tujuan bisnis tercapai.
Mesin analisis jaringan mampu memonitor server Web, server NAT, titik akses, router, menara jaringan, ratusan switch dan ribuan
port switch. Mesin analitik real-time menerima aliran data berkelanjutan dari server, switch, dll., dibangun ke dalam jaringan, server,
dan infrastruktur aplikasi memberikan analitik melalui API, dan dapat dengan mudah diintegrasikan dengan berbagai macam on-site
dan cloud, orkestrasi, DevOps, dan alat jaringan yang ditentukan perangkat lunak (SDN).

D. Aplikasi Analisis Jaringan

Aplikasi analitik jaringan menyediakan fungsionalitas seperti pemodelan, perkiraan, analisis log, dll. Aplikasi ini dilengkapi dengan kemampuan analitis
untuk memungkinkan pengguna memperoleh wawasan dalam meningkatkan kinerja operasi bisnis. Dengan menggunakan aplikasi analitis,
pengambil keputusan juga dapat mengidentifikasi dan memahami faktor-faktor apa yang mendorong nilai bisnis mereka sehingga mampu
memanfaatkan peluang lebih cepat dibandingkan pesaing mereka. Teknik analisis data yang umum digunakan saat ini adalah query dan pelaporan,
analisis multidimensi, dan data mining.
1) Kueri dan Pelaporanadalah proses mengajukan pertanyaan untuk dijawab, mengambil data yang relevan dari penyimpanan/gudang data,
mengubahnya ke dalam konteks yang sesuai, dan menampilkannya dalam format yang dapat dibaca. Hal ini terutama terdiri dari pemilihan
elemen data yang terkait, mungkin merangkumnya dan mengelompokkannya berdasarkan beberapa kategori, dan menyajikan hasilnya. Laporan
dikirimkan ke pengguna akhir pada media keluaran yang diinginkan – dokumen, pesan, grafik, dll.
2) Analisis Multidimensitelah menjadi cara populer untuk memperluas kemampuan kueri dan pelaporan. Hal ini memungkinkan pengguna untuk
melihat sejumlah besar faktor yang saling bergantung yang terlibat dalam masalah bisnis dan untuk melihat data dalam hubungan yang
kompleks. Pengguna akhir tertarik untuk mengeksplorasi data pada tingkat detail yang berbeda, yang ditentukan secara dinamis. Hubungan
yang kompleks dapat dianalisis melalui proses berulang (tidak perlu lagi menelusuri atau menggulung) dan agregasi. Analisis multidimensi
berlanjut hingga tidak ada lagi pengeboran atau penggulungan yang dilakukan.
3) Penambangan dataadalah teknik analisis data yang relatif baru. Ini sangat berbeda dengan kueri dan pelaporan serta analisis multidimensi.
Penambangan data paling sering digunakan untuk analisis data statistik dan penemuan pengetahuan. Ada tingkat kompleksitas yang tinggi
dalam data yang disimpan dan keterkaitan data di gudang data yang sulit ditemukan tanpa data mining. Penambangan data menawarkan
wawasan baru ke dalam bisnis yang mungkin tidak ditemukan dengan kueri dan pelaporan atau analisis multidimensi.
4) Alat visualisasi dataseperti dashboard digunakan untuk menampilkan informasi yang disimpan ke gudang data. Dasbor dapat memberikan
gambaran tren secara real-time untuk fenomena tertentu atau banyak fenomena yang saling terkait erat satu sama lain. Saat ini, sebagian besar
vendor perangkat lunak menawarkan dasbor untuk pembuatan dan tampilan laporan.
Teknik-teknik di atas digunakan untuk merumuskan dan menampilkan hasil query, menganalisis isi data dengan melihatnya dari sudut pandang yang
berbeda, dan untuk menemukan pola dan atribut pengelompokan dalam data yang akan memberikan wawasan lebih jauh mengenai isi data. Teknik
analisis data dapat mempengaruhi jenis model data yang dipilih dan isinya.
E. Pembelajaran Mesin dan Analisis Jaringan

Menganalisis data jaringan untuk mendeteksi anomali, seperti intrusi, adalah teknik yang efektif dan terbukti untuk mendeteksi ancaman. Namun, hal ini
merupakan tugas yang sangat intensif dan semakin intensif seiring dengan meningkatnya permintaan akan layanan keamanan siber. Hal ini dapat menunjukkan
bahwa pemrosesan data aliran jaringan dalam skala besar dengan pembelajaran mesin [4] dapat dilakukan dan bahkan arsitektur model yang cukup sederhana
yang dilatih pada data berlabel dapat mencapai akurasi yang cukup baik untuk berguna dalam praktik. Analisis dapat dikombinasikan dengan pembelajaran
mesin menawarkan sudut pandang baru terhadap perilaku jaringan dan interaksi kompleks antara fungsi, pengalaman pengguna, lokasi, dan kinerja aplikasi
dalam hal data berkualitas untuk dianalisis. Algoritma pembelajaran mesin memprediksi data/konten untuk meningkatkan kinerja caching jaringan. Jaringan
memerlukan prediksi latensi rendah secara real-time, sehingga metode pembelajaran mesin sangat skalabel. Algoritme pembelajaran mesin mempelajari
penyematan dimensi rendah untuk sistem kompleks yang direpresentasikan sebagai grafik. Data yang dikumpulkan dari file log dapat direpresentasikan sebagai
grafik. Analisis jaringan ini memungkinkan pemahaman yang lebih baik tentang data jaringan dan hubungannya dengan pengguna jaringan. Ini menganalisis
jejak jaringan berukuran terabyte, log, dan register data panggilan (CDR) untuk menemukan dan memecahkan masalah yang mungkin memengaruhi
pengalaman pengguna. Ini mungkin menganalisis mekanisme perlindungan penipuan portal konten. Pembelajaran mesin ditambahkan ke analisis jaringan
untuk tidak hanya memecahkan masalah, namun untuk mendiagnosis akar permasalahan, dan merekomendasikan tindakan perbaikan. Pembelajaran mesin
menggunakan algoritme untuk memungkinkan teknologi mempelajari, mengidentifikasi pola, membuat keputusan, dan melakukan tugas tanpa diprogram untuk
melakukannya. Semakin banyak data yang digunakan oleh program pembelajaran mesin, semakin cerdas pula program tersebut. Selain itu,pembelajaran
mendalammodel [15] menganalisis lalu lintas permintaan dalam jaringan komunikasi mengubah pola lalu lintas mentah menjadi wawasan berharga,
personalisasi pengguna, dan pengoperasian jaringan yang dioptimalkan.
F. Analisis-sebagai-Layanan (AaaS)
Analytics-as-a-Service (AaaS) mengacu pada praktik penggunaan teknologi berbasis web untuk melakukan analisis data besar, yang bertentangan dengan metode tradisional
dalam mengembangkan gudang perangkat keras di lokasi untuk mengumpulkan, menyimpan, dan menganalisis data. AAAS menyediakan analisis yang dihosting untuk
pelanggan yang membutuhkan visibilitas lebih dalam ke dalam operasi jaringan [9]. Ini berfokus pada fungsionalitas jaringan dengan tujuan memberikan visibilitas yang lebih
baik ke dalam jaringan transportasi. Ini kemudian menerjemahkan data mentah ini menjadi wawasan yang dapat ditindaklanjuti. Ini

wawasan mendorong prediksi yang berasal dari pembelajaran mesin dan platform analitik AI. Pemenuhan optimasi prediktif
ini dapat dilakukan melalui intervensi manusia atau otomatisasi platform.
AAAS adalah aplikasi bertenaga AI yang menyediakan kemampuan otomatisasi loop tertutup untuk menyelesaikan berbagai kasus penggunaan analisis jaringan.
AAA mengeluarkan kekuatan sebenarnya dari data besar dan memungkinkan penyedia jaringan menawarkan pengalaman pelanggan yang unggul dalam
layanan. AAA menyediakan arsitektur terbuka dan dapat diperluas yang dioptimalkan untuk jaringan adaptif ketika dikombinasikan dengan mesin kebijakan, dan
sistem yang dapat ditindaklanjuti untuk memungkinkan otomatisasi loop tertutup yang cerdas dan end-to-end di semua jenis jaringan fisik dan/atau virtual.
Penyediaan AAA memungkinkan klien untuk menggunakan perangkat lunak analitik tertentu selama diperlukan, dan bisa lebih hemat biaya dan lebih hemat
tenaga kerja jika dibandingkan dengan cara tradisional.
G. Arsitektur Analisis Jaringan

Analisis jaringan melibatkan strategi dan teknik untuk mengumpulkan berbagai data (misalnya data pemantauan) dan menganalisis data, untuk menyimpulkan perubahan
dalam keadaan sumber daya jaringan dan menyimpulkan pola apa pun yang membantu membangun pengetahuan yang berkaitan dengan transisi keadaan jaringan, prediksi
kejadian, dan perkiraan. Proses analisis dan pengetahuan yang dibangun digunakan untuk memutuskan tindakan yang dapat dilakukan untuk mencapai tujuan tertentu.
Perusahaan mungkin menghadapi tantangan penting [30] ketika mengadopsi analisis real-time. Tantangannya adalah definisi real-time yang tidak
jelas, arsitektur yang tidak relevan, penyesuaian proses internal, dan penolakan karyawan terhadap perubahan. Arsitektur yang dirancang dengan baik
merupakan faktor penentu keberhasilan, jadi berikan perhatian khusus pada masalah arsitektur mendasar. Arsitektur yang khas adalah fondasi yang
baik, namun dapat disesuaikan lebih lanjut untuk mencapai kinerja yang lebih baik. Arsitektur yang lebih relevan dengan analisis data memerlukan
kemampuan untuk memproses log atau data jaringan perusahaan dengan kecepatan tinggi. Namun, persyaratan kecepatan pemrosesan dapat
bervariasi dari milidetik hingga menit, bergantung pada sumber data dan aplikasi. Arsitektur yang relevan juga harus mampu mengatasi lonjakan
volume data dan dapat ditingkatkan seiring pertumbuhan data jaringan mereka.
Organisasi perusahaan yang berencana untuk mengadopsi analisis jaringan real-time sering kali melupakan analisis jaringan offline, namun memerlukan analisis
jaringan real-time dan analisis jaringan offline untuk mendapatkan wawasan. Misalnya, mengirimkan peringatan instan adalah aplikasi bagus untuk analisis
jaringan waktu nyata; mengidentifikasi model dan pola dengan pembelajaran mesin adalah proses yang memakan waktu dan tidak cocok untuk pemrosesan
waktu nyata. Menjalankan analisis jaringan real-time dan analisis jaringan offline pada data yang sama dapat menimbulkan konflik pada sumber daya komputasi
dan menghambat kinerja.
Makalah ini mempertimbangkan tantangan arsitektur yang tidak relevan. Merancang arsitektur yang relevan dapat menyelesaikan konflik tersebut.
Sistem analisis data kontemporer tidak dapat menangani data besar secara memadai, begitu pula sistem yang ada saat ini yang menangani data besar
terdiri dari platform, alat, dan informasi yang tidak fleksibel dan kompleks. Hal ini perlu direstrukturisasi menjadi infrastruktur analitis yang lebih
terpusat namun fleksibel [13]. Permasalahan bagaimana melakukan hal ini menghadirkan tantangan bagi dunia usaha dan komunitas riset. Arsitektur
referensi dapat membantu dalam penciptaan arsitektur konkrit; namun, masih terdapat kekurangan arsitektur referensi serta arsitektur analisis data
besar yang koheren.
H. Arsitektur Referensi Analytics

Arsitektur referensi untuk arsitektur analisis data dapat membantu dalam pembuatan arsitektur konkrit serta pemahaman arsitektur
keseluruhan dengan fungsionalitas terkait dan aliran data yang khas dalam sistem analisis data besar [5]. Arsitektur referensi
berguna untuk menganalisis sistem data besar yang ada, memberikan dasar klasifikasi proses dan teknologi analisis data. Oleh
karena itu, arsitektur referensi diperlukan untuk memberikan pedoman desain proses dan praktik terbaik untuk analisis tingkat
lanjut. Ini memenuhi persyaratan bisnis dan membawa nilai lebih bagi bisnis. Beberapa arsitektur referensi analitik disajikan di
bawah ini:
Membangun platform data [25] yang memberikan layanan analitis tingkat lanjut di era baru kecerdasan data bisa menjadi tugas yang berat. Adobe
analitik [1] memproses miliaran transaksi setiap hari di seluruh web utama dan properti seluler untuk mendukung pengalaman cloud Adobe. Ini mulai
memodernisasi tumpukan pemrosesan data, mengadopsi teknologi sumber terbuka. Arsitektur analitik modern [3] pada lingkungan perusahaan
menawarkan solusi analitik yang luas yang memungkinkan penyedia jaringan untuk mengadopsi analitik secara bertahap. Arsitektur Hadoop generasi
berikutnya [19] menciptakan tingkat data analitis yang berorientasi pengguna di atas Hadoop untuk mengumpulkan dan menyempurnakan data
secara analitis untuk penelusuran, eksplorasi, dan pengiriman ke seluruh organisasi.
Arsitektur di atas dirancang dengan arsitektur berlapis. Mereka termasuk lapisan akuisisi data, lapisan integrasi data, lapisan penyimpanan
data, lapisan analisis data, lapisan presentasi data, dan ditunjukkan pada Gambar. 3. Setiap lapisan menjalankan fungsi tertentu.

Gambar 3. Arsitektur referensi analitik
Lapisan akuisisi data terdiri dari komponen untuk mendapatkan data dari semua sistem sumber, seperti sumber daya manusia, keuangan, dan
penagihan. Lapisan integrasi data terdiri dari komponen integrasi untuk aliran data dari sumber ke lapisan penyimpanan data dalam arsitektur.
Lapisan repositori data menyimpan data dalam model relasional untuk meningkatkan kinerja dan ekstensibilitas kueri. Lapisan analisis data
menyimpan data dalam format kubus untuk memudahkan pengguna melakukan analisis bagaimana-jika. Di lapisan presentasi data, aplikasi atau
portal yang memberikan akses ke kumpulan pengguna yang berbeda. Aplikasi dan portal menggunakan data melalui halaman web dan portlet yang
ditentukan dalam alat pelaporan atau melalui layanan web.
Sebagian besar arsitektur referensi analitik di atas dirancang dengan tujuan agar dapat diskalakan, andal, dapat dipelihara, dapat diuji, mudah
dikonfigurasi, dan portabel.
I. Arsitektur Referensi Analisis Modern

Analisis generasi berikutnya memiliki kinerja pemrosesan yang diperlukan untuk menggabungkan beberapa kumpulan data dan menghasilkan manfaat bisnis
yang sangat penting dalam waktu hampir real-time. Arsitektur analitik generasi berikutnya [18] harus memiliki latensi tinggi dan konkurensi rendah.
Penyimpanan data analitik ini menawarkan waktu respons kueri yang interaktif dan cepat. Itu dapat menganalisis kumpulan data besar dengan cepat dan
menanganinya dengan mudah. Jika analis bisnis atau pengguna bisnis tidak lagi mencari data agregat dan hierarkis yang tersedia di penyimpanan data analitik,
arsitektur analitik generasi berikutnya dapat secara otomatis mengarahkan kueri kembali ke penyimpanan data berbiaya rendah untuk analisis yang sangat
mendetail. Proses navigasi kueri ini lancar bagi pengguna dan menghilangkan kebutuhan untuk beralih ke serangkaian kerangka kerja analitik yang primitif dan
asing. Strategi yang digunakan untuk mengembangkan arsitektur referensi analitik modern [George Dyson, 2013] mencakup tiga poin utama untuk menetapkan
konteks:
1) Data jaringan dari sumber jaringan perusahaan.Ia ingin melihat data dari segi kualitasnya. Hal ini mencakup metode perolehan,
signifikansi historis, kualitas, nilai, dan hubungan dengan bentuk data lainnya. Kualitas-kualitas ini akan menentukan cara pengelolaan,
pemrosesan, penggunaan, dan integrasinya.
2) Analisis jaringan.Ada banyak jenis analisis yang dapat dilakukan, dengan berbagai jenis sistem, alat, dan melalui berbagai saluran.
Beberapa jenis analisis memerlukan informasi terkini dan jenis analisis lainnya sebagian besar menggunakan informasi historis. Selain
itu, beberapa jenis dilakukan secara proaktif dan lainnya bersifat reaktif. Desain arsitektur referensi analitik modern harus bersifat
universal dan dapat diperluas untuk mendukung berbagai analitik.
3) Aplikasi analitik terintegrasi.Intelijen harus diintegrasikan dengan aplikasi analitik jaringan yang digunakan pekerja berpengetahuan untuk
melakukan pekerjaan mereka. Aplikasi harus berintegrasi dengan komponen informasi dan analisis sedemikian rupa sehingga menghasilkan
hasil yang konsisten. Harus ada konsistensi antara satu aplikasi dengan aplikasi lainnya, begitu juga dengan konsistensi antara aplikasi, laporan,
dan alat analisis.
Makalah ini bertujuan untuk merancang arsitektur referensi analitik modern untuk mengatasi aspek-aspek utama dari ketiga poin ini. Secara
khusus, arsitektur yang diusulkan disusun dalam tampilan yang menyoroti tiga area fokus: manajemen informasi, analisis real-time, dan
proses cerdas. Mereka mewakili kemampuan arsitektural yang penting bagi sebagian besar organisasi saat ini.

III.TINJAUAN PUSTAKA DAN METODOLOGI

Kontribusi artikel ini adalah merancang tumpukan arsitektur analitik modern untuk lingkungan jaringan perusahaan. Untuk memastikan
ketelitian metodologi desain, ia menggunakan model penelitian ilmu desain [11] sebagai metodologi yang mendasarinya karena sangat
cocok untuk pengembangan arsitektur.
1)Dengan menggunakan tinjauan literatur, model arsitektur BI dan analisis jaringan yang relevan didiskusikan dan kesenjangan penelitian
diidentifikasi [7]. Ini termasuk mempelajari arsitektur analitik yang ada yang mendukung skalabilitas dalam lingkungan jaringan
2)Tinjauan literatur dianalisis dan tuntutan praktik dimasukkan. Dengan wawasan ini, model konseptual
dikembangkan.
3)Pernyataan kualitatif [12] dibuat sebanding dengan menganalisis frekuensi. Perbaikan dimasukkan dan model
arsitektur diubah. Perbaikan baru dimasukkan.
4)Fase demonstrasi dan evaluasi Peffers dkk. model dirangkum dengan pemeriksaan penerapan [22].
5)Ini terdiri dari dasar untuk memeriksa hasil di atas dan mengusulkan arsitektur analitik modern dengan hasil kualitatif. Upaya ini berkontribusi pada
penelitian sistem informasi dengan menyediakan kerangka kerja yang diterima secara umum agar berhasil melaksanakan penelitian ilmu desain dan
model mental untuk presentasinya. Hal ini membantu pengakuan dan legitimasi penelitian ilmu desain serta tujuan, proses, dan keluarannya. Hal ini
juga akan membantu peneliti untuk menyajikan penelitian dengan mengacu pada kerangka kerja yang dipahami secara umum, daripada
membenarkan paradigma penelitian secara ad hoc pada setiap makalah baru. atau artikel
Penelitian ini didasarkan pada pendekatan tinjauan literatur berikut.
a) Tahap-Itermasuk mempelajari arsitektur analitik yang ada yang mendukung skalabilitas dalam lingkungan jaringan
b) Tahap-IImelakukan proses peninjauan untuk mengidentifikasi, memilih dan mengevaluasi arsitektur analitik.
c) Tahap-IIIterdiri dari dasar untuk memeriksa hasil penelitian dan mengusulkan arsitektur analitik modern dengan hasil kualitatif.
A. Fase -I
Bagian ini mengulas studi yang berfokus pada penyelidikan arsitektur analitik dalam literatur. Berbagai jenis arsitektur telah diusulkan dalam
literatur untuk mendukung kecepatan pemrosesan tinggi dan skalabilitas algoritmik. Tingginya tingkat aliran data masuk memerlukan teknik
baru untuk penyerapan data yang efisien.
Platform jaminan kinerja SkyLIGHT [28] dari Accedian memberikan serangkaian metrik kinerja jaringan dan kualitas pengalaman
yang paling tepat, terperinci, dan lengkap. Ini adalah sumber data utama untuk analisis big data dan pembelajaran mesin, di mana
resolusi, detail, dan keragaman data mendorong korelasi dan wawasan yang sebelumnya tidak akan terlihat. Solusi analisis jaringan
BlueTC [8] memungkinkan korelasi, prediksi, simulasi, dan pada akhirnya mengantisipasi kinerja berbagai sistem dan jaringan.
Hal ini didasarkan pada metodologi analitik tingkat lanjut dan didukung oleh alat penambangan data mutakhir yang menggunakan
kecerdasan buatan. Cisco Tetration Analytics [10] menangkap telemetri dari setiap paket dan setiap aliran, memberikan visibilitas real-time
dan historis di seluruh pusat data, memberikan pemahaman mendalam tentang ketergantungan dan interaksi aplikasi. Arsitektur Tetration
Analytics terbuat dari cluster analisis data besar dan dua jenis sensor: berbasis perangkat keras dan perangkat lunak. Sensor dapat berada di
switch atau di server. Solusi Assurance dan Analytics Cisco [17] menghadirkan rangkaian teknologi lengkap dari awal untuk memenuhi
kebutuhan pelanggan.
Ini menggunakan pengalaman pengguna terintegrasi yang disederhanakan di seluruh portofolio produk perusahaan. Ini secara proaktif mengidentifikasi
masalah dan tren melalui korelasi dan algoritma pembelajaran mesin.
Platform analisis jaringan berbasis JStorm [6] merancang dan mengimplementasikan platform analisis jaringan. Seluruh platform dirancang
dengan arsitektur berlapis. Lapisan sumber data mencakup berbagai data yang dikumpulkan dari perangkat jaringan dan layanan bisnis. Di
tengah adalah lapisan analitik real-time.
Lapisan keluaran bertanggung jawab untuk mengalirkan keluaran data dan mendukung ekstraksi data API. Pemantauan jaringan real-time QiTian [6]
didasarkan pada mesin komputasi aliran JStorm. Data mentah yang dikumpulkannya diubah menjadi informasi multidimensi dan data arus lalu lintas
jaringan melalui beberapa operasi ETL dasar dan agregat. Data ini akan digunakan oleh tugas kebijakan pemantauan. Tugas kebijakan pemantauan
berisi berbagai kebijakan pemantauan, yang masing-masing akan mengidentifikasi pengecualian dari dimensi yang berbeda. Analisis Spotfire [27]
diperingkatkan sebagai salah satu platform BI yang paling mudah digunakan.
Ini melengkapi para profesional bisnis, teknis, dan ilmiah di seluruh perusahaan untuk secara bebas menganalisis data dan membuat aplikasi dan
dasbor analitik. Dengan Spotfire Analytics, pengguna bisnis menjelajahi data mereka dengan kecepatan berpikir dan mencapai keunggulan kompetitif
lebih cepat dari sebelumnya.

Kerangka kerja pemantauan berbasis SDN [26] memperluas analisis jaringan ke paket konvergen dan jaringan optik. Dengan pusat pemantauan yang
ditunjuk, informasi pemantauan dari berbagai lapisan dikumpulkan dan diproses di server terpusat. Analisis jaringan multilapis memungkinkan
pemulihan kualitas layanan untuk menghindari gangguan jaringan, pemerataan daya optik pada perangkat apa pun yang digabungkan, serta
debugging dan pemulihan jaringan di jaringan optik.
Analisis data streaming secara real-time telah dimungkinkan dengan Apache Storm dan Apache Spark baru-baru ini. Dalam [23], Apache
Spark dipilih karena arsitektur sistemnya untuk menganalisis data aliran secara real-time karena kecepatan pemrosesan tinggi yang
diperoleh dari pendeteksian anomali untuk multi-sumber.
Kerangka arsitektur Business Intelligence (BI) (14] terdiri dari lima lapisan: sumber data, ETL, gudang data, pengguna akhir, dan
lapisan metadata.
Kelima lapisan ini penting untuk memastikan kualitas data yang tinggi dan kelancaran arus informasi dalam sistem BI. Pandangan yang lebih luas tentang
arsitektur big data (Data Warehouse Trends Report, 2019). Diskusi ini membahas bagaimana organisasi saat ini membangun infrastruktur untuk mendukung
penyimpanan, penyerapan, pemrosesan, dan analisis data dalam jumlah besar. Arsitektur referensi dan metodologinya menggunakan data besar untuk
melakukan analisis dan diagnostik jaringan. FINAD mengadopsi metode neuro-networking [24] untuk memodelkan kesehatan jaringan dari beberapa dimensi,
termasuk analisis anomali jaringan dan estimasi risiko jaringan, untuk menghitung skor kesehatan jaringan melalui pelatihan dengan pengambilan sampel data
penilaian historis.
Dua arsitektur pemrosesan data penting [32] berfungsi sebagai tulang punggung berbagai aplikasi perusahaan yang dikenal sebagai Lambda
dan Kappa. Arsitektur Lambda adalah teknik pemrosesan data yang mampu menangani data dalam jumlah besar secara efisien. Efisiensi
arsitektur ini terlihat jelas dalam bentuk peningkatan throughput, pengurangan latensi, dan kesalahan yang dapat diabaikan. Arsitektur
Kappa tidak dapat dianggap sebagai pengganti arsitektur Lambda, sebaliknya arsitektur Kappa harus dilihat sebagai alternatif untuk
digunakan dalam keadaan di mana kinerja aktif lapisan batch tidak diperlukan untuk memenuhi standar kualitas layanan. Arsitektur ini
menemukan penerapannya dalam pemrosesan peristiwa berbeda secara real-time.
Ituarsitektur dua lapis[Lechtenbörger, 2001] menyoroti pemisahan antara sumber yang tersedia secara fisik dan gudang data. Di dalam
arsitektur tiga lapis[Cui dan Widom, 2000 ], lapisan ketiga disebut lapisan data yang direkonsiliasi atau penyimpanan data operasional yang
mewujudkan data operasional yang diperoleh setelah mengintegrasikan dan membersihkan data sumber. Keuntungan utama dari lapisan
data yang direkonsiliasi adalah menciptakan model data referensi umum untuk seluruh perusahaan. Literatur ilmiah sering membedakan
lima jenis arsitektur untuk sistem data warehouse, di mana lapisan dasar yang sama yang disebutkan dalam paragraf sebelumnya
digabungkan dengan cara yang berbeda (Rizzi, 2008).
1)Dalam arsitektur data mart independen, data mart yang berbeda dirancang secara terpisah dan dibangun dengan cara yang tidak terintegrasi.
Arsitektur ini pada awalnya dapat diadopsi ketika tidak ada sponsor yang kuat terhadap proyek pergudangan seluruh perusahaan, atau ketika
divisi organisasi yang membentuk perusahaan digabungkan secara longgar.
2)Arsitektur bus tampaknya mirip dengan arsitektur sebelumnya, dengan satu perbedaan penting. Seperangkat dasar dimensi yang disesuaikan, yang
diperoleh melalui analisis cermat terhadap proses utama perusahaan, diadopsi dan dibagikan sebagai pedoman desain umum.
3)Dalam arsitektur hub-and-spoke, salah satu yang paling banyak digunakan dalam konteks menengah hingga besar, terdapat banyak perhatian pada skalabilitas
dan ekstensibilitas, dan untuk mencapai pandangan informasi di seluruh perusahaan. Pengguna terutama mengakses data mart, namun terkadang mereka
menanyakan lapisan yang direkonsiliasi.
4)Arsitektur terpusat dapat dilihat sebagai implementasi khusus dari arsitektur hub-and-spoke, di mana lapisan yang
direkonsiliasi dan data mart dipecah menjadi satu repositori fisik.
5)Arsitektur federasi terkadang diadopsi dalam konteks dinamis di mana gudang data/data mart yang sudah ada sebelumnya harus diintegrasikan
secara non-invasif untuk menyediakan lingkungan pendukung keputusan tunggal lintas organisasi.
Dari literatur di atas, arsitektur analisis bisnis baru dianggap memiliki komponen kunci termasuk alat persiapan data layanan
mandiri, visualisasi data, alat penemuan data cerdas, pembelajaran mesin, bi sosial & kolaborasi, analis data & TI terpusat.
Sejumlah besar data yang dihasilkan oleh sumber data yang beragam dan berjumlah besar, termasuk layanan informasi, tidak hanya terlalu banyak namun juga
terlalu cepat dan rumit untuk diproses dan disimpan menggunakan metode tradisional. Pertumbuhan data yang eksponensial ini mendorong industri dan
menarik para peneliti untuk mengembangkan model baru dan alat yang dapat diskalakan untuk menangani data dalam jumlah besar atau big data.

B.Tahap -II
Fase ini melakukan proses review untuk mengidentifikasi, memilih dan mengevaluasi arsitektur analitik seperti yang ditunjukkan pada Tabel 1.
Kelompok Sungai kecil Data

S/T Artikel Penelitian Perkataan
Pengolahan pengolahan Sumber
1 Analisis data streaming [23] TIDAK Ya Banyak Kecepatan Pemrosesan Tinggi
2 Kerangka pemantauan berbasis SDN Ya Ya Banyak Berkumpul paket Dan optik

[26] jaringan
3 Arsitektur Intelijen Bisnis [14] Ya Ya Banyak Aliran data besar
4 Analisis jaringan berbasis JStorm [6] Ya Ya Banyak Aliran data multidimensi

5 milik QiTian Waktu sebenarnya jaringan Ya Ya Banyak Pemantauan jaringan waktu nyata
pemantauan [6]
6 SkyLIGHT Accedian [28] Ya Ya Banyak Pemantauan jaringan waktu nyata
7 Sorotan [27] Ya Ya Banyak Platform Cerdas Bisnis
8 BiruTC [8] Ya Ya Banyak Solusi analisis jaringan waktu nyata
9 FINOD [24] Ya Ya Banyak Metode jaringan saraf
10 Analisis Tetrasi Cisco [10] Ya Ya Banyak Analisis Tetrasi Cisco
11 Solusi Assurance & Analytics Cisco. Ya Ya Banyak Solusi Jaminan dan Analisis Cisco
[17]
12 Lambda untuk Data Besar [32] Ya TIDAK Banyak Perusahaan pemrosesan data
13 Kappa untuk Data Besar [32] TIDAK Ya Banyak Pengolahan data dengan didistribusikan.
Tabel 1 berkembang dalam hal analisis cerdas, online, offline, dll. Hal ini akan membuat analisis jaringan menjadi lebih cerdas dan
efisien dalam lingkungan analisis jaringan modern.
C.Fase -III
Pada bagian di atas, kegiatan diFase-IDanTahap-IIdijelaskan secara rinci. DariFase-IDanTahap-II, arsitektur relevan yang dirancang dengan baik
merupakan faktor penentu keberhasilan dalam bidang analitis. Arsitektur yang khas dapat dirancang untuk mencapai kinerja yang lebih baik.
Organisasi jaringan mungkin berencana untuk mengadopsi analisis real-time atau analisis offline. Menjalankan analitik real-time dan analitik offline
pada data yang sama dapat menimbulkan konflik pada sumber daya komputasi dan menghambat kinerja. Arsitektur yang diusulkan harus dirancang
untuk menyelesaikan konflik tersebut.
Arsitektur yang diusulkan memerlukan kemampuan untuk memproses data perusahaan dengan kecepatan tinggi. Namun, persyaratan kecepatan
pemrosesan dapat bervariasi dari milidetik hingga menit, bergantung pada sumber data dan aplikasi. Arsitektur yang diusulkan juga harus mampu
mengatasi lonjakan volume data dan dapat ditingkatkan seiring pertumbuhan data jaringan.
Arsitektur analitik yang diusulkan memungkinkan untuk menyimpan segala jenis data, dan menganalisisnya secara real time. Arsitektur analitik yang
diusulkan memungkinkan untuk menyimpan dan memproses data dari struktur apa pun: peristiwa, data deret waktu, data teks dan biner, dan lainnya.
Arsitektur yang diusulkan dapat mendukung ribuan node, volume data yang besar, dan ratusan ribu operasi per detik di lingkungan perusahaan.
Dengan dukungan indeks dan kueri yang kaya, arsitektur yang diusulkan dapat menjalankan analisis dan laporan ad-hoc yang kompleks.
Hasil yang diperoleh dalam proses untukFase-IIIterdiri dari dasar untuk memeriksa hasil penelitian dan mengusulkan arsitektur
referensi analitik modern dengan hasil kualitatif disajikandi Bagian 4.
IV.TUMPUKAN ARSITEKTUR ANALITIK JARINGAN MODERN

Pada bagian ini menyajikan model konseptual dan arsitektur analisis jaringan untuk mengintegrasikan data dari seluruh jaringan. Arsitektur analitik
jaringan yang diusulkan adalah struktur berlapis yang memungkinkan ilmuwan dan analis data untuk secara fleksibel menyesuaikan elemen platform
analitik dengan kebutuhan klien tertentu sambil mempertahankan opsi hemat biaya untuk ekspansi di masa depan, peningkatan kapasitas, dan adopsi
teknologi baru.
Layanan analitik jaringan menawarkan solusi khusus untuk validasi, diagnosis, dan pemantauan berkelanjutan terhadap status dan kondisi jaringan.
Layanan validasi jaringan melalui pemeriksaan di tempat terhadap semua parameter yang relevan, validasi jaringan meningkatkan keamanan
operasional jaringan dan komponennya. Hal ini memungkinkan operator untuk memeriksa kepatuhan jaringan sistem mereka

standar jaringan, misalnya berkaitan dengan kualitas. Pemantauan jarak jauh, analisis, dan pelaporan spesifikasi jaringan secara terus-menerus
menjamin kualitas jaringan yang stabil. Pemantauan jaringan menawarkan dukungan pemeliharaan preventif, analisis beban dan kualitas, pembuatan
laporan spesifik, log perubahan dan dukungan firmware pusat serta dukungan pemecahan masalah. Validasi jaringan memungkinkan penghapusan
potensi kesalahan desain sejak tahap penerimaan.
A. Karakteristik Desain
Arsitektur yang diusulkan menawarkan solusi analitik yang luas yang memungkinkan penyedia jaringan untuk mengadopsi analitik secara bertahap. Hal ini dapat
dimulai dengan wawasan analitik dasar dengan menggunakan solusi AAA, kemudian secara bertahap beralih ke penggabungan kontrol jaringan otomatis
menuju penerapan jaringan adaptif yang lebih canggih. Arsitektur analitik data modern yang diusulkan menunjukkan karakteristikCberpusat pada pelanggan,
mudah beradaptasi, otomatis, cerdas, fleksibel, kolaboratif, teratur, sederhana, elastis, dan aman.Di era data besar dan beban kerja variabel, organisasi
memerlukan arsitektur elastis dan terukur yang dapat beradaptasi terhadap perubahan persyaratan pemrosesan data sesuai permintaan. Banyak perusahaan
kini berbondong-bondong menggunakan platform cloud untuk mendapatkan skalabilitas sesuai permintaan dengan harga terjangkau. Selain itu, arsitektur
analitik data juga harus demikianulet, dengan ketersediaan tinggi, pemulihan bencana, dan kemampuan pencadangan/pemulihan. Hal ini terutama berlaku
dalam arsitektur data modern yang sering berjalan di kumpulan server besar di cloud di mana pemadaman listrik sering terjadi. Banyak penyedia cloud
menawarkan redundansi dan failover bawaan dengan perjanjian tingkat layanan yang baik dan memungkinkan perusahaan menyiapkan gambar cermin untuk
pemulihan bencana di pusat data yang tersebar secara geografis dengan biaya rendah.
B. Faktor Kualitas & Persyaratan

Secara teknis, pemeriksaan kualitas data memerlukan serangkaian metrik yang sesuai [29]. Kualitas suatu proses mewakili cara suatu proses
memenuhi tujuan pengguna. Kualitasnya tidak hanya berguna untuk tingkat data tetapi juga untuk sistem yang sepenuhnya terintegrasi dan
penggunaan repositori data. Beberapa properti yang mencirikan kualitas data adalah akurasi, kesegaran, kelengkapan, konsistensi,
ketersediaan, ketertelusuran, dan kejelasan. Keamanan juga sangat relevan dengan gudang data karena gudang data digunakan untuk
mengelola informasi penting untuk proses pengambilan keputusan strategis. Besarnya jumlah pertukaran informasi yang terjadi di gudang
data pada fase pementasan data menyebabkan masalah khusus terkait keamanan jaringan. Atribut arsitektur analitik modern adalah waktu
untuk menilai, standar terbuka, dukungan untuk SAS dan bahasa terbuka (R, Python, Lua), skalabilitas, mendukung berbagai format data,
pengiriman multi-saluran, batch dan real-time, akses ke data dan wawasan, dll.
Persyaratan mendefinisikan sistem yang akan diimplementasikan dalam hal perilaku, aplikasi, batasan, properti, dan atributnya. Persyaratan tersebut
mencakup batasan seputar streaming data, penggunaan data tidak terstruktur & eksternal, penyematan analitik dalam proses operasional, dan
penggunaan API. Arsitektur analisis jaringan modern harus memenuhi semua persyaratan yang berbeda ini, namun pada saat yang sama harus sesuai
dengan ekosistem, penyedia data, dan konsumen. Hal ini mungkin menimbulkan keyakinan bahwa arsitektur ekosistem adalah kunci untuk mencapai
keberhasilan di bidang integrasi data. Selain persyaratan di atas, disertakan persyaratan lain seperti kemampuan modifikasi, throughput, skalabilitas,
data besar, dan keamanan latensi yang mencakup kerahasiaan, privasi, integritas, non-penyangkalan, ketersediaan. Setelah data disimpan, aplikasi
analitik jaringan dan/atau pengguna akhir mungkin perlu mengaksesnya. Persyaratan terpenting dari sistem analisis jaringan adalahketersediaan,
pertunjukan, Danskalabilitas. Persyaratan tersebut saling berkaitan dan berdampak satu sama lain.
1) Ketersediaanmengatakan bahwa setiap permintaan menerima respons, tanpa jaminan bahwa permintaan tersebut berisi informasi versi terbaru. Hal ini
menyiratkan bahwa ketersediaan di sini mengacu pada node database yang berada dalam keadaan tidak gagal, dan mengembalikan informasi yang
diminta dan bukan kesalahan.
2) Kinerjamenggambarkan kecepatan di mana operasi data berhasil dijalankan. Oleh karena itu, sistem analitis yang berkinerja tinggi
sangatlah penting.
3) Skalabilitasmengacu pada kemampuan sistem untuk mempertahankan tingkat ketersediaan dan kinerja tertentu terlepas dari beban (misalnya, permintaan pengguna
secara bersamaan) yang dikenakan pada sistem.
4)Integrasi - Dari pengumpulan data, mengubahnya menjadi informasi berguna dan menyampaikannya kepada pengguna atau proses yang
membutuhkannya, rutinitas integrasi data menyediakan hubungan penting antara berbagai sumber dan sistem target. Arsitektur ini
muncul untuk menjawab tantangan integrasi data. Alat integrasi data generasi saat ini terdiri dari rangkaian lengkap yang mendukung
proses ekstrak, transformasi, dan pemuatan (ETL), integrasi aplikasi, integrasi berbasis cloud dan real-time, virtualisasi data,
pembersihan data, dan pembuatan profil data.
Artikel ini telah menyebutkan berbagai teknologi yang diperlukan untuk menganalisis dan merancang arsitektur analisis jaringan modern.
Teknologi ini adalah pipeline data, alat ETL, mesin streaming data, alat data mart, alat visualisasi data, dan banyak alat analitik.
– penelusuran, alat Business Intelligence (BI), OLAP, laporan Ad-hoc, alat pembelajaran mesin, dll.

C. Usulan Alur Kerja Analitik

Alur kerja analitik data analitik yang diusulkan didasarkan pada alur kerja real-time (Sangwhan Cha, Monica Wachowicz, 2015). Dalam alur kerja ini,
pemrosesan batch/analisis streaming waktu nyata melibatkan proses input data aliran secara berkelanjutan. Masukan berkelanjutan ini berjalan ke
dalam empat lapisan, yang dirancang untuk melakukan tugas seperti penyerapan data, pemrosesan data/eksplorasi data, visualisasi data, dan
penyimpanan data. Gambar 4 menunjukkan alur kerja analisis data jaringan dalam sistem yang diusulkan.
Gambar 4 Alur kerja analisis jaringan
Pengguna bisnis dan analis di seluruh organisasi jaringan terutama menggerakkan alur kerja analitik modern. Untuk memilih
platform intelijen bisnis modern yang dapat diadopsi dan diterapkan secara luas, organisasi harus mempertimbangkan nilai
platform alur kerja ini dari sudut pandang profesional intelijen bisnis, pembuat konten, dan konsumen informasi.
1)Penyerapan data dikenal sebagai tugas mengumpulkan data aliran dari berbagai sumber dan format seperti server, switch, router,
perangkat nirkabel, menara, dll.
2)Pemrosesan data atau eksplorasi data, yang melakukan akses langsung ke aliran data dalam format mentah dari berbagai sumber. Tugas ini juga dapat
mengubah data terstruktur dengan baik serta data tidak terstruktur menjadi data terstruktur yang dapat dibaca manusia menggunakan algoritme, yang
dapat melakukan agregasi, penyederhanaan, konversi, dan pengurutan.
3)Analisis data perlu mendukung pembaruan berkelanjutan terhadap visualisasi data aktivitas situs web karena terus diperbarui. Hal ini
memerlukan respons komputer segera yang dimulai dengan pemrosesan batch/streaming data mulai dari penyerapan data hingga
visualisasi data.
4)Semua data yang relevan dari jendela aliran data sekarang dapat dikirim ke browser Web untuk visualisasi menggunakan API grafis yang
mendukung pembaruan waktu nyata.
Analisis alur kerja mencakup pengumpulan informasi kualitatif dan kuantitatif, serta alat dan analisis eksklusif.
D. Model Analisis Jaringan

Model analisis jaringan yang selaras dengan arsitektur jaringan modern adalah model yang memisahkan fungsi penangkapan, mediasi, dan
penyampaian serta penyimpanan, pemrosesan, dan analisis. Fungsi ini meningkatkan jangkauan perangkat keras yang mampu menerima dan
menyimpan data jaringan. Setelah data jaringan berada pada penyimpanan seragam atau platform data besar, data tersebut dapat ditindaklanjuti oleh
jaringan, atau oleh kerangka pemrosesan perantara yang menyajikan data jaringan untuk aplikasi visualisasi dan analitik. Pandangan konseptual atau
fungsional dari model analisis jaringan yang diusulkan ditunjukkan pada Gambar 5. Pandangan konseptual dari model analisis data jaringan fokus
pada cara para pihak mendistribusikan dan mengumpulkan data dari beberapa penyedia data. Dalam model yang diusulkan, pengguna akhir
dimungkinkan untuk menerima data log terbaru dari penyedia data jaringan.
Gambar 5. Tampilan fungsional model analisis jaringan
Setelah data dikumpulkan di situs akuisisi data, data tersebut diunggah ke alat analisis, data dianalisis dan jaringan dominan yang diaktifkan
selama kinerja setiap tugas jaringan dipetakan. Mesin analisis jaringan memungkinkan pengguna/administrator menganalisis masalah ketika
masalah tersebut terjadi. Saat mendeteksi anomali, ia dapat secara proaktif mengumpulkan statistik dan data tambahan untuk memecahkan
masalah secara proaktif. Ini memberi pengguna wawasan untuk mengatasi anomali tersebut, atau mungkin mengambil tindakan perbaikan
berdasarkan kebijakan yang ditetapkan.

E. Arsitektur Analisis Jaringan

Arsitektur keseluruhan platform analitik jaringan dibagi menjadi empat lapisan, termasuk sumber data, penyimpanan data, analisis data dan
visualisasi data, dan struktur keseluruhan seperti yang ditunjukkan pada Gambar 6. Ini telah membagi elemen kunci penggunaan data
menjadi komponen fungsional : sumber data, pemrosesan dan integrasi data, analisis & agregasi data, serta antarmuka & visualisasi data.
Arsitektur analisis jaringan yang diusulkan adalah arsitektur berlapis dan mencakup analisis data, penyimpanan data, pemrosesan data, dan
sumber data. Semua lapisan ini dijelaskan di bawah ini:
1) Lapisan Analisis Data:Lapisan analisis data adalah tempat pengguna akhir (analisis jaringan, pengguna jaringan, pengambil keputusan, dan
administrator) berinteraksi dengan data yang dibersihkan dan terorganisir dalam penyimpanan data. Pengguna akhir adalah administrator
jaringan, analis lalu lintas, konsumen, agen, dll. Lapisan analitik memberi pengguna akhir kemampuan untuk menanyakan data untuk wawasan
layanan, menganalisis informasi untuk melakukan skenario bisnis hipotetis, dan mengembangkan laporan otomatis atau ad-hoc . Ini mungkin
menggunakan OLAP atau alat pelaporan dengan antarmuka pengguna grafis atau API yang mudah digunakan. Pengguna akhir bertujuan untuk
mengumpulkan dan menganalisis kumpulan data dari berbagai area jaringan. Fokus analisis data adalah pada pembelajaran mesin yang dapat
diskalakan pada data deret waktu, urutan, dan grafik. Lapisan analitik ini terdiri dari modul analisis data dasar, modul pemantauan dan analisis
jaringan, modul diagnosis jaringan, penjadwalan jaringan, dan modul pembuatan profil jaringan. Dasarmodul analisis dataadalah premis dari
semua fungsi analisis data di sebelah kanan. Ini mengubah data asli menjadi data format standar. Itumodul pemantauan dan analisis jaringan
digunakan untuk mendeteksi pengecualian yang mencurigakan di jaringan. Ini dibagi menjadi kebijakan pemantauan, peristiwa jaringan, dan
pemberitahuan pengecualian. Itumodul diagnosis jaringandigunakan untuk menemukan penyebab masalah tertentu jika ada. Ini dapat
digunakan untuk memproses dan menganalisis setiap pesan data, menghitung jalur lalu lintas pesan, dan menemukan lokasi perangkat jaringan
di mana masalah terjadi di jalur tersebut dan penyebab spesifik dari masalah tersebut. Itumodul penjadwalan jaringanadalah bagian terpenting
dari penjadwalan jaringan adalah dengan menggunakan kebijakan penjadwalan lalu lintas untuk pemecahan masalah. Itumodul profil jaringan
digunakan untuk perencanaan dan penjadwalan sumber daya jaringan kami, serta untuk akuntansi biaya produk dan pendapatan. Seluruh
lapisan analisis data didasarkan pada mesin analisis data. Ini bukan aplikasi yang berdiri sendiri, tetapi kumpulan beberapa tugas analisis data.
Pendekatan bagi pengguna akhir untuk menanyakan gudang data adalah laporan, pencarian, tindakan, OLAP, dan dasbor. Pengguna akhir sering
kali menggunakan informasi yang disimpan ke penyimpanan/gudang data sebagai titik awal untuk aplikasi intelijen bisnis tambahan, seperti
analisis bagaimana-jika dan penambangan data.
2) Dasbor:Dashboard digunakan untuk menampilkan informasi yang disimpan ke tempat penyimpanan/gudang data. Ini mengacu pada GUI yang
menampilkan sejumlah data relevan dalam jumlah terbatas dalam format singkat dan mudah dibaca. Dasbor dapat memberikan gambaran tren
secara real-time untuk fenomena tertentu atau banyak fenomena yang saling terkait erat satu sama lain. Administrator jaringan yang
memerlukan cara cepat untuk melihat informasi sering kali menggunakan dasbor. Untuk melakukan dan menampilkan analisis fenomena yang
sangat kompleks, dashboard harus dipadukan dengan alat analisis.
Gambar 6. Arsitektur analisis jaringan modern yang diusulkan

3) Alat OLAP:OLAP mungkin merupakan cara utama untuk mengeksploitasi informasi dalam penyimpanan data/gudang data. Mereka memberikan kesempatan
kepada pengguna akhir, yang kebutuhan analisisnya tidak mudah untuk ditentukan sebelumnya, untuk menganalisis dan mengeksplorasi data secara
interaktif berdasarkan model multidimensi. Pengguna OLAP dapat memulai sesi analisis kompleks secara aktif, dimana setiap langkah merupakan hasil dari
langkah sebelumnya. GUI alat ini harus fleksibel, mudah digunakan, dan efektif.
4) Laporan:Laporan ditentukan oleh kueri dan tata letak. Pendekatan ini berorientasi pada pengguna yang perlu memiliki akses rutin terhadap informasi dengan
cara yang hampir statis. Analis data dan ilmuwan mengeluarkan pertanyaan untuk membuat laporan dengan tata letak yang diinginkan.
Pengguna akhir dapat menanyakan data terkini kapan pun mereka membutuhkannya. Alat pelaporan harus dievaluasi tidak hanya berdasarkan tata letak laporan yang komprehensif
tetapi juga berdasarkan sistem penyampaian laporan yang fleksibel. Laporan dapat dijalankan secara eksplisit oleh pengguna atau dikirim secara otomatis dan teratur ke pengguna
akhir yang terdaftar melalui email dan peringatan SMS.
5) Analisis Visual:analisis visual adalah menghilangkan langkah ekstra ini dengan menyajikan informasi secara grafis. Visual Analytics dapat menangani
data dalam jumlah besar. Analis jaringan menganalisis datanya sendiri untuk membuat laporan akurat untuk manajemen, sehingga menghemat
banyak waktu dan uang.
6) Pencarian/Permintaan:Hal ini memungkinkan pengguna akhir untuk mengajukan pertanyaan mereka sendiri tentang data, tanpa bergantung pada TI untuk membuat laporan. Secara khusus, alat
tersebut harus memiliki modul semantik yang dapat digunakan kembali untuk memungkinkan pengguna menavigasi sumber data yang tersedia, metrik yang telah ditentukan sebelumnya, dan
hierarki, dan sebagainya.
7) Aplikasi dan Peringatan:Hal ini memungkinkan organisasi untuk mengembangkan dan mengirimkan konten ke perangkat seluler dalam mode penerbitan dan/
atau interaktif. Ini memanfaatkan kemampuan asli perangkat seluler dan kueri bahasa alami.
8) Integrasi Excel:Seringkali Excel bertindak sebagai alat pelaporan atau analisis. Berbagai alat Business Intelligence (BI) menyediakan
integrasi dengan Microsoft Excel, termasuk dukungan untuk format dokumen dan presentasi asli, rumus, bagan, “penyegaran”
data, dan tabel pivot.
9) Lapisan Repositori Data:Lapisan penyimpanan data dapat terdiri dari beberapa jenis database. Lapisan penyimpanan data (juga disebut lapisan
gudang data) adalah tempat data yang dibersihkan di staging area disimpan sebagai satu repositori pusat. Lapisan ini bertanggung jawab untuk
memperoleh data dari sumber data dan, jika perlu, mengubahnya ke format yang sesuai dengan cara analisis data. Lapisan penyimpanan data
berisi database dan penyimpanan data serta komponen terkait yang menyediakan sebagian besar penyimpanan data, yang mendukung
lingkungan jaringan perusahaan. Lapisan repositori data membentuk ulang data ke dalam format yang diperlukan untuk membuat keputusan
dan mengelola bisnis. Struktur database ini diwakili oleh model data konseptual, logis, dan fisik serta tipe model data (misalnya 3NF, skema
bintang/kepingan salju, tidak terstruktur, dll.) Tergantung pada bisnisnya, penyimpanan data dapat berupa gudang data, data mart, Data Danau
atau penyimpanan data. Banyak solusi dan aplikasi data menyiapkan data untuk dianalisis dan kemudian menyajikan data yang diproses dalam
format terstruktur yang dapat ditanyakan menggunakan alat analisis. Penyimpanan data analitik yang digunakan untuk melayani kueri ini dapat
berupa gudang data relasional, seperti yang terlihat pada sebagian besar solusi BI tradisional. Alternatifnya, data dapat disajikan melalui
teknologi NoSQL latensi rendah yang menyediakan abstraksi metadata pada file data di penyimpanan data terdistribusi. Lapisan ini menyediakan
layanan terkelola untuk repositori/pergudangan data berskala besar atau berbasis cloud.
10) Lapisan Pemrosesan Data:Lapisan pemrosesan data menerima data dari sumber. Jika perlu, ini mengubah data tidak terstruktur ke format yang
dapat dipahami oleh alat analitik dan menyimpan data sesuai dengan formatnya. Alat ekstrak, transformasi, dan muat (ETL) adalah alat integrasi
data yang digunakan untuk mengekstrak data dari sistem sumber, mengubah dan menyiapkan data, serta memuat ke lapisan penyimpanan data.
Arsitektur data mungkin menyimpan data terstruktur dalam RDBMS, dan data tidak terstruktur dalam sistem file khusus seperti database HDFS
atau NoSQL.
a) Ekstraksi:Dalam ekstraksi, data yang relevan diperoleh dari sumber data pada tahap ekstraksi. Ekstraksi juga dapat didorong oleh sumber.
Data yang akan diekstraksi terutama dipilih berdasarkan kualitasnya.
b) Transformasi:Transformasi adalah inti dari fase rekonsiliasi. Ini mengubah data dari format sumber operasionalnya menjadi
format penyimpanan/gudang data tertentu.
c) Memuat:Memuat ke dalam repositori data dapat dilakukan dengan dua cara: menyegarkan data dan memperbarui saja. Di dalammenyegarkan data, data
repositori sepenuhnya ditulis ulang. Penyegaran biasanya digunakan dalam kombinasi dengan ekstraksi statis untuk mengisi gudang data terlebih dahulu.
Perbarui sajaperubahan yang diterapkan pada data sumber ditambahkan ke penyimpanan data.Sebuah pembaharuanbiasanya dilakukan tanpa menghapus
atau memodifikasi data yang sudah ada sebelumnya. Di bagian atas adalah lapisan analisis data, yang bertanggung jawab untuk streaming keluaran data,
dan mendukung ekstraksi data API. Kedua fungsi ini terutama untuk menghubungkan ke sistem lain.
d) Pemrosesan aliran:Setelah menangkap pesan real-time, solusi harus memprosesnya dengan memfilter, menggabungkan, dan menyiapkan
data untuk dianalisis. Data aliran yang diproses kemudian ditulis ke sink keluaran. Pemrosesan aliran menyediakan layanan pemrosesan
aliran terkelola berdasarkan kueri SQL yang berjalan terus-menerus yang beroperasi pada aliran tidak terbatas.

e) Pemrosesan batch.Karena kumpulan data sangat besar, sering kali data harus memproses file data menggunakan tugas batch yang sudah berjalan lama untuk
memfilter, mengagregasi, dan sebaliknya, menyiapkan data untuk analisis. Biasanya, pekerjaan ini melibatkan membaca file sumber, memprosesnya, dan
menulis hasilnya ke file baru.
f) Penyerapan Pesan Waktu Nyata.Jika solusinya mencakup sumber waktu nyata, arsitektur harus menyertakan cara untuk menangkap dan menyimpan pesan
waktu nyata untuk pemrosesan aliran. Ini mungkin merupakan penyimpanan data sederhana, di mana pesan masuk dimasukkan ke dalam folder untuk
diproses. Namun, banyak solusi analitis memerlukan penyimpanan penyerapan pesan untuk bertindak sebagai buffer pesan, dan untuk mendukung
pemrosesan perluasan skala, pengiriman yang andal, dan semantik antrian pesan lainnya. Bagian dari arsitektur streaming ini sering disebut sebagai
buffering streaming.
Misalnya, pengontrol jaringan menggunakan data kebijakan yang dihasilkan oleh aplikasi untuk mengelola dan mengonfigurasi perangkat jaringan, namun yang
dibutuhkan pengguna akhir hanyalah data yang divisualisasikan. Ini akan masuk jauh ke dalam keseluruhan platform dari bawah ke atas, mulai dari sumber data
hingga kinerja analisis, pemantauan waktu nyata, diagnosis jaringan, penjadwalan cerdas, dan pembuatan profil jaringan multi-dimensi. Pembelajaran mesin.
Algoritma pembelajaran mesin memprediksi data/konten untuk meningkatkan kinerja caching jaringan. Selain itu, model pembelajaran mendalam menganalisis
lalu lintas permintaan dalam jaringan komunikasi yang mengubah pola lalu lintas mentah menjadi wawasan berharga, personalisasi pengguna, dan
pengoperasian jaringan yang dioptimalkan. Jaringan memerlukan prediksi latensi rendah secara real-time, sehingga metode pembelajaran mesin sangat
skalabel. Algoritme pembelajaran mesin mempelajari penyematan dimensi rendah untuk sistem kompleks yang direpresentasikan sebagai grafik.
11) Lapisan Sumber Data:Lapisan sumber data juga disebut lapisan pengumpulan data, yang mencakup berbagai data yang dikumpulkan dari
perangkat jaringan dan layanan bisnis. Sumber data untuk arsitektur analitik ada di mana-mana. Ini menggabungkan data terstruktur, tidak
terstruktur dan/atau semi-terstruktur yang diambil dari server Web, server Proxy, switch jaringan, router, gateway, titik akses nirkabel, menara
jaringan, dll. Variasi data yang sangat luas ini, datang dalam volume besar dengan tingkat tinggi kecepatan harus digabungkan dan
dikonsolidasikan secara mulus sehingga mesin analitik, serta alat visualisasi, dapat beroperasi sebagai satu kumpulan data besar. Data dapat
berasal dari server jaringan dan sensor, atau dari penyedia data pihak ketiga. Lingkungan analisis data dapat menyerap data dalam mode batch
atau real-time. Arsitektur analisis data modern yang diusulkan didasarkan pada arsitektur terbitkan/berlangganan dan berbasis peristiwa.
Arsitektur berbasis peristiwa terdiri dariproduser acarayang menghasilkan aliran peristiwa, dankonsumen acarayang mendengarkan acara
tersebut. Peristiwa disampaikan hampir secara real-time, sehingga konsumen peristiwa dapat segera merespons peristiwa yang terjadi. Arsitektur
berbasis peristiwa dapat menggunakan model terbitkan/berlangganan atau model aliran peristiwa. Di dalamterbitkan/berlangganan,
infrastruktur perpesanan melacak langganan. Ketika sebuah acara diterbitkan, acara tersebut dikirimkan ke setiap pelanggan acara. Setelah acara
diterima, acara tersebut tidak dapat diputar ulang, dan pelanggan baru tidak dapat melihat acara tersebut. Di dalamstreaming acara, kejadian
tersebut ditulis ke log. Acara diatur secara ketat dan tahan lama. Pelanggan acara tidak berlangganan aliran tersebut; sebagai gantinya,
pelanggan acara dapat membaca dari bagian mana pun dari aliran tersebut. Pelanggan acara bertanggung jawab untuk memajukan posisinya di
aliran.
F. Tumpukan Arsitektur Analisis Jaringan Modern

Gambar 7 menunjukkan tumpukan arsitektur analisis jaringan modern. Tumpukan tersebut memiliki lapisan analisis data, lapisan penyimpanan data,
lapisan pemrosesan data, dan lapisan sumber data. Lapisan sumber data mengumpulkan bahan mentah untuk analisis, lapisan pemrosesan
menggabungkan semuanya, dan lapisan penyimpanan data dioptimalkan dan diatur, serta lapisan analisis data mengeksekusi kueri.
Gambar 7. Tumpukan arsitektur analisis jaringan modern yang diusulkan

1) Lapisan Analisis Data:Lapisan analisis data adalah yang sebenarnya. Ia menggunakan data untuk memungkinkan keputusan berdasarkan data. Ia dapat
menjalankan kueri untuk menjawab pertanyaan yang diajukan bisnis, memilah-milah data, membuat dasbor, dan membuat visualisasi yang indah,
menggunakan salah satu dari banyak alat intelijen bisnis yang canggih. Ini memberikan jawaban atas pertanyaan bisnis dan menyediakan data yang dapat
ditindaklanjuti, yang dapat membantu bisnis. Seorang analis data atau ilmuwan data dapat menggunakan alat ini untuk mengambil data mentah dan
memindahkannya melalui jalur pipa, hingga ke alat intelijen bisnis. Beberapa contoh alat analitik & intelijen bisnis adalah Tableau, Chartio, dan Looker
2) Lapisan Repositori Data: mesin Lapisan pemrosesan data mengoptimalkan data untuk memfasilitasi analisis yang lebih efisien dan memberikan
analitik untuk menjalankan kueri. Alat penyimpanan atau gudang data optimal untuk memproses data dalam skala besar, sementara data
lake lebih cocok untuk penyimpanan, sehingga memerlukan teknologi lain untuk membantu saat data perlu diproses dan dianalisis. Analis data dan
ilmuwan data ingin menjalankan kueri SQL terhadap data, yang beberapa di antaranya memerlukan daya komputasi yang sangat besar untuk
mengeksekusinya. Beberapa contoh alat pemrosesan data adalah Apache Spark, PostgreSQL, dan Amazon Redshift.
3) Lapisan Pemrosesan Data:Untuk membuat penyimpanan data, perlu mengimpor data dari sumber aslinya ke lapisan data. Dalam banyak kasus,
untuk memungkinkan analisis, data perlu dimasukkan ke dalam alat khusus, seperti gudang data. Hal ini tidak akan terjadi tanpa saluran data.
Hal ini dapat memanfaatkan ekosistem yang kaya akan alat integrasi data, termasuk alat integrasi sumber terbuka yang kuat, untuk mengambil
data dari sumber, mengubahnya, dan memuatnya ke sistem target pilihan. Beberapa contoh alat penyerapan data adalah Stitch, Blendo, dan
Apache Kafka.
4) Lapisan Sumber Data:Di bagian paling bawah terdapat teknologi yang menyimpan banyak sekali data mentah, yang berasal dari sumber
tradisional seperti file log, sensor, dan analisis web. Penyimpanan semakin banyak dilakukan di cloud atau pada sumber daya lokal yang
tervirtualisasi. Organisasi beralih dari penyimpanan lama, menuju perangkat keras yang dikomoditisasi, dan baru-baru ini ke layanan
terkelola. Beberapa contoh sistem penyimpanan data adalah CDR. Arsitektur analisis jaringan yang diusulkan akan dipertimbangkan
untuk menggunakan skenario berikut:
A)Untuk menyimpan dan memproses data besar untuk database tradisional.
B)Untuk mengubah data tidak terstruktur atau semi-terstruktur untuk analisis dan pelaporan.
C)Untuk menangkap, memproses, dan menganalisis aliran data tanpa batas secara real-time, atau dengan latensi rendah.
Manfaat dari arsitektur analisis data yang diusulkan adalahpilihan teknologi, kinerja, skala elastis dan interoperabilitas.Pilihan teknologi dapat
memadukan dan mencocokkan layanan dan teknologi yang dikelola untuk memanfaatkan keterampilan atau investasi teknologi yang ada.
Solusi analitik jaringan memanfaatkan paralelisme, memungkinkan solusi berkinerja tinggi yang dapat menskalakan data dalam jumlah
besar. Semua komponen dalam arsitektur analisis data mendukung penyediaan perluasan skala. Komponen arsitektur analisis data
memungkinkan kami menciptakan solusi terintegrasi di seluruh beban kerja data.
Tantangan dari arsitektur analisis data yang diusulkan adalahkompleksitas, kinerja, keahlian.,Tkematangan teknologi, keamanan dan
pengelolaan.Solusi analitiknya bisa sangat kompleks, dengan banyak komponen untuk menangani penyerapan data dari berbagai sumber
data. Mungkin ada sejumlah besar pengaturan konfigurasi di beberapa sistem yang harus digunakan untuk mengoptimalkan kinerja. Banyak
teknologi analisis data yang sangat terspesialisasi dan menggunakan kerangka kerja dan bahasa yang tidak umum pada arsitektur aplikasi
umum. Banyak teknologi analisis data yang digunakan dalam analisis data terus berkembang. Teknologi yang muncul dapat membawa
perubahan dan penyempurnaan besar-besaran pada setiap rilis baru. Mengamankan akses ke data ini dapat menjadi suatu tantangan,
terutama ketika data harus diserap dan digunakan oleh banyak aplikasi dan platform. Ia mengelola aplikasi analitis, memantau, dan
menyebarkan pembaruan, dan sebagainya. Metrik digunakan untuk mendeskripsikan parameter, kinerja, dan efektivitas yang menjadi ciri
kriteria yang akan digunakan untuk mengevaluasi sistem yang diterapkan. Efektivitas adalah ukuran kinerja sistem dalam lingkungan yang
dimaksudkan (misalnya efektivitas sistem secara keseluruhan). Kinerja adalah ukuran dari satu atribut perilaku sistem yang diperoleh dari
parameternya (misalnya probabilitas identifikasi yang benar). Parameter adalah properti atau karakteristik yang nilainya menentukan
perilaku sistem (misalnya tingkat kesalahan).
G. Karakteristik Kinerja
Analisis jaringan dapat meningkatkan berbagai aspek kinerja dan pengambilan keputusan. Yaitu kecepatan/kemampuan beradaptasi, akurasi,
konsistensi/keandalan, dan transparansi. Layanan jaringan dapat mencakup satu atau lebih karakteristik kinerja yaitu kapasitas, penundaan, dan RMA.
Kapasitas adalah ukuran kemampuan sistem dalam mentransfer informasi (suara, data, video, atau kombinasinya). Beberapa istilah dikaitkan dengan
kapasitas, seperti bandwidth, dan throughput. Meskipun mereka menggunakan istilah umum kapasitas di seluruh buku ini untuk merujuk pada
kelompok karakteristik ini, mereka mungkin memilih untuk menggunakan istilah lain sebagai pengganti atau bersamaan dengan kapasitas. Delay
adalah ukuran perbedaan waktu dalam transmisi informasi melalui sistem jaringan perusahaan. Dalam pengertian yang paling mendasar, penundaan
adalah perbedaan waktu dalam transmisi satu unit informasi (frame, atau paket) dari sumber ke tujuan. Seperti

kapasitas, ada beberapa cara untuk menggambarkan dan mengukur penundaan. Ada juga berbagai sumber penundaan, seperti propagasi,
transmisi, antrian, dan pemrosesan.
RMA mengacu pada keandalan, pemeliharaan, dan ketersediaan. Keandalan adalah indikator statistik frekuensi kegagalan jaringan dan komponennya
serta mewakili pemadaman layanan yang tidak terjadwal. Penting untuk diingat bahwa hanya kegagalan yang menghalangi sistem menjalankan
misinya, atau kegagalan misi kritis, yang umumnya dipertimbangkan dalam analisis ini. Selain keandalan, ada pula kemudahan pemeliharaan.
Pemeliharaan adalah ukuran statistik waktu untuk memulihkan sistem ke status operasional setelah mengalami kesalahan. Hal ini umumnya
dinyatakan sebagai waktu rata-rata untuk perbaikan (MTTR). Untuk menggambarkan sepenuhnya kelas kinerja ini, ia menambahkan ketersediaan
pada keandalan dan pemeliharaan. Ketersediaan adalah hubungan antara frekuensi kegagalan misi kritis dan waktu pemulihan layanan.
V. KESIMPULAN
Analisis jaringan adalah sarana untuk mentransformasikan kemampuan dalam menyediakan layanan yang hemat biaya, memberikan kualitas yang berbeda
kepada pelanggan, dan merencanakan jaringan dan layanan generasi berikutnya. Analytics-as-a-Service memungkinkan klien untuk menggunakan perangkat
lunak analitik tertentu selama diperlukan, dan dapat lebih hemat biaya serta lebih hemat tenaga kerja bila dibandingkan dengan cara tradisional. Analisis
jaringan generasi mendatang yang didorong oleh kecerdasan buatan dan pembelajaran mesin menjanjikan merevolusi model manajemen infrastruktur
konvensional, menyederhanakan operasi, mengurangi biaya, dan memberikan wawasan baru. Pada artikel ini dibahas pembangunan arsitektur analisis jaringan
modern ke jaringan perusahaan. Dibahas bahwa mengukur kinerja arsitektur sehubungan dengan kasus penggunaan tertentu mungkin tidak memberikan
informasi yang masuk akal karena hasilnya bergantung pada banyak faktor. Pembelajaran Mesin adalah seperangkat teknik yang digunakan untuk memproses
data besar dengan mengembangkan algoritma dan seperangkat aturan untuk memberikan hasil yang diperlukan kepada pengguna. Oleh karena itu, pekerjaan
di masa depan diusulkan untuk membangun arsitektur analisis jaringan otomatis berbasis pembelajaran mesin yang cocok untuk pengumpulan dan analisis
aliran data skala besar dalam jaringan perusahaan.
REFERENSI
[1] Adrian Tanase, 2018. Spark on Scala: Arsitektur Referensi Adobe Analytics, 2018.
[2] Alienor, 2019. Analisis Jaringan: Apa itu, Bagaimana penggunaannya, dan siapa yang paling diuntungkan, www.plixer.com/
[3] An Bui, 2018. Tumpukan Big Data: Mendukung Data Lake, Gudang Data, dan Lainnya
[4] Andreas Dewes, 2019. Pembelajaran mesin yang aman untuk analisis jaringan.
[5] Angelov, A. Grefen, P. Greefhorst, D. 2012, Kerangka kerja untuk analisis dan desain arsitektur referensi perangkat lunak, Inf. perangkat lunak. Teknologi. 54, 417–431.
[6] Biao Lyu, 2018. Platform Analisis Jaringan Berbasis JStorm, jaringan Alibaba Cloud, https://www.alibabacloud.com.
[7] Hsinchun Chen, dkk. al., (2012). Kecerdasan dan Analisis Bisnis: Dari Big Data hingga Dampak Besar, MIS Quarterly Vol. 36(4), hal.1165-1188.
[8] BlueTC, 2018. Konsultasi Telekomunikasi, www.bluetc.es/en/solutions-services-portfolio/solutions/network-analytics-stack
[9] Celestino Güemes, 2013. Analisis Data sebagai Layanan: melepaskan kekuatan Cloud dan Big Data, kepemimpinan Ascent Thought dari Atos, Buku putih.
[10] Cisco Tetration, 2018. Lembar Data Platform Cisco Tetration, https://www.cisco.com/go/tetration
[11] Peffers, K., dkk., (2008).Metodologi Penelitian Ilmu Desain untuk Penelitian Sistem Informasi, Jurnal Sistem Informasi Manajemen, 24(3), 45-78.
[12] Kaya Yilmaz, (2013).Perbandingan Tradisi Penelitian Kuantitatif dan Kualitatif: perbedaan epistemologis, teoretis, dan metodologis, Jurnal
Pendidikan Eropa, Vol. 48(2).
[13] Go Muan Sang, Lai Xu, Paul de Vrieze, 2016. Menyederhanakan Sistem Analisis Big Data dengan Arsitektur Referensi, Konferensi Internasional tentang Perangkat Lunak,
Pengetahuan, Manajemen & Aplikasi Informasi, 370-375.
[14] Dalam Lih Ong, Pei Hwa Siew, Siew Fan Wong, 2018.Arsitektur intelijen bisnis lima lapis , Jil. 2011.
[15] Jagreet Kaur Gill, 2018. Analisis Log Otomatis menggunakan Deep Learning dan AI untuk Layanan Mikro, Ilmu Data,https://www.xenonstack.com/
[16] John Edwards, 2018. Menerapkan AI pada Analisis Jaringan, Komputasi Jaringan.
[17] Luca Relandini, Eeleonar, 2017. Jaminan dan Analisis DNA, program Koneksi Pelanggan Cisco.
[18] Melvin Greer, 2017. Inovasi yang Menginspirasi dengan Analisis Generasi Berikutnya, Ringkasan Solusi, Inovasi yang Menginspirasi dengan Analisis Generasi Berikutnya, Intel
Corporation.
[19] Merv Adrian, Arun Chandrasekaran, Adam Ronthal, 2018. Business Intelligence, Arsitektur referensi untuk big data dan analitik generasi mendatang,
www.infor.com.
[20] Microstrategy 2016. Analisis Perusahaan: Panduan teknis untuk arsitektur platform analisis perusahaan terkemuka di industri. https://
www.microstrategy.com.
[21] Analisis Jaringan, 2018. https://searchnetworking.techtarget.com/definition/network-analytics.
[22] Rosemann M, Vessey I (2008).Menuju peningkatan relevansi penelitian sistem informasi dengan praktik: Peran pemeriksaan penerapan. MIS Triwulanan
32(1),1–22.
[23] D. Jayanthi, G. Sumathi, (2016), Kerangka Analisis Streaming Real-time dengan Pendekatan Machine Learning, Prosiding Konferensi Nasional
Komunikasi dan Informatika-2016.
[24] Rachel Huang, 2011. FINAD - Menggunakan Big Data untuk Melakukan Diagnosis Jaringan dan Prediksi Anomali, Huawei Technologies Co., Ltd.
[25]Raymond Fu,2016. Arsitektur Referensi Analisis Tingkat Lanjut, https://geekatwork.wordpress.com/ 2016/08/25/advance-analytics-reference-architecture/

[26]Shuangyi Yan, dkk, 2017.Analisis Jaringan Multilayer dengan Kerangka Pemantauan Berbasis SDN, Jurnal Komunikasi & Jaringan Optik, 9(2),A271-
A279.
[27] SpotFire, 2019. https://intellipaat.com/blog/what-is-spotfire/
[28]Tom Foottit, 2018 . Saya ntr odu ci ng SkyLIGHT DataHUB IQ Service Analytics P la t untuk m, Blog, https://accedian.com.
[29] Abelló A., Samos J., Saltor F. (2006) YAM2:Model Konseptual Multidimensi yang Memperluas UML. Sistem Informasi. Jil. 31, 541–567.
[30] Jacques Bughin, James Manyika, Jonathan Woetzel, (2016). Era Analisis: Bersaing di Dunia Berbasis Data, McKinsey & Company 2016.
[31] George Dyson, 2013. Arsitektur Analisis Modern, Sejarawan sains, Laporan praktik terbaik TDWI oleh Fern Halper.
[32] Iman Samizadeh, (2018), Pengenalan singkat tentang dua arsitektur pemrosesan data—Lambda dan Kappa untuk BesarData, https://towardsdatascience.com/.

Lihat statistik publikasi

Modern Network Analytics Architecture Stack To Enterprise Networks - En.id

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Modern Network Analytics Architecture Stack To Enterprise Networks - En.id

Diunggah oleh

Hak Cipta:

Format Tersedia

Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

Arsitektur Analisis Jaringan Modern Tumpukan ke Jaringan Perusahaan

Artikel· April 2019

Pengguna telah meminta penyempurnaan file yang diunduh.

Arsitektur Analisis Jaringan Modern Ditumpuk

A. Pentingnya Analisis Jaringan

©IJRASET: Semua Hak Dilindungi Undang-undang 263

Gambar.1. Arsitektur jaringan perusahaan

©IJRASET: Semua Hak Dilindungi Undang-undang 263

II. LATAR BELAKANG TEKNOLOGI – TERBARU

©IJRASET: Semua Hak Dilindungi Undang-undang 263

B. Platform Analisis Jaringan

Gambar 2. Diagram blok platform analisis jaringan.

C. Prinsip Kerja Analisis Jaringan

©IJRASET: Semua Hak Dilindungi Undang-undang 263

D. Aplikasi Analisis Jaringan

E. Pembelajaran Mesin dan Analisis Jaringan

©IJRASET: Semua Hak Dilindungi Undang-undang 263

G. Arsitektur Analisis Jaringan

H. Arsitektur Referensi Analytics

©IJRASET: Semua Hak Dilindungi Undang-undang 263

Gambar 3. Arsitektur referensi analitik

I. Arsitektur Referensi Analisis Modern

©IJRASET: Semua Hak Dilindungi Undang-undang 264

III.TINJAUAN PUSTAKA DAN METODOLOGI

©IJRASET: Semua Hak Dilindungi Undang-undang 264

©IJRASET: Semua Hak Dilindungi Undang-undang 264

Kelompok Sungai kecil Data

2 Kerangka pemantauan berbasis SDN Ya Ya Banyak Berkumpul paket Dan optik

4 Analisis jaringan berbasis JStorm [6] Ya Ya Banyak Aliran data multidimensi

IV.TUMPUKAN ARSITEKTUR ANALITIK JARINGAN MODERN

©IJRASET: Semua Hak Dilindungi Undang-undang 264

B. Faktor Kualitas & Persyaratan

©IJRASET: Semua Hak Dilindungi Undang-undang 264

C. Usulan Alur Kerja Analitik

Gambar 4 Alur kerja analisis jaringan

D. Model Analisis Jaringan

Gambar 5. Tampilan fungsional model analisis jaringan

©IJRASET: Semua Hak Dilindungi Undang-undang 264

E. Arsitektur Analisis Jaringan

Gambar 6. Arsitektur analisis jaringan modern yang diusulkan

©IJRASET: Semua Hak Dilindungi Undang-undang 264

akhir yang terdaftar melalui email dan peringatan SMS.

hierarki, dan sebagainya.

©IJRASET: Semua Hak Dilindungi Undang-undang 264

F. Tumpukan Arsitektur Analisis Jaringan Modern

Gambar 7. Tumpukan arsitektur analisis jaringan modern yang diusulkan

©IJRASET: Semua Hak Dilindungi Undang-undang 264

©IJRASET: Semua Hak Dilindungi Undang-undang 264

©IJRASET: Semua Hak Dilindungi Undang-undang 265

©IJRASET: Semua Hak Dilindungi Undang-undang 265

Anda mungkin juga menyukai