智能邊緣平臺Akamai的靈感產生于麻省理工學院Tim BernersLee教授與Akamai公司首席執(zhí)行官Tom Leighton博士的一次談話。Akamai公司首席技術官James Kretchmar解釋了這是如何產生互聯(lián)網分散模式的想法，該模式目前已部署在1500多個網絡中，旨在提高性能。

Kretchmar說，“要在網絡上獲得良好的性能，將來可能遇到這些困難，并且原有架構將出現(xiàn)服務器的瓶頸和擁塞過載的情況。”因此Leighton博士和他的學生們開始研究這個問題，他們開發(fā)了解決這些問題的算法，這就是現(xiàn)在人們所知道的Akamai平臺的基礎。

這些問題的本質是，如果企業(yè)有一個非常受歡迎的網站，并且全球最終用戶都試圖訪問該網站，則該內容必須通過許多不同的網絡傳播才能到達其他國家的最終用戶，這帶來訪問緩慢的問題。

關于全球互聯(lián)網可能不明顯的一件事是這些網絡之間存在瓶頸，如果其網站內容訪問量很大，將會對托管服務器以及周圍的網絡造成負擔。這就是驅動模型的原因，該模型是一個高度分布式的平臺，在該模型中，如果最終用戶請求一件內容，他們將被發(fā)送到距離他們更近的服務器上，這避免了這些網絡瓶頸，從而提高了性能，并且意味著最終用戶不必全部發(fā)送到一臺集中式服務器?！?/p>

人工智能和機器學習的影響

Kretchmar對人工智能（AI）和機器學習（ML）如何影響全球互聯(lián)網的性能以及人工智能隨著全球互聯(lián)網不斷發(fā)展如何幫助網絡管理進行了闡述，

他說：“我們使服務工作的一部分方式是實時了解全球互聯(lián)網的性能，并通過利用全球互聯(lián)網上最佳的路徑以及不斷變化的路徑來向用戶提供內容。機器學習和類似的技術可以幫助我們弄清全球互聯(lián)網的結構以及歷史和現(xiàn)在不同路徑的不同特征。

現(xiàn)在還有一個挑戰(zhàn)，就是現(xiàn)在有太多的機器人試圖對網站進行惡意攻擊。他們想竊取數據并試圖破壞登錄憑據，在這種情況下，機器學習非常重要，以便弄清哪些是機器人，哪些是人類。

但是，現(xiàn)在的學習策略已經變得越來越復雜，以至于這些策略實際上并不是一定要嘗試識別是否是一臺機器，而要確定是否是一個真正的人類。我們可以看看來自真實人類的交互是什么樣的情形，這可以說明很多不同的因素，例如如果是移動設備，并且他們通過手機輸入數據，那么它會移動位置，也可以在桌面設備上進行類似的檢查?！?/p>

5G和物聯(lián)網

展望未來十年的發(fā)展，Akamai公司首席技術官預計人工智能將被用于更好地利用新興的5G技術和物聯(lián)網的數據。

他說，“將有越來越多與互聯(lián)網相關的數據，例如5G將有助于實現(xiàn)物聯(lián)網，而挑戰(zhàn)將是利用不斷增長的數據來完成某些事情。例如，我們對智能路由系統(tǒng)所做的工作是從基本方法中學習數據而來，并且變得越來越復雜，但是當我們觀察即將發(fā)生的事情時，更多網站采用高清視頻，以及更多需要更好網絡連接性的最終用戶。這將使挑戰(zhàn)變得更加復雜，因此我們將需要更智能的算法來處理數據，以找出如何提供最佳性能的方法?！?/p>

防范威脅因素

Kretchmar預測的另一個與人工智能相關的趨勢涉及保護網站免受不斷發(fā)展的網絡攻擊。

他解釋說：“如今網絡的生態(tài)系統(tǒng)變得越來越復雜，其中包括不斷發(fā)展的網絡攻擊。惡意攻擊者一直在尋找一種更有創(chuàng)造力的、更智能的方式進行攻擊，以嘗試利用在線提供的系統(tǒng)或服務，因此機器學習技術涉及其中。

我們最近推出了一款針對現(xiàn)代網站工作方式的產品，即他們通常會吸收大量第三方內容來使網站正常工作，因此，如果訪問大型旅游公司或零售網站，他們的網站是通過從不同地方提取大量內容以使其主要站點正常運作而構建的。

網絡攻擊者所做的就是變得有創(chuàng)造力，他們將損害第三方的一些內容，第三方將部分數據包含在主要站點的交付中。在這里，網絡攻擊者可能會植入代碼，例如試圖竊取信用卡信息，而主要站點的所有者并沒有真正意識到第三方受到了威脅，并在其站點中也包含惡意代碼。

現(xiàn)在，我們開發(fā)的是與其對抗的一種方法，通過了解請求流并自動檢測惡意行為是否存在，從而確定該網站是否正在發(fā)生惡意行為。這樣一來，網站所有者就可以收到警報并采取適當的措施。”
責編AJX