Bài viết này do AI tạo ra, có thể mắc sai sót.
Phiên Technical Session 2 tại APNIC 62 cho thấy mạng phục vụ AI không chỉ cần nhiều băng thông hơn. Nhà vận hành đang đồng thời đổi kiến trúc data centre, dùng tự động hóa có giám sát và đưa dữ liệu vận hành vào các mô hình dự báo để xử lý quy mô lớn hơn.
Thiết kế spine-leaf vẫn dựa vào các đường equal-cost và kiểm soát oversubscription. Với tầng core, tỷ lệ 1:1 là mục tiêu để tránh nghẽn; tại edge có thể chấp nhận oversubscription tùy workload. Một ví dụ interconnect ba spine full-mesh đạt hai hop giữa các data centre và phân phối traffic giữa ba spine để duy trì mức sẵn sàng “five nines”.
Điểm nghẽn mới không chỉ là port hay line card 100/400Gbps. Khi AI workload tăng, công suất điện có thể quyết định vị trí đặt workload; mạng phải theo được vị trí đó. Vì vậy, kế hoạch capacity cần gắn với cả power, latency liên vùng và fan-out của ứng dụng.
Các use case được nêu gồm tự động hóa tác vụ, reconfiguration động, correlation sự kiện, digital twin và dự báo. MCP có thể làm lớp giao tiếp chuẩn giữa agent với công cụ vận hành, API, database và thiết bị đa hãng; điều này giảm số tích hợp điểm-điểm.
Tuy vậy, LLM có thể hallucinate, lộ credential hoặc mở rộng blast radius của một thay đổi sai. Dùng RAG cập nhật, log/audit đầy đủ, quyền tối thiểu, phê duyệt thay đổi và digital twin trước production là rào chắn bắt buộc. Agent nên bắt đầu từ audit, phân loại alarm và đề xuất MOP; không nên tự ý push cấu hình diện rộng.
Ví dụ được trình bày xử lý mạng có 10 triệu endpoint và khoảng 10 triệu alarm. Hệ thống gom alarm thành event, xếp mức nghiêm trọng theo ảnh hưởng khách hàng, rồi dùng lịch sử outage để xếp hạng port hoặc node cần kiểm tra trước.
Với ONT/PON, mô hình báo cáo 7,5% port thuộc nhóm có lịch sử lỗi lặp lại và hit rate 74% trên các port được review. Ở node GPON, 5,8% được xếp high-risk với độ chính xác dự báo được báo cáo là 65%. Các số liệu này là kết quả trình bày tại hội nghị, không phải benchmark độc lập; đội vận hành cần test trên telemetry và KPI của chính mình trước khi áp dụng.
Geofeed theo RFC 8805 liên kết prefix IP với mã quốc gia, vùng và thành phố. Dữ liệu này giúp dịch vụ Internet định tuyến trải nghiệm theo địa lý đúng hơn, nhưng không phải tọa độ chính xác. Với anycast hoặc địa chỉ hạ tầng, dùng giá trị không định vị có thể phù hợp hơn là gắn một thành phố sai.
LLM có thể kiểm tra thiếu region cho các tên thành phố trùng nhau, sai mã ISO hoặc lạm dụng mục không định vị. Nên đưa kiểm tra này vào quy trình IPAM và CI trước khi public geofeed, đồng thời giữ review của người hiểu allocation thực tế.
Tin đáng chú ý vì nó nối ba lớp thường bị tách rời: fabric vật lý, telemetry vận hành và chất lượng dữ liệu Internet. AI làm tăng lưu lượng east-west, mật độ port và nhu cầu thay đổi nhanh; vì thế chỉ mua thêm băng thông không đủ.
Với ISP, doanh nghiệp có GPON hoặc homelab mở rộng, bước thực tế là chuẩn hóa inventory/telemetry trước, xác định action nào được agent đề xuất và action nào phải có phê duyệt, rồi đo tỷ lệ false positive. Với data centre, capacity plan nên thêm chỉ số power headroom, ECMP path utilization và thời gian phục hồi khi mất link.
Tổng hợp từ bài tường thuật kỹ thuật của APNIC về phiên AI in Networks tại APNIC 62.
