در سازمان‌های مدرن، سیستم‌های متصل و سرویس‌های دیجیتال ستون فقرات عملیاتی شرکت‌ها هستند. هرگونه اختلال در این زیرساخت‌ها می‌تواند اثرات مالی، اعتباری و عملیاتی شدیدی داشته باشد. به همین دلیل، موضوع مشاهده‌پذیری (Observability) اکنون به یک اولویت در سطح مدیریت ارشد تبدیل شده است تا سازمان‌ها بتوانند در سریع‌ترین زمان ممکن، علت ریشه‌ای (Root Cause) حوادث را شناسایی کرده و زمان بازیابی را کاهش دهند.
محدودیت‌های مدل سنتی MELT
بسیاری از سازمان‌ها برای پایش زیرساخت‌های خود به مدل سنتی MELT (شامل Metrics, Events, Logs, and Traces) متکی هستند. با این حال، این مدل در مواجهه با پیچیدگی‌های فعلی زیرساخت‌های توزیع‌شده دچار مشکل است:
- Metrics: تنها نشان می‌دهند که تغییری در طول زمان رخ داده است.
- Events: زمان وقوع تغییر را مشخص می‌کنند.
- Logs: گزارش می‌دهند که چه اتفاقی در یک زمان خاص افتاده است.
- Traces: درخواست‌ها را در سرویس‌های مختلف دنبال می‌کنند، اما در نقاط بدون ابزارگذاری (Un-instrumented) یا وابستگی‌های شخص ثالث، کور هستند.
این نقص‌ها باعث می‌شود که حتی با وجود حجم بالای داده، مدیران SOC و مهندسان امنیت نتوانند زنجیره کامل اتفاقات را بازسازی کنند و در تشخیص علت ریشه‌ای دچار مشکل شوند.
تأثیر هوش مصنوعی بر نیاز به داده‌های دقیق
با ورود AIOps و اتوماسیون‌های مبتنی بر هوش مصنوعی، نیاز به داده‌های با کیفیت (Forensic-grade data) افزایش یافته است. سیستم‌های خودکار تصمیمات خود را بر اساس داده‌های موجود می‌گیرند؛ اگر این داده‌ها نمونه‌برداری شده (Sampled) یا ناقص باشند، هوش مصنوعی ممکن است تصمیمات نادرست بگیرد یا همبستگی‌های غلط ایجاد کند.
در واقع، هرچه سطح خودکارسازی (Autonomy) بالاتر رود، نیاز به داده‌های شبکه با دقت بالا و بدون نقص بیشتر می‌شود تا از «مقیاس‌بندی عدم قطعیت» جلوگیری شود.
رویکرد MELT+ و تحلیل بسته‌های شبکه
برای پر کردن این شکاف، استفاده از داده‌های ترافیک شبکه به عنوان منبع حقیقت (Authoritative Source) پیشنهاد می‌شود. با استفاده از تکنیک‌های Deep Packet Inspection (DPI)، می‌توان ترافیک واقعی شبکه را به متادیتای غنی تبدیل کرد که به مدل MELT اضافه می‌شود (رویکرد MELT+).
مزایای این رویکرد عبارتند از:
- شفافیت کامل: مشاهده تعاملات واقعی بین سرویس‌ها، فارغ از اینکه آیا اپلیکیشن ابزارگذاری شده است یا خیر.
- کاهش هزینه‌ها: تبدیل بسته‌ها به متادیتای هوشمند در نقطه کپچر، حجم داده‌های ذخیره‌سازی را کاهش می‌دهد.
- امنیت ارتقایافته: در حالی که مهاجمان می‌توانند لاگ‌های سیستم را تغییر دهند، نمی‌توانند بسته‌هایی (Packets) را که قبلاً از شبکه عبور کرده‌اند، تغییر دهند. این امر شناسایی Lateral Movement (حرکت عرضی) را در شبکه تسهیل می‌کند.
