F5 2024年技术展望

作者：Lori MacVittie

人们很容易忽视市场释放的信号，只是简单地宣称生成式AI是今年备受瞩目的技术和趋势。

毫无疑问，生成式AI正在对市场产生重大乃至颠覆性的影响，并进而影响每一家企业。我们承认这一点，但也认识到没有必要再反复强调。大家都清楚，需要在业务、产品、服务和工作流中采用并融入AI，因此，没有必要再向早已认同这一点的众多受众反复宣讲。

需要指出的是，生成式AI掩盖了另一个独立但同样重要的趋势。这个趋势没有一个朗朗上口的名称，即安全与可观测性的融合。

我们对此并不意外：“85%的技术人员表示，可观测性现已成为其组织的战略重点”（AppDynamics ）。在深入研究企业的数字化成熟度时，我们发现，即使是数字化成熟度较高的组织，也面临可见性不足和数据孤岛问题。由于所需的数据点分散在不同的数据源中，数据孤岛往往会导致可见性不足。这些组织提到的专业知识不足也可能是原因之一。

安全的重要性不言而喻。从董事会到服务器机房，安全始终是各层面面临的主要挑战和关注重点。无论高管对经济前景持悲观还是乐观态度，安全投资始终享有较高优先级。

事实上，2023年下半年，我们看到生成式AI对这两大汇聚趋势产生的强大吸引力形成了一股旋涡，安全领域正迅速被卷入其中，这就是AISecOps。

安全与可观测性的融合

在整个2023财年，安全和可观测性领域的活动各自持续增加，同时也在逐步融合。具体而言，可观测性公司已开始提供安全服务，而安全公司则通过收购或自主构建，获得了相当可观的可观测性能力，以提供更全面的可见性。

或许并不令人意外，这一融合的下一步是集成AI。

88%的CIO表示，可观测性与安全实践的融合对于构建DevSecOps文化至关重要；90%的CIO表示，扩大AIOps的应用将是规模化推广这些实践的关键（Dynatrace）。

我们看到，这一演变已在市场中显现。AI，尤其是生成式AI，推动了安全和可观测性领域的大量活动。其影响在2023年下半年进一步加速，目前尚无放缓迹象。

可观测性与安全的融合已成为现实，而二者与AI的集成也即将实现。

这是因为安全和AI都高度依赖可观测性。也就是说，两者都需要大量数据，才能提供有意义、可付诸行动并能创造业务价值的洞察。在运维和安全市场，如果没有强大的运营数据（遥测数据）存储库，AI便无法发挥作用。

反之，安全和常规运营都需要海量遥测数据，如果没有AI，这些数据将无法产生有意义的结果。事实上，市场日益认为，缺少配套安全数据的性能和可用性数据并非理想选择。超过半数（56%）的技术人员正在寻找能够整合应用可用性、性能数据与安全数据的可观测性解决方案（AppDynamics）。他们希望找到一个满足运营需求的“单一事实来源”，为系统化的AI解决方案提供数据，以管理多云和混合环境。

因此，可观测性是AI和未来安全产品的基础能力。

AISecOps的兴起

我们预计，AISecOps实践将在2024年逐步成形，并成为未来的发展方向。

这种融合不仅会引入传统的AI和机器学习方法，通过分析实时流量，更快速、更高效地检测并消除威胁，还将彻底改变安全专业人员与威胁数据的交互方式。因此，AI也被纳入其中。

但或许更值得关注的是支撑可观测性、安全和AI的技术。正是这些技术催生了新的能力和用例，并推动我们以远超以往的速度走向融合。

这些技术包括：

1. eBPF

eBPF（扩展伯克利数据包过滤器）是一种轻量级的Linux内核级机制，既可作为遥测数据的采集点，也可作为控制点。它无需修改内核或重新编译，因此得到广泛应用，并可顺畅地为系统引入采集和控制功能。eBPF主要用于从系统中采集遥测数据，但由于能够执行一组有限的功能，也可用作控制点。

例如，它可以阻止可疑数据包传播，也可以充当一种数据包级路由器。正是这种双重特性，使该技术在可观测性（采集）和安全（控制）市场中日益受到重视。与传统的基于代理的技术相比，eBPF可提供更丰富的采集点，包括传统技术无法提供或因成本过高而难以实现的采集点，从而支持分析。eBPF有助于实现可观测性和安全功能。

2. API

2023年，API（应用程序编程接口）在安全和可观测性市场中的重要性日益凸显。API可用作端点，以调用逻辑、执行任务和启动流程。虽然API与应用程序端点（URI）有许多共同特征，但其独有特征也带来了特殊的安全和运维挑战。此外，API还广泛用于实现运维任务和流程的自动化。因此，API不仅是与面向客户的应用程序相关的业务问题，更是整个企业需要系统性关注的问题。API是实现自动化和可观测性的关键推动因素。

3. GraphQL

GraphQL是一种API查询语言，也是一种运行时，用于针对数据执行这些查询。GraphQL允许客户端请求所需的特定数据，并以可预测的格式接收响应，从而减少数据的过度获取或获取不足。随着API的使用量和依赖程度不断增加，GraphQL也日益普及，而各组织在API治理和管理方面正面临挑战。GraphQL还可以支持更直接的数据访问，使数据与传统业务逻辑一样，成为应用架构中的一等公民。与API一样，GraphQL也带来了必须应对且需要可观测性的新安全挑战。

4. DPU

数据处理单元（DPU）是一种专用硬件组件，旨在分担并加速原本由中央处理器（CPU）执行的数据处理任务。DPU与图形处理器（GPU）类似，后者通过专注执行特定计算任务，为高级加密技术和出色的游戏体验提供支持。DPU针对数据移动、数据转换和数据管理任务进行了优化，使CPU能够专注于通用计算，从而提高整体系统效率。DPU可以提升数据密集型应用的性能、减少系统瓶颈并降低功耗。DPU正越来越多地用于现代数据中心架构、边缘计算和AI/ML工作负载。在这些场景中，高效处理海量数据对于性能和可扩展性至关重要。

这四项技术共同推动可观测性、安全性以及生成式AI与传统AI融合能力的发展。随着各组织逐步采用AIOps，并推动其与安全融合，我们预计这四项技术在2024年的采用率和使用量都将进一步提升。

并非只有F5计划利用AI，尤其是生成式AI。F5的使命是让应用交付和安全变得“极其简单”。事实上，要让此类技术的部署和运维变得极其简单，关键在于整合并应用各种形式的AI。我们正在积极探索新的方式，将传统AI（例如为机器人和欺诈检测技术提供支持的模型）与生成式AI融入其中。

但我们也认识到，要实现这一目标，就需要投资于支撑其成功的技术。因此，我们协助成立了OPI（开放可编程基础设施）项目，以加快DPU的采用，并加大对开源领域的投入和支持力度开源。这也是我们不断拓展创新工作的原因，致力于融入各种形式的AI，以增强和扩充我们的产品与服务。

我们认为，AI将推动技术演进，并把自动化能力提升到新的水平，从而提高各类岗位的生产力和效率，尤其是负责交付和保护数字业务所依赖的应用及API的岗位。