この記事は、HELP NET SECURITYGenAIのネットワーク・アクセラレーションには、事前のWAN最適化が必要です。 に掲載されたものです。自然言語処理、画像生成、その他の複雑なタスクに使用されるGenAIモデルは、多くの場合、データセンターやエッジデバイスを含む分散ロケーション間で転送する必要がある大規模なデータセットに依存しているため、大規模なGenAIアプリケーションの堅牢な展開にはWAN最適化が不可欠です。
WAN最適化は、データ転送速度の向上、待ち時間の短縮、ネットワークリソースの利用の最適化により、AIアクセラレーションを大幅に強化し、応答時間の短縮を実現します。 イムグ

図1：GenAIのネットワーク・アクセラレーションを支えるWAN最適化

待ち時間の短縮 GenAIアプリはリアルタイムまたはそれに近いデータ処理を必要とします。
TCP最適化とキャッシュ技術を使用して、データ転送時間を短縮し、レイテンシを低減します。
オーバーヘッドを削減するためにプロトコルを最適化することで、アプリケーションの高速化を実現します。例分散AIシステムは複数のリソースからデータを収集し、データの集約と処理を高速化 します：データ転送の高速化：ディープラーニングモデルなど、大規模なデータセットに依存するAIアプリケーションでは、ストレージ、処理ユニット、分析ツールの間で膨大な量のデータを移動する必要があるため、データ転送の高速化が極めて重要です。
プロトコルの最適化により、データ転送をより効率的に行うことができます。
また、並列化により、データ転送を並列ストリームに分割することでスループットを最大化します。例WAN最適化により、データセンター間のデータ転送を高速化し、全体的なトレーニング時間を短縮できます ：帯域幅効率の向上：AIインフラストラクチャのコンポーネント間で大規模なデータセットを頻繁にやり取りするため、AIワークロードは帯域幅を大量に消費します。
データ圧縮では、送信前にデータサイズを縮小することで、帯域幅の消費を最小限に抑えます。
重複排除を有効にして、固有のデータチャンクを送信することで冗長なデータ転送を排除します。例データ圧縮と重複排除により、AIモデルのトレーニング段階（ストレージからコンピュートノードへのトレーニングデータ）で転送する必要があるデータサイズを大幅に最適化し、トレーニングプロセスを高速化できます ：AIアプリケーションは多くの場合、一貫した信頼性の高いデータアクセスを必要とします。
ネットワークの中断やパケットロスは、AIのパフォーマンスを低下させ、モデルの不正確さにつながることさえあります。
フォワードエラー訂正を実装することで、パケットロスの影響を軽減し、データの整合性を確保します。
フェイルオーバーとロードバランシングにより、トラフィックを複数のパスに分散し、フェイルオーバー機能を提供することで、ネットワークの問題発生時の接続性を維持します。例例：リアルタイムのデータフィードに依存するAI主導の金融取引システムでは、信頼性の向上により、継続的かつ正確なデータ入力が保証され、取引アルゴリズムの整合性が維持されます ：ネットワークリソースを効率的に使用することで、運用コストを削減し、データ待機中に計算リソースがアイドリングしないようにすることで、AIシステムの全体的なパフォーマンスを向上させることができます。
トラフィック・シェーピングとQoS（Quality of Service）により、重要なAIデータ・トラフィックに優先順位を付けることで、重要な業務が遅延しないようにします。
ネットワーク・モニタリングとアナリティクスを導入して、ネットワークのパフォーマンスと使用パターンに関する洞察を得て、リソースの割り当てを最適化します。 例コンピュートリソースがオンデマンドでプロビジョニングされるクラウドベースのAIサービスでは、WANを最適化することで、これらのリソースが効果的に利用され、アイドル時間と運用コストが削減されます。 WAN最適化は、GenAIアプリケーションの高速化に役立つ可能性があります：

  • よりソースに近いところでデータを処理するためにAIでますます使用されるようになっているエッジ・コンピューティング・ソリューションのパフォーマンスを強化します。
  • クラウドベースのAIサービスへのアクセスを改善し、オンプレミスとクラウド環境間の効率的なデータ転送と処理を実現します。
  • 効率的なリモート処理と、集中管理されたAIモデルやデータへのアクセスを可能にし、分散型AIの開発と展開をサポートします。
  • AIワークロードの需要の変化に対応するため、動的に割り当てられるネットワークリソースを効率化します。
  • AIデータの安全な交換に不可欠な、転送中のデータを保護する暗号化をサポートしています。
  • ネットワークインフラの負荷を軽減し、その寿命を延ばし、GenAIアプリケーションの実行に関連するメンテナンスコストを削減します。

サービスとしての統一されたSASEによる救済

WAN最適化のプロセスには、いくつかの重要な手順があります：

  • 既存のネットワーク・インフラとAIのワークロードを包括的に評価し、ボトルネックと改善が必要な領域を特定します。
  • データ圧縮・重複排除技術の導入により、伝送データ量を大幅に削減。
  • エッジコンピューティングをWANインフラに統合し、AI処理能力を強化。

サービスとしてのunifiedSASEを使用することで、企業はAIワークロードの最適化を安全に実装し、セキュアなWebゲートウェイ、ファイアウォール、ゼロトラストネットワークアクセスなどのネットワークセキュリティ機能とWAN機能を組み合わせることができます。
また、Unified SASEは動的なスケーリングを可能にし、AIワークロードが必要に応じて適切な処理能力にアクセスできるようにします。
サービスとしてのunified SASEを使用したネットワークの継続的な監視と適応的な管理により、最適なパフォーマンスを維持し、新たに発生した問題に迅速に対処し、変化するAIワークロードの需要に応じてリソースの割り当てを調整することができます。
この包括的なアプローチにより、企業は堅牢なセキュリティとコンプライアンスを維持しながら、AIシステムのパフォーマンスを最大限に高めることができます。

結論

WAN最適化により、企業は既存のネットワークリソースを最大限に活用し、高価なインフラをアップグレードする必要性を減らすことで、コスト削減を実現できます。
これは最終的に、先進的なGenAIテクノロジーの持続可能な成長と展開をサポートします。