Die nächste Etappe für Anwendungen: Mehrwert aus einem Meer von Daten schöpfen

Ken Arora

„Daten sind das neue Öl“ oder „Daten sind das Schmiermittel der digitalen Wirtschaft.“ Wenn es Ihnen wie mir geht, haben Sie diese Aussagen – oder vielleicht sogar die eher nach Business School klingende Formulierung „Monetarisierung von Datenabgasen“ – vermutlich schon so oft gehört, dass sie zu Klischees geworden sind. Doch wie alle guten Klischees beruhen auch sie auf einer grundlegenden Wahrheit – oder in diesem Fall auf zwei sich ergänzenden Wahrheiten. Die erste besteht in der Erkenntnis, dass die bei normalen Betriebsabläufen anfallenden Daten tatsächlich einen verborgenen Wert besitzen. Die zweite, damit zusammenhängende, aber oft unerwähnte Wahrheit lautet, dass die aufwendige Erschließung dieses verborgenen Werts ein mehrstufiger Prozess ist, der jedoch natürliche Entwicklungs- und Reifephasen durchläuft.

Betrachtet man das Ganze aus einer übergeordneten Perspektive, ist das Konzept, Daten aus betrieblichen Abläufen zu nutzen, um daraus geschäftlichen Mehrwert zu ziehen, keineswegs neu. Branchen, die auf die Optimierung ihrer Logistik angewiesen sind – etwa der Lebensmittelhandel und Lieferdienste –, haben dieses Konzept schon lange verstanden und übernommen. Auch der moderne Unternehmenstrend zur „digitalen Transformation“ ist eine Verallgemeinerung dieser Idee, die in der Regel zunächst auf interne Geschäftsprozesse und Arbeitsabläufe angewendet wird. Bemerkenswerterweise vollzieht sich im Bereich der Anwendungen und Anwendungsdienste eine vergleichbare Entwicklung. In diesem Artikel möchte ich darauf eingehen, wie die Entwicklung von Anwendungen und Anwendungsdiensten mit dem übergeordneten Megatrend der Wertschöpfung aus Daten interagiert und harmoniert, wo diese Symbiose heute steht und wohin sie sich in naher Zukunft entwickeln wird.

Schritt 1: Erfassen und melden

Diese Reise beginnt mit der Erfassung von Daten. Dabei ist es hilfreich, sich Daten als Treibstoff für das System vorzustellen: Ohne Treibstoff können die Motoren, die die eigentliche Arbeit leisten, nicht angetrieben werden. Oberflächlich betrachtet scheint dies bereits eine vollendete Tatsache zu sein, da Lösungen für Anwendungsdienste eine Fülle von Ereignissen und Statistiken für Sicherheit, Zuverlässigkeit, Leistungsmanagement und Orchestrierung bereitstellen. Doch die Daten sind häufig unstrukturiert, die Syntax ist uneinheitlich und die Semantik oft ad hoc. Ein einfaches, aber häufiges Beispiel: Wie wird das Konzept der Zeit in Ihren Daten dargestellt? Selbst etwas konzeptionell so Einfaches wie ein Zeitstempel wird üblicherweise auf vielerlei Arten dargestellt. Dies verdeutlicht die Notwendigkeit einer Lingua franca, also einer einheitlichen Darstellung grundlegender „Atome“, die Ereignisse und Statistiken beschreiben. In der Fachsprache bezeichnen wir dies als „Datenaufnahme“ (Data Ingestion), die auf einem konsistenten Datenschema basiert und bei Bedarf Adapter bzw. Übersetzer nutzt. Dieser Bedarf war historisch gesehen einer der wichtigsten Faktoren für das Wachstum und den Nutzen von SIEM-Anbietern. Sie schufen das benötigte standardisierte Vokabular, um über eine Vielzahl punktueller Sicherheitslösungen hinweg eine ganzheitliche Sicht auf die Sicherheit zu ermöglichen. Die Möglichkeit, als Ergebnis eine integrierte Darstellung der Daten zu erhalten – einen strukturierten und ganzheitlichen Augenzeugenbericht darüber, was gerade geschieht und was in der Vergangenheit geschehen ist –, entspricht der Phase dieser Reise, in der sich der Großteil der Branche heute befindet. Im heutigen Anwendungsökosystem zeigt sich dies vor allem in den Marktsegmenten SIEM und APM.

Schritt 2: Verdichten und beschreiben

Der nächste Schritt besteht darin, die Augenzeugenberichte auszuwerten: Gemeinsamkeiten zu erkennen, die Daten zu beschreibbaren Mustern zu verdichten und Anomalien zu identifizieren. Aufgrund der großen Datenmenge werden Menschen bei dieser Tätigkeit in der Regel von Computern unterstützt oder ihre Fähigkeiten durch diese erweitert. Diese Unterstützung kann in Form fortschrittlicher, häufig unüberwachter statistischer Klassifikationsverfahren erfolgen, die mitunter durch eine von Menschen gesteuerte Datenexploration und -visualisierung ergänzt werden.

Ein Beispiel aus dem Bereich der DoS-Abwehr ist die Visualisierung der geografischen Herkunft des eingehenden Datenverkehrs. Sie wird häufig eingesetzt, um schädlichen Datenverkehr zu erkennen, der aus einer kleinen Gruppe von Ländern stammt. Ein weiteres Beispiel sind Tools zur Analyse des Nutzerverhaltens („UBA“), die die Merkmale menschlichen Verhaltens denen des Verhaltens von Bots gegenüberstellen. Diese Lösungen ermitteln häufig mithilfe statistischer Analysen die Wahrscheinlichkeit, mit der eine Webinteraktion von einem Menschen stammt.

Diese Phase der Entwicklung – „Verdichten und Beschreiben“ – stellt eine Weiterentwicklung des vorherigen Schritts „Sammeln und Berichten“ dar. Sie setzt nach wie vor grundlegend einen großen, strukturierten Datenbestand voraus, auf den die Analyse angewendet werden kann. Wie bereits erwähnt, bildet dieser Ansatz die Grundlage für einige der neueren, wenn auch eng fokussierten Einzellösungen für die Anwendungssicherheit.

Schritt 3: Schlussfolgern und Vorhersagen

Der dritte Schritt auf diesem Weg besteht darin, über die einfache Analyse des „Verdichtens und Beschreibens“ hinauszugehen und tiefere analytische Schlussfolgerungen zu ziehen, die zu Vorhersagen und Prognosen über erwartete zukünftige Beobachtungen führen. Dadurch wird die Lösung über einen rein reaktiven Ansatz hinaus weiterentwickelt, indem das erwartete zukünftige Verhalten intelligent extrapoliert wird. Ein Beispiel auf der Ebene der Anwendungsinfrastruktur findet sich im Bereich Application Performance Management (APM): die Erkennung zeitabhängiger Verhaltensmuster und deren Nutzung zur Prognose des zukünftigen Ressourcenbedarfs. Ein weiteres Beispiel aus dem Bereich der Geschäftslogik von Anwendungen ist die Nutzung von maschinellem Lernen („ML“) durch Reiseportale, um Angebot und Nachfrage für bestimmte Strecken an zukünftigen Terminen vorherzusagen. Hier kommen meist fortschrittliche Analysetechnologien zum Einsatz, insbesondere solche, die auf Zeitreihen- und linearen Regressionsverfahren basieren und auf den im vorherigen Schritt ermittelten Datenmustern aufbauen.

Schritt 4: Schlussfolgern und Handlungsempfehlungen geben

Der vierte und letzte Schritt besteht darin, den „Regelkreis zu schließen“, um konkrete Anpassungen und Korrekturmaßnahmen am Gesamtsystem vorzunehmen. Die Analysen aus den beiden vorherigen Schritten werden in eine Reihe proaktiver Empfehlungen überführt. An diesem Punkt wird das System anpassungsfähig und widerstandsfähig gegenüber Angriffen und Veränderungen in seiner Umgebung. So könnte beispielsweise eine konzeptionelle Anwendungsinfrastruktur, die diese Funktion nutzt, auf Grundlage des prognostizierten Bedarfs proaktiv Container-Workload-Instanzen erstellen oder entfernen. Im Kontext der Anwendungssicherheit könnte sie auch proaktiv von Botnetzen erzeugten Datenverkehr anhand zuvor erlernter Botnetz-Verhaltensmuster filtern. Ein bemerkenswertes Beispiel dafür gibt es bereits heute im Bereich der Geschäftslogik: die dynamische Preisgestaltung, die ebenfalls auf dem erwarteten Angebot und der erwarteten Nachfrage basiert.

Die zugrunde liegende Technologie basiert häufig auf Regeln, mit deren Hilfe Vorhersagen in konkrete Maßnahmen umgesetzt werden. Im Kontext von Anwendungsinfrastrukturen und Anwendungsdiensten wird dieser Ansatz jedoch häufig mit stärker absichtsbasierten oder deklarativen Vorgaben für die Konfiguration und Orchestrierung kombiniert.

Den Weg beschleunigen

Diese Entwicklung – von „Erfassen und Berichten“ über „Verdichten und Beschreiben“ sowie „Ableiten und Vorhersagen“ bis hin zu „Schlussfolgern und Empfehlen“ – ist ein natürlicher Prozess. Jeder weitere Fortschritt baut auf den vorherigen auf und erschließt eine neue, präzisere Wertschöpfungsebene. Die heute verfügbaren Lösungen für die Herausforderungen in den Bereichen Anwendungsinfrastruktur und -services weisen entlang dieses Prozesses der Wertschöpfung aus Daten unterschiedliche Reifegrade auf und sind angesichts der Vielzahl an Einzellösungen in der Regel nur unzureichend integriert.

Der vorbereitende Schritt – der sprichwörtliche „Treibstoff“ für den Daten-„Motor“ – besteht darin, Transparenz über ein breites Spektrum von Anwendungsdiensten hinweg zu schaffen. Diese Instrumentierung wird an mehreren Punkten der Anwendungsbereitstellungskette eingesetzt und mit den Prinzipien einer konsistenten Datensemantik und föderierter Datenrepositorys verknüpft. Sie ist einer der Wege, mit denen F5 unseren Aufbruch in die Zukunft der Anwendungsdienste beschleunigt. Wir wollen unser Tempo weiter erhöhen, um unseren Kunden einen Mehrwert zu bieten. Dazu erweitern wir gleichzeitig den Datentrichter, um eine bessere Integration von Einzellösungen zu ermöglichen, und treiben die fortgeschrittene Entwicklung der relevanten technologischen Bausteine voran.

In künftigen Artikeln möchte ich die datengestützte Architektur näher beleuchten – sowohl im Detail, um tiefer in die zugrunde liegenden Kerntechnologien einzutauchen, als auch aus einer übergeordneten Perspektive, um das Zusammenspiel mehrerer Datenökosysteme über verschiedene unabhängige Datenpipelines hinweg zu untersuchen.

Über den Autor

Ken Arora

Weitere Blogbeiträge von Ken Arora