Netzwerke aus verschiedener Perspektive – einmal als digitale Technik für Kommunikationsnetze, einmal als Verfahren des maschinellen Lernens.

Als das Internetprotokoll IPv4 anno 1981 entstand, ahnte noch niemand etwas von Video- oder Audio-Streaming, von Voice-over-IP, von Online-Games, von Industrie 4.0 oder auch von Big Data. All diese neuen Anwendungen haben die Ansprüche an das Internet hinsichtlich Performance, Verfügbarkeit, Qualität und Flexibilität enorm erhöht.

Ein Ansatz, diesem ständig steigenden Erwartungsdruck zu begegnen, ist das Software Defined Networking, das als Netzwerktechnik ebenso wie als Plattform zur Bereitstellung von Diensten und für die Virtualisierung eine neue Netzarchitektur etabliert. Das Buch “SDN” von Gerd Siegmund erläutert einleitend die grundsätzlichen SDN-Funktionen wie die Trennung von Data und Control Plane oder öffentliche und private Netze. Dann kommt kurz die Funktionsweise des klassischen Internets zur Sprache, um den Unterschied zu Software-definierten Netzen zu verdeutlichen.

Dem dezentralen, sich selbst organisierenden Ansatz mit IP-Routing im WAN und einem Layer-2-Transportnetz im LAN, wie ihn das klassische Internet verfolgt – das aber die Ressourcenauslastung kaum optimieren kann, viele unterschiedliche Protokolle braucht und dessen Komponenten bei höheren Übertragungsgeschwindigkeiten an die Grenzen ihrer Reaktionsfähigkeit stoßen –, steht das Design von SDN gegenüber. Es trennt die Schichten 1 bis 4 des OSI-Modells nicht, sondern verarbeitet sie in einem Rutsch und plant und optimiert den Weg der Pakete durchs Netz nicht von Station zu Station, sondern steuert sie zentral.

Das alles untersuchen die folgenden Kapitel im Detail: Der Autor stellt das Open-Flow-Protokoll vor, bespricht das North Interface, den Zugang zum SDN-Controller, erläutert, wie sich der Controller durch Topology Discovery ein Bild des kompletten Netzes verschafft, und geht auf die Abläufe im Controller ein.

Weitere Kapitel widmen sich der Virtualisierung und Vernetzung im Cloud-Rechenzentrum, der Network Function Virtualization (NFV) als Ergänzung zu SDN, dem Traffic Engineering oder Tera Stream, der vereinheitlichten IP-Transportplattform der Telekom, dem Unterbau vieler virtualisierter Dienste.

Alles im allen glückt dem Autor eine verständliche und umfassende Einführung in das Thema SDN, die sich auch zum Nachschlagen eignet.

Schritt für Schritt

Viele IT-Bücher setzen ein erhebliches Vorwissen voraus oder schwellen zu 1000-Seiten-Wälzern an – den Autoren von “Neuronale Netze programmieren mit Python” gelingt ein guter Kompromiss: Erste Schritte mit Python sollte der Leser hinter sich haben, ein wenig Mathe aus Schulzeiten sollte reaktivierbar sein, sonst sind nur wenige Vorbedingungen zu erfüllen.

Die Erklärung der Techniken für neuronale Netze beginnt mit sehr einfachen Beispielen. Die kleinen Python-Programme, die jeden Erkenntnisschritt begleiten, sind ausreichend kommentiert. Kompliziertere Aktionen besprechen die Autoren im Text. So wird der Leser von einem sehr simplen Neuronen-Modell über einfache einlagige Netze hin zu mehrlagigen Netzen mit verschiedenen Lernalgorithmen und weiter beispielsweise zu Convolutional Neural Networks geführt.

Die verschiedenen Lernverfahren greifen die Autoren gegen Ende des Buches noch einmal explizit mit einem eigenen Kapitel auf. Alle Erklärungen sind gut verständlich und reich illustriert. Zudem verhelfen die Codebeispiele, die auf einschlägige Bibliotheken von Num Py bis Tensorflow zurückgreifen, zu Aha-Effekten.

Ein eigenes Kapitel widmet sich dem biologischen Vorbild der neuronalen Netze, der Signalverarbeitung im zentralen Nervensystem und im Gehirn. Detailliert schildern die Autoren die neurophysiologischen Grundlagen. Auch der Geschichte der neuronalen Netze, die bereits in den 1940er Jahren begann, gönnen sie ein eigenes Kapitel, das die wichtigsten Meilensteine bis in unsere Zeit skizziert. Daneben kommt die Einbettung des maschinellen Lernens in den übergeordneten Data-Mining-Prozess in einem kurzen Kapitel zur Sprache.

Insgesamt erhält der Leser eine rundum gelungene, recht gründliche und gut verständliche Einführung ins maschinelle Lernen mit neuronalen Netzen, die durch zahlreiche Codebeispiele immer nah an der Praxis bleibt.