چطور هوش مصنوعی Splunk در محیط‌های Air-Gapped اجرا می‌شود؟

تصور کنید در مرکز داده‌ای هستید که داده‌های حساس تله‌متری برای پردازش‌های هوش مصنوعی، هرگز از محیط فیزیکی شرکت خارج نمی‌شوند. این رویای امنیتی اکنون برای سازمان‌ها از طریق Cisco AI POD for Splunk محقق شده است؛ راهکاری که در ۱۵ سپتامبر ۲۰۲۶ در کنفرانس Splunk.conf دنور معرفی شد تا استقرار هوش مصنوعی خودمدیریت را در زیرساخت‌های داخلی سازمان‌ها ممکن کند.

زمینه (Context)

برای سال‌ها، بزرگ‌ترین مانع پذیرش هوش مصنوعی در سازمان‌ها، تضاد میان قدرت مدل‌های بزرگ و الزامات سخت‌گیرانه هوش مصنوعی حاکمیتی (Sovereign AI) — شبیه به کشوری که برای حفظ استقلال، قوانین خاص خود را برای ورود و خروج اطلاعات دارد — بوده است. بسیاری از سازمان‌های دولتی یا مالی نمی‌توانند ریسک نشت داده‌های اختصاصی به یک API شخص ثالث را بپذیرند.

به نقل از جیتو پاتل، رئیس و مدیر ارشد محصول سیسکو، بزرگ‌ترین چالش فعلی این است که استقرار هوش مصنوعی «بسیار دشوار» است. او تأکید کرد که مشتریان باید بدانند آیا می‌توانند به امنیت، هزینه‌ی و قابلیت‌های حفاظتی این سیستم‌ها اعتماد کنند یا خیر. جاستین بویانو، معاون هوش مصنوعی سازمانی انویدیا نیز افزود که سازمان‌ها باید هوش مصنوعی را به همان جایی ببرند که داده‌ها در آن حضور دارند، به‌ویژه وقتی قوانین حاکمیتی، اجرای بارهای کاری را به محیط‌های درون‌سازمانی (On-premises) محدود می‌کند.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، جابه‌جایی لایه‌ی پردازش به نزدیکی داده‌ها، نگرانی‌های امنیتی را از بین می‌برد. سیسکو این هدف را از طریق Cisco Secure AI Factory with NVIDIA محقق کرده است؛ یک معماری مرجع برای اسمبل کردن کامل پشته‌ی هوش مصنوعی که به سازمان‌ها اجازه می‌دهد لایه‌ی هوش مصنوعی را دقیقاً در محل استقرار داده‌ها پیاده کنند. این رویکرد در تضاد با مدل‌های متمرکز است، مشابه تلاش برخی شرکت‌ها برای ایجاد لایه‌های زیرساختی در اقتصاد AI که به دنبال تسهیل دسترسی به مدل‌های متنوع از طریق درگاه‌های ابری هستند.

طبق گزارش unite.ai، سیستم Cisco AI POD for Splunk یک معماری مرجع است که زیرساخت‌های سیسکو را با محاسبات شتاب‌یافته‌ی NVIDIA ترکیب می‌کند. این سیستم بر پایه‌ی معماری کوبرنتیز (Kubernetes) بنا شده و برای بارهای کاری هوش مصنوعی Splunk پیش‌تأیید شده است.

جزئیات فنی (Technical Details)

بر اساس مستندات فنی Splunk، نرم‌افزار لایه‌ی هوش مصنوعی در یک سیستم با اندازه پیش‌تعیین‌شده ادغام شده است که توسط پشتیبانی تک-فروشنده (Single-vendor support) پشتیبانی می‌شود. در حالی که مشتری محیط مرکز داده را فراهم کرده و مالکیت امنیت و عملیات را بر عهده دارد، اجزای این پشته عبارت‌اند از:

• محاسبات: Cisco UCS
• شتاب‌دهنده: پردازنده‌های گرافیکی NVIDIA RTX PRO 6000
• ارکستراسیون: OpenShift و Splunk Operator for Kubernetes
• شبکه: سخت‌افزارهای شبکه‌ی سیسکو

مشتریان می‌توانند بین خرید POD کامل یا نصب نرم‌افزار لایه‌ی هوش مصنوعی روی زیرساخت‌های GPU تاییدشده‌ی خود (بدون هزینه اضافی نرم‌افزاری) انتخاب کنند. سیسکو تصریح کرد که این یک پلتفرم هوش مصنوعی عمومی یا یک دستگاه GPU مستقل نیست، بلکه به‌طور خاص برای بارهای کاری Splunk طراحی شده است. برای تسهیل استقرار، شرکایی مانند Accenture، bitsIO، Wipro و World Wide Technology از روز اول در دسترس هستند.

این سیستم از مدل‌های متنوعی پشتیبانی می‌کند، از جمله Cisco Deep Time Series Model، Google Gemma 4 و OpenAI GPT-OSS 20B. همچنین انتظار می‌رود مدل‌های باز Nemotron انویدیا در ماه‌های آینده به این لیست اضافه شوند.

در حال حاضر دو ابزار اصلی روی این لایه اجرا می‌شوند: Splunk AI Assistant که هم‌اکنون در دسترس است و Agent Launchpad که برای اواخر سال ۲۰۲۶ برنامه‌ریزی شده است. این ابزارها امکان تحقیقات عامل‌محور (Agentic) — شبیه به داشتن کارمندانی دیجیتال که می‌توانند به‌طور مستقل مراحل یک پرونده را دنبال کنند — و ساخت عامل‌های سفارشی برای مراکز عملیات امنیت (SOC) را بدون خروج از شبکه محلی فراهم می‌کنند.

مشاهده‌پذیری و توکنومیکس (Observability and Tokenomics)

برای مدیریت هزینه‌ها، سیسکو راهکاری به نام «توکنومیکس» (Tokenomics) را به عنوان بخشی از Splunk Agent Observability معرفی کرد. این ابزار میزان مصرف توکن (Token) — تکه‌های کوچکی از متن که مدل‌ها آن‌ها را پردازش می‌کنند — را برای عامل‌ها و کارکنانی که از ابزارهای کدنویسی مانند Claude Code، Codex و Cursor استفاده می‌کنند، ثبت می‌کند. این سیستم با استفاده از مدل سری زمانی سیسکو، هزینه‌ها را پیش از پایان دوره‌های صورت‌حساب پیش‌بینی می‌کند تا سازمان‌ها بتوانند مخارج هوش مصنوعی را با نتایج تجاری تطبیق دهند.

سرویس Splunk Agent Observability اکنون در ابر Observability و Cisco Cloud Control در دسترس است. این سرویس رفتار عامل‌ها و مدل‌ها را ارزیابی کرده و حفاظ‌هایی (Guardrails) را در زمان اجرا اعمال می‌کند تا از توهم (Hallucination) — وقتی مدل با اطمینان چیزی می‌گوید که وجود ندارد — یا نشت داده‌های حساس جلوگیری کند.

علاوه بر سخت‌افزار، سیسکو اکوسیستم نرم‌افزاری خود را با Observability Studio گسترش داده است که برای آماده‌سازی اپلیکیشن‌های جدید جهت محیط عملیاتی طراحی شده است. همچنین اپلیکیشن جدید Network Intelligence معرفی شده است. این اپلیکیشن، توپولوژی شبکه و سلامت دستگاه‌های سیسکو را به Splunk می‌آورد تا تیم‌ها بتوانند هشدارها را مستقیماً به دستگاه خاصی که پشت آن هشدار ایجاد شده، ردیابی کنند. نسخه‌های جدید «Essentials» و «Premier» در Observability Cloud نیز نحوه مقیاس‌بندی تحلیل لاگ‌ها برای عیب‌یابی (Debugging) را ساده‌تر کرده‌اند.

امنیت و مشارکت‌ها (Security and Partnerships)

در بخش امنیت، Splunk Agentic SOC Workforce اکنون قابلیت‌های خودمختاری برای مهندسی تشخیص، شکار فعال تهدیدات و حاکمیت سیاست‌ها دارد. این عامل‌ها داده‌ها را در محیط‌های شبکه، ابر و هویت تطبیق می‌دهند تا احکامی قابل‌توضیح صادر کنند و نویز هشدارهای سنتی را کاهش دهند.

بهبودهای جدید در Exposure Analytics، ردیابی تغییرات تاریخی و بینش‌های ریسک تجاری را اضافه کرده است. همچنین، Splunk Enterprise Security Essentials عملیات عامل‌محور را به تیم‌های بیشتری گسترش می‌دهد، در حالی که نسخه‌ی Premier قابلیت‌های خودمختاری عمیق‌تری را فراهم می‌کند.

سیسکو همچنین همکاری‌های خود را با ارائه‌دهندگان ابری عمیق‌تر کرده است. یک توافق چندساله با AWS برای توسعه مشترک راهکارهای امنیتی منعقد شده است که به‌طور خاص برای مقابله با حملات مبتنی بر هوش مصنوعی طراحی شده‌اند. این مشارکت، پلتفرم داده‌های Splunk و عمق تشخیص آن را با مقیاس جهانی AWS ترکیب می‌کند تا پشتیبانی عامل‌محور در اختیار تحلیلگران باشد، در حالی که حاکمیت داده‌ها حفظ شود.

این چرخش نشان‌دهنده‌ی فاصله گرفتن از دستور «اول-ابر» (Cloud-first) در هوش مصنوعی است. سیسکو با تایید یک پشته سخت‌افزاری-نرم‌افزاری خاص، روی این شرط‌بندی کرده است که آینده‌ی هوش مصنوعی با امنیت بالا، یک مدل ترکیبی (Hybrid) است که در آن حساس‌ترین تحلیل‌ها پشت دیوار آتش (Firewall) شرکت رخ می‌دهد.

برای رهبران کسب‌وکار، این یعنی هوش مصنوعی دیگر انتخابی بین «راحتی در ابر» و «امنیت در محیط داخلی» نیست. توانایی میزبانی مدل‌های اختصاصی مانند GPT-OSS 20B به‌صورت محلی، اتوماسیون عملیات امنیتی را بدون به خطر انداختن ایزولاسیون شبکه (Air-gap) ممکن می‌کند.

منتظر انتشار Agent Launchpad در اواخر سال جاری باشید، زیرا این ابزار تعیین خواهد کرد که تیم‌های غیرفنی تا چه حد می‌توانند به‌سادگی عامل‌های امنیتی خودمختار خود را بسازند.