A rede que se explica sozinha: IA e o futuro da visibilidade, segundo o criador do ntop
Luca Deri, criador do ntop, mostrou no GRNOG 20 para onde vai a visibilidade de rede quando a IA passa a raciocinar sobre o tráfego. Este é o panorama completo da palestra, em imagens.
4 min de leitura
Luca Deri, criador do ntop, abriu a apresentação no GRNOG 20 com uma provocação simples e incômoda: de que adianta coletar terabytes de telemetria se ninguém tem tempo de olhar? A saída proposta aponta para um futuro em que a IA passa a raciocinar sobre a rede.
Foram 35 slides densos, e todos importam. Este artigo é o panorama completo, contado em imagens, do problema ao futuro. Onde um tema pede as mãos na massa, aprofundamos em artigos dedicados, cada um completo por si só.
O ponto de partida: visibilidade virou opcional
Não existe lei que obrigue enxergar a rede o tempo todo. Na prática, a análise só acontece quando o problema já estourou, feita na mão e correndo. Soluções caras na nuvem, com custo recorrente e dados fora do país, completam o desânimo.
O paradoxo dos dados
As ferramentas modernas coletam gigabytes de métricas por dia. Fluxos, BGP, SNMP, tudo registrado. O problema deixou de ser falta de dado e virou excesso: ninguém lê tudo, e definir limiares de alarme numa rede que muda o tempo todo é quase impossível.
De que adianta analisar a rede se ninguém tem tempo de olhar para os dados?
O ntop e uma escolha de princípios
O ntop nasceu como projeto de código aberto, on-premise e neutro de fabricante. Coleta por fluxos (NetFlow, sFlow, IPFIX), DPI leve e análise de pacotes, escalando para mais de cem roteadores e enlaces de 100 Gbit. Sem nuvem obrigatória, seus dados não precisam sair de casa.
A virada: a IA entra para raciocinar
A ideia é usar LLMs na triagem avançada, justamente o trabalho que consome tempo e exige especialista. O ntopng vira o motor de telemetria: a API REST devolve um JSON estruturado, pronto para IA, os dados ao vivo e os históricos entram no prompt, e o modelo orquestra a análise, levantando hipóteses de causa raiz em vez de mais um gráfico.
Três formas de colocar isso para funcionar
São três caminhos. O primeiro é um assistente de IA com quem você conversa em linguagem natural, integrado via MCP, inclusive com o Claude. O segundo é o nAssistant, um modelo que roda localmente para quem não pode mandar dado para fora. O terceiro são os playbooks, em que você descreve em português o que quer verificar periodicamente, e a IA executa e interpreta sozinha.
Gráficos sozinhos são só uma curiosidade. O valor real está no raciocínio sobre os dados.
O veredito
Telemetria é necessária, mas não basta. O futuro apresentado não coloca a IA no lugar do operador; junta os dois lados, no chamado AI-NetOps. A máquina faz o trabalho pesado de correlacionar e levantar hipóteses, e a pessoa decide.
Quer ir mais fundo
Cada tema abaixo é um artigo completo, para ler na ordem que quiser:
- NetFlow e BGP juntos: por onde o seu tráfego realmente passa
- Pergunte à sua rede em português: como o ntop usa LLMs
Onde a Lavineda entra
Esse futuro não é promessa distante. É engenharia disponível hoje, e combina exatamente com o que defendemos: visibilidade de verdade, on-premise, com os seus dados no Brasil e sem depender de um único fabricante. A Lavineda implanta e opera o ntopng e o nProbe no seu ambiente e transforma telemetria em decisão.
Se a sua rede coleta muito e explica pouco, o caminho mais curto para mudar isso é vê-la funcionando. Peça uma PoC guiada, sem custo, e descubra na sua própria rede o que estava invisível até agora.
Fontes
Baseado na apresentação de Luca Deri no GRNOG 20, em 30 de junho de 2026: