Kvalita bezdrátové sítě je již většinou zahrnuta do pojmu úroveň služby. A pokud chcete splnit vysoké požadavky klientů, musíte nejen rychle řešit vzniklé síťové problémy, ale také předvídat ty nejběžnější z nich.
Jak na to? Jedině sledováním toho, co je v tomto kontextu skutečně důležité - interakce uživatele s bezdrátovou sítí.
Zatížení sítí stále roste, což má zejména vliv na bezdrátové segmenty - alespoň kvůli otevřenosti jejich rozhraní. S nárůstem počtu zařízení a rychlostí přenosu dat se problémy násobí na několika úrovních. Na fyzické úrovni ovlivňuje mnoho vysílačů rádiového signálu navzájem, i když pracují na sousedních pásmech frekvenčního spektra. Na logické úrovni začíná soutěžit velké množství připojených zařízení o právo začít přenos na vybrané frekvenci, čímž zvyšují latenci dodání paketů pro každého uživatele.
Současně s tím rostou i očekávání každého klienta od používání sítě. 5-sekundové načítání stránky v prohlížeči, které ještě před 20 lety vypadalo jako „vrchol technologie“, už nikoho nepřekvapí. Klienti očekávají HD videohovory bez zpoždění obrazu.
Částečně vyřešit problém umožňují nové verze standardů bezdrátového přenosu, které efektivněji využívají frekvenční spektrum. Každá je zaměřena na nasazení stále více zatížených sítí. Ale ve velké síti, kde funguje více než několik desítek přístupových bodů, už nebude možné všechno přenechat na úkor dalšího standardu (zvlášť když zařízení pracují v režimu zpětné kompatibility, jakmile potkají staré uživatelské zařízení). A také nebude možné dál žít se starými způsoby monitorování - síťové prostředí se neustále komplikuje.
Proč běžné monitorování už nefunguje
Klasická fráze, která stále pronásleduje administrátory všech sítí, včetně bezdrátových, - práce výhradně na žádosti. Spustil se „alarm“ - probudíme se a zjistíme, co se pokazilo. A dokud není „alarm“, můžeme se omezit na kontrolu zatížení hlavních komponent – síťových a uživatelských zařízení.
Podle tohoto úkolu tradiční nástroje pro monitorování a údržbu fungují na základě rigidních pravidel a ne vždy včas zobrazují již existující problémy, nemluvě o nějaké prediktivní analýze.
Hlavní problém spočívá v časovém intervalu sběru dat. Informace o stavu bezdrátových síťových připojení se sbírají každých několik minut, přičemž incidenty se mohou vyskytnout v intervalech mezi sběrem údajů (vynikající příklad — vzácné výkyvy zatížení, které 'zasekávají' síť). Bez dat v reálném čase je velmi obtížné pochopit, co se stalo hloubkovou příčinou problému. Je to špatné řízení pokrytí sítě? Nebo se snad jedná o vnější rušení, které nijak nesouvisí s podnikáním (řekněme, vojenská jednotka poblíž 'narušila' signál)? Chybí data, kde by bylo možné vidět postupnou degradaci určitých charakteristik sítě, a tedy lokalizovat problém není tak jednoduché. IT personál bude muset strávit zbytečné hodiny hledáním takové 'ihly v kupce sena'.
Ukončení uživatelé si problémy všimnou prakticky okamžitě. Chyba připojení, přerušení video streamu – skvělé ukazatele.
Klasické monitorovací nástroje uvádějí, že síťové pakety jsou na cestě. Ale nedokážou odpovědět na otázku, zda uživatel vyřešil svůj úkol.
Abychom získali odpověď na tuto otázku, budeme muset změnit nejen nástroj, ale i přístup k organizaci monitorování. Z 'hasící' práce na žádostech (fakticky, kontroly výkonu a zatížení konkrétního hardwaru) přejít k řízení uživatelského zážitku a identifikaci situací, které mohou vést k incidentům.
Tato transformace předpokládá zavedení složitějších algoritmů pro určení problémů, než jsou jednoduchá upozornění na dosažení určitých hodnot. Na platformě inteligentní analýzy sítě Huawei CampusInsight jsou tyto algoritmy založeny na zkušenostech s údržbou bezdrátových sítí a technikách strojového učení.
Pod kapotou CampusInsight
Huawei CampusInsight – škálovatelná platforma pro monitorování bezdrátových sítí různých velikostí. Je postavena na mikroservisní architektuře. Každá služba je nasazena na několika instancích, mezi kterými distribuuje zprávy příslušná sběrnice. Další instance mohou být dynamicky nasazeny, což zvyšuje propustnost nástroje.
V podstatě CampusInsight shromažďuje, analyzuje a zobrazuje data ve svém uživatelském rozhraní v pěti krocích.
První a druhý krok jsou přístup k datům (k zařízením, která je generují) a sběr „ukazatelů“. Pomocí streamového sběru telemetrie protokolem GPB od Google a „tradičního“ Syslog (kde je to možné) Huawei CampusInsight prakticky v reálném čase akumuluje data:
- o využití frekvenčního spektra;
- o fungování přístupových bodů a dalších síťových zařízení (výkonové ukazatele, počet připojených uživatelů atd.);
- o trase konkrétních uživatelů – o síťových profilech, o tom, kdo, kdy a k jakému přístupovému bodu se připojil nebo nepřipojil (a s jakými parametry připojení);
- o práci audiovizuálních aplikací (použitím eMDI realizovaného v jednom z doplňkových balíčků).
Aby překonal omezení tradičních nástrojů, které používají SNMP pro sběr dat a přenos pevných struktur, byl v základu CampusInsight založen model předplatného na potřebné protokoly a algoritmy kódování a dekódování dat.
Třetí krok je distribuce a buffering – tj. odesílání „syrových“ dat do Kafka pro distribuci do vyšších analytických služeb.
Čtvrtý krok je analýza. Algoritmy Big Data a AI pomáhají rychle zpracovat „syrová“ data. Výsledkem jsou jednotlivé problémy spojené s:
- autentizací (podporuje protokol Dot1x) a fungováním DHCP;
- stabilitou a rychlostí připojení;
- bezdrátovými rozhraními;
- funkcí jednotlivých zařízení, včetně „drobností“, jako jsou problémy s PoE nebo přepínání dvoupásmového zařízení na 2,4 GHz;
- kvalitou audiovizuálních streamů – i když tuto funkci podporuje pouze pro nešifrovaný SIP nebo pro některé switche;
- roamingem mezi různými přístupovými body.
Algoritmy AI se používají k řešení některých specifických úloh, například k identifikaci interference mezi kanály při bezdrátovém přenosu.
Pátý a poslední krok — zachování dat v sloupcové distribuované databázi Druid pro následné využití.
Analýza shromážděných informací s ohledem na vytvořenou na základě těchto historických dat „základní linii“ umožňuje identifikovat typické „vzory selhání“ — určující KPI odpovídající problémovým situacím a lokalizovat problémy, navrhnout cesty k jejich řešení. Takto nástroj pokrývá přibližně 85 % všech síťových problémů.
Správci jsou data prezentována graficky v souladu s hierarchií nebo topologií prostoru (například uspořádáním kanceláře). Lze vytvářet „tepelné mapy“, analyzovat, do jaké míry je ovlivněno zařízení konkrétních platforem nebo výrobců atd. Takto je snadnější pochopit, co přesně vyvolalo problém.
Celkově CampusInsight poskytuje řadu nástrojů, které umožňují klasifikovat problémy, porovnávat ovlivněné uživatele, studovat údaje o výkonnosti konkrétního klienta a dokonce „přehrát“ události, které předcházely incidentu, aby rychle identifikovaly zdroj. Produkt navíc podporuje i nový Wi-Fi 6, nemluvě o předchůdcích.
Případové studie
CampusInsight byl již prakticky otestován, i když většina případů je pokryta dohodou o mlčenlivosti (NDA). Nejvýraznější otevřený případ - použití monitorovacího nástroje v vlastní bezdrátové síti Huawei.
Síť pokrývá podniky, kde pracuje přibližně 180 tisíc lidí, z nichž 80 tisíc patří do oddělení výzkumu a vývoje (R&D) (to zahrnuje kanceláře ve více než 170 zemích, kde je celkem nainstalováno 62 tisíc přístupových bodů).
Implementace CampusInsight pomohla optimalizovat více než 630 přístupových bodů a současně zvýšila efektivitu analyzování incidentů o 30 %.
Níže jsou uvedeny dvě konkrétní situace.
Příklad 1. Skupinové selhání
Vysoké úrovně problémů pozorované u velkého počtu uživatelů jsou často důsledkem nízkoúrovňových chyb. A takové problémy není snadné identifikovat. Například v jedné z kanceláří mnoho mobilních klientů mělo potíže s autentizací, přestože nastavení byla správná a nebyly žádné problémy se... serverem Autentifikace. Vizualizace dat na různých úrovních pomohla rychle identifikovat, že zdrojem problému byl switch, který vykazoval příliš mnoho chyb. A pro vyřešení situace stačilo vyměnit kus kabelu. Lokalizace a oprava problému trvaly 90 minut.
Příklad 2. Sledování kvality roamingu
Sběr dat během cesty konkrétního klienta v rámci distribuované sítě umožňuje odhalit méně zřejmé problémy s roamingem. Častý případ nastává, když mají mobilní uživatelé v určitých zónách budovy problémy s připojením k síti (přestože by se mohlo zdát, že příslušný přístupový bod je v pořádku). Jedním z možných zdrojů těchto problémů může být příliš vysoký výkon přístupového bodu v sousední místnosti – takže místo připojení k nejbližšímu bodu se klient snaží připojit k tomu, který momentálně obsluhuje velké množství uživatelů (skutečný případ: připojení k přístupovému bodu v konferenční místnosti, když uživatel jen prochází kolem).
Pro vyřešení problému někdy stačí snížit výkon signálu vytíženého bodu, avšak identifikace vyžaduje hlubokou analýzu opakujících se problémů v přilehlých místnostech k konferenční místnosti.
Sledováním trendů ve vývoji bezdrátových sítí lze očekávat, že problémy s obsluhou se v dohledné budoucnosti nebudou týkat pouze velikánů, jejichž sítě čítají tisíce přístupových bodů, ale i středního podnikání, které zatím zvládá pouze řešení incidentů. Při předpokladu takového vývoje událostí je logické zaměřit se na nové, efektivnější standardy a vysoce výkonné vybavení. Je však třeba mít na paměti také potřebnou změnu paradigmatu obsluhy sítě, dokud se klienti nezačnou masově migrovat k konkurentům kvůli kvalitě služeb.
Samozřejmě, onsite produkt třídy CampusInsight přinese největší užitek ve velkých nasazeních, ale nyní je k dispozici také cloudové předplatné služby v místním Public Cloud Huawei, které je určeno pro nasazení ve sektoru SMB. Celkově si to mohou zájemci vyzkoušet a 'otočit' již nyní.
Zdroj: habr.com
