Kvaliteten af det trådløse netværk er automatisk inkluderet i begrebet serviceniveau. Og hvis man ønsker at imødekomme høje krav fra kunderne, er det ikke nok blot at reagere hurtigt på opståede netværksproblemer; man må også forudsige de mest almindelige af dem.
Hvordan gør man det? Det kræver kun at man følger det, der virkelig betyder noget i denne sammenhæng - brugerens interaktion med det trådløse netværk.
Belastningen på netværk fortsætter med at stige, og dette påvirker især de trådløse segmenter - blandt andet på grund af åbenheden i deres interface. Med et stigende antal enheder og dataoverførselshastigheder opstår der problemer på flere niveauer. På det fysiske niveau påvirker mange radiosignalsendere hinanden, selv når de arbejder på nærliggende frekvensområder. På det logiske niveau begynder et stort antal tilsluttede enheder at konkurrere om retten til at starte transmission på den valgte frekvens, hvilket øger forsinkelsen i pakkeforSendelse for hver bruger.
Samtidig vokser hver kundes forventninger til brugen af netværket. En 5 sekunders indlæsningstid på en webside, som for 20 år siden syntes at være "toppen af teknologien", overrasker ingen længere. Kunder ønsker HD-videokonferencer uden frysebilleder.
Delvist kan problemet løses ved hjælp af de nye versioner af standarderne for trådløs transmission, som mere effektivt udnytter frekvensspektrum. Hver er rettet mod at implementere stadig mere belastede netværk. Men i et stort netværk, hvor ikke kun tiere af adgangspunkter fungerer, kan man ikke længere overlade alt til det næste standard (især da enheder funger i bagudkompatibilitet, så snart de møder et gammelt brugerudstyr). Det vil heller ikke være muligt at fortsætte med at leve med gamle overvågningsmidler - det netværksmiljø bliver konstant mere kompliceret.
Hvorfor virker almindelig overvågning ikke længere
Den klassiske udfordring, der stadig plager administratorer for alle netværk, herunder trådløse, er det, at arbejdet udelukkende udføres efter anmodninger. Alarmerer 'alarm' — vi vågner op og finder ud af, hvad der gik galt. Indtil 'alarm' lyder, kan vi nøjes med at tjekke belastningen på hovedkomponenterne — netværks- og brugerudstyr.
I overensstemmelse med denne opgave fungerer traditionelle overvågnings- og vedligeholdelsesværktøjer efter princippet om strenge regler og viser ikke altid eksisterende problemer i tide, for slet ikke at nævne nogen form for prædiktiv analyse.
Det største problem her ligger i intervallet for dataindsamling. Information om tilstanden af trådløse netværksforbindelser indsamles hvert minut, og hændelser kan sagtens finde sted i intervallerne mellem målingerne (et godt eksempel er sjældne belastningsspidser, der 'hænger' netværket). Uden realtidsdata er det ret vanskeligt at forstå, hvad der er den underliggende årsag til problemet. Er det forkert netværksdækning? Eller måske ekstern interferens, der ikke har noget at gøre med forretningen (for eksempel er en militær enhed i nærheden 'forstyrret' i luften). Der er ikke data, der kan vise en gradvis forringelse af bestemte netværkskarakteristika, og derfor er det ikke så let at lokalisere problemet. IT-personalet må bruge unødvendige timer på at finde en sådan 'nål i høstakken'.
Til gengæld bemærker slutbrugerne problemet næsten med det samme. Tilslutningsfejl, afbrydelse af videooverføring – fremragende indikatorer.
Klassiske overvågningsværktøjer rapporterer, at netværkspakkerne sendes. Men de kan ikke svare på spørgsmålet om, hvorvidt brugeren har løst sit problem.
For at få svar på dette spørgsmål er det nødvendigt at ændre ikke bare værktøjet, men selve tilgangen til organiseringen af overvågningen. Fra det 'brændslukningsarbejde' efter anmodning (faktisk kontrol af ydeevne og belastning af specifik hardware) til at styre brugeroplevelsen og identificere situationer, der kan føre til hændelser.
Denne transformation indebærer implementering af mere komplekse algoritmer til problemidentifikation end blot enkle advarsler ved nåelse af bestemte værdier. I Huawei CampusInsight-platformen er disse algoritmer baseret på erfaringer med vedligeholdelse af trådløse netværk og selvlærende teknikker.
Under hætten af CampusInsight
Huawei CampusInsight er en skalerbar platform til overvågning af trådløse netværk i forskellige størrelser. Den er bygget på en mikrotjenestearkitektur. Hver tjeneste kører på flere instanser, og beskederne mellem dem distribueres af den relevante bus. Yderligere instanser kan dynamisk implementeres for at øge systemets kapacitet.
Faktisk indsamler, analyserer og præsenterer CampusInsight data i sin brugergrænseflade i fem trin.
Det første og andet trin består af adgang til data (fra enhederne, der genererer dem) og indsamling af "målinger". Ved at bruge streamingindsamling af telemetri via GPB-protokollen fra Google og "traditionel" Syslog (hvor det er muligt) akkumulerer Huawei CampusInsight data næsten i realtid:
- om udnyttelsen af frekvensspektret;
- om funktionen af adgangspunkter og andre netværksenheder (ydelsesindikatorer, antal tilsluttede brugere osv.);
- om specifikke brugeres færden – om netværksprofiler, hvem der har tilsluttet eller ikke tilsluttet sig, samt hvornår og til hvilket adgangspunkt (og med hvilke forbindelsesparametre);
- om driften af audio-video applikationer (ved hjælp af eMDI, implementeret i en af de ekstra pakker).
For at omgå begrænsningerne fra traditionelle værktøjer, der bruger SNMP til dataindsamling og overførsel af faste strukturer, blev CampusInsights grundmodel bygget på en abonnementsmodel for de nødvendige logs samt algoritmer til kodning og dekodning af data.
Det tredje trin er distribution og buffering – dvs. at sende "rå" data til Kafka for distribution til højere niveau analysetjenester.
Det fjerde trin er analyse. Big Data- og AI-algoritmer hjælper med hurtigt at behandle "rå" data. Resultatet er, at specifikke problemer identificeres, der relaterer sig til:
- autentifikation (Dot1x-protokollen understøttes) og DHCP-funktionen;
- stabilitet og hastighed af forbindelsen;
- trådløse grænseflader;
- drift fra enkelte enheder, herunder "detaljer" som problemer med PoE eller skift af en dual-band enhed til 2,4 GHz;
- kvaliteten af audio- og videostreams — dog understøttes funktionen kun for ukrypteret SIP eller visse switchere;
- roaming mellem forskellige adgangspunkter.
AI-algoritmer bruges til at tackle visse specifikke opgaver, såsom at identificere interferens mellem kanaler under trådløs transmission.
Femte og sidste trin — gemme data i den kolonnede distribuerede database Druid til senere brug.
Analysen af de indsamlede oplysninger, under hensyntagen til den "baseline", der er opbygget på baggrund af de samme historiske data, gør det muligt at identificere typiske "fejlsymptomer" — ved at definere KPI'er, der svarer til problematiske situationer, og lokalisere problemerne, samtidig med at der foreslås løsninger. På denne måde fanges omkring 85% af alle netværksproblemer.
Administratoren præsenteres for dataene visuelt i henhold til hierarkiet eller topologien i rummet (for eksempel kontorets layout). Det er muligt at lave "varmekort", analysere hvor meget udstyr fra bestemte platforme eller producenter er påvirket osv. Det gør det lettere at forstå, hvad der præcist forårsagede problemet.
Generelt tilbyder CampusInsight en hel del værktøjer, der gør det muligt at klassificere problemer, sammenligne berørte brugere, studere data om den specifikke kundes operationer og endda "afspille" begivenhederne, der gik forud for hændelsen, for hurtigt at identificere kilden. Desuden understøtter produktet også den nye Wi-Fi 6, for ikke at nævne forgængerne.
Cases
CampusInsight er allerede blevet afprøvet i praksis, selvom størstedelen af sagerne er under NDA. Den mest illustrative åbne sag er anvendelsen af overvågningsværktøjet i dets egen trådløse netværk hos Huawei.
Netværket dækker virksomheder, hvor cirka 180.000 personer er ansat, herunder 80.000 der tilhører R&D-afdelingen (dette omfatter kontorer i mere end 170 lande, hvor der samlet er installeret 62.000 adgangspunkter).
Implementeringen af CampusInsight har hjulpet med at optimere over 630 adgangspunkter, samtidig med at effektiviteten af incidenthåndteringen er blevet forbedret med 30%.
Nedenfor er et par konkrete situationer.
Eksempel 1. Gruppefejl
Højniveauproblemer, der observeres af et stort antal brugere, er ofte en konsekvens af lavniveau-fejl. Og det kan være svært at opdage sådanne problemer. For eksempel oplevede mange mobile klienter i et af kontorerne vanskeligheder med autentifikationen, på trods af korrekt konfiguration og fravær af problemer med serveren autentifikationen. Visualisering af data på forskellige niveauer hjalp hurtigt med at identificere, at kilden til problemet var en switch, der genererede for mange fejl. For at løse situationen var det kun nødvendigt at udskifte et stykke kabel. Lokalisering og løsning af problemet tog 90 minutter.
Eksempel 2. Overvågning af kvaliteten af roaming
Indsamling af data om en specifik kundes rejse inden for et distribueret netværk muliggør identifikation af ikke-åbenlyse roamingproblemer. Et almindeligt tilfælde er, når mobile brugere oplever forbindelsesproblemer i bestemte områder af bygningen (selvom den relevante adgangspunkt ser ud til at være i orden). En af kilderne til sådanne problemer kan være en for høj signalstyrke fra adgangspunktet i det tilstødende rum, så i stedet for at tilslutte sig det nærmeste punkt, prøver klienten at oprette forbindelse til det, som allerede betjener et stort antal brugere (virkeligt tilfælde: tilslutning til et adgangspunkt i et konferenceværelse, mens brugeren blot passerer forbi).
For at løse problemet kan det nogle gange være tilstrækkeligt at reducere signalstyrken fra det belastede punkt, men identificeringen kræver en dybdegående analyse af gentagne problemer i lokalerne omkring konferenceværelset.
Ved at følge udviklingstendenserne inden for trådløse netværk kan man forvente, at problemer med service ikke kun vil påvirke gigantiske virksomheder med tusinder af adgangspunkter, men også små og mellemstore virksomheder, der indtil nu har kunnet begrænse sig til at håndtere hændelser. Givet en sådan udvikling er det fornuftigt at holde øje med nye, mere effektive standarder og højtydende udstyr. Men det er også vigtigt at huske på behovet for at ændre paradigmet for netværksservice, før kunderne begynder en massiv migration til konkurrenter på grund af servicekvaliteten.
Selvfølgelig vil CampusInsight produktet give mest værdi i omfattende implementeringer, men der er nu også et abonnement på tjenesten tilgængeligt i det lokale Public Cloud fra Huawei, designet til implementering i SMB-sektoren. Generelt kan interesserede prøve det af og "lege" med det allerede nu.
Kilde: habr.com
