Die Qualität des drahtlosen Netzwerks ist standardmäßig bereits Teil des Dienstleistungsniveaus. Und wenn man die hohen Anforderungen der Kunden erfüllen möchte, muss man nicht nur schnell auf auftretende Netzwerkprobleme reagieren, sondern auch die häufigsten davon vorhersagen.
Wie macht man das? Nur indem man verfolgt, was in diesem Kontext wirklich wichtig ist – die Interaktion des Nutzers mit dem drahtlosen Netzwerk.
Die Belastungen der Netzwerke nehmen weiter zu, und dies wirkt sich insbesondere auf drahtlose Segmente aus – zumindest wegen der Offenheit ihrer Schnittstellen. Mit der steigenden Anzahl von Geräten und Übertragungsgeschwindigkeiten multiplizieren sich die Probleme auf mehreren Ebenen. Auf der physischen – viele Radiosender beeinflussen sich gegenseitig, auch wenn sie auf benachbarten Frequenzbändern arbeiten. Auf der logischen – eine große Anzahl angeschlossener Geräte beginnt, um das Recht zu konkurrieren, eine Übertragung auf der gewählten Frequenz zu starten, was die Paketlieferverzögerung für jeden Nutzer erhöht.
Gleichzeitig steigen auch die Erwartungen jedes Kunden an die Nutzung des Netzwerks. Eine Ladezeit von 5 Sekunden für eine Seite im Browser, die vor 20 Jahren noch als „technologisches Meisterwerk“ galt, überrascht heute niemanden mehr. Die Kunden verlangen HD-Videocommunication ohne Bildstörungen.
Teilweise kann das Problem durch neue Versionen der drahtlosen Übertragungsstandards gelöst werden, die das Frequenzspektrum effektiver nutzen. Jede ist darauf ausgelegt, immer stärker belastete Netzwerke auszubauen. Aber in einem umfassenden Netzwerk, wo nicht nur eine Handvoll Zugangspunkte betrieben wird, kann man es nicht einfach dem nächsten Standard überlassen (zumal die Geräte sofort in den Kompatibilitätsmodus zurückfallen, wenn sie ein älteres Benutzergerät erkennen). Genauso wenig kann man weiterhin mit alten Überwachungsmitteln arbeiten – die Netzwerkumgebung wird ständig komplexer.
Warum herkömmliche Überwachung nicht mehr funktioniert
Der klassische Stereotyp, der Netzwerkadministratoren aller Netzwerke, einschließlich der drahtlosen, nach wie vor verfolgt, ist die Arbeit ausschließlich nach Anfragen. Ein „Alarm“ ertönt – wir wachen auf und klären, was schiefgelaufen ist. Solange es keinen „Alarm“ gibt, kann man sich auf die Überprüfung der Last auf den Hauptkomponenten – den Netzwerk- und Benutzergeräten – beschränken.
Gemäß dieser Aufgabe arbeiten traditionelle Überwachungs- und Wartungswerkzeuge nach dem Prinzip strenger Regeln und zeigen bestehende Probleme nicht immer zeitnah an, ganz zu schweigen von einer prädiktiven Analyse.
Das Hauptproblem hier besteht im Datenabfrageintervall. Informationen über den Zustand drahtloser Netzwerkverbindungen werden alle paar Minuten gesammelt, und Zwischenfälle können durchaus in den Intervallen zwischen den Datenabfragen auftreten (ein gutes Beispiel sind seltene Lastspitzen, die das Netzwerk „aufhängen“). Ohne Daten in Echtzeit ist es ziemlich schwierig zu verstehen, was die tiefere Ursache des Problems ist. Ist es eine falsche Verwaltung der Netzabdeckung? Oder möglicherweise externe Störungen, die nichts mit dem Geschäft zu tun haben (zum Beispiel hat eine Militärbasis in der Nähe im Funk gestört). Es gibt keine Daten, um die schrittweise Verschlechterung bestimmter Netzwerkmomente zu erkennen, was bedeutet, dass es nicht einfach ist, das Problem zu lokalisieren. Das IT-Personal wird zusätzliche Stunden damit verbringen müssen, eine solche „Nadel im Heuhaufen“ zu suchen.
Die Endbenutzer bemerken das Problem hingegen praktisch sofort. Verbindungsfehler, Videoübertragungsabbrüche – ausgezeichnete Marker.
Klassische Überwachungstools berichten, dass Netzwerkpakete übertragen werden. Aber sie können nicht beantworten, ob der Benutzer sein Anliegen gelöst hat.
Um eine Antwort auf diese Frage zu erhalten, muss nicht nur das Werkzeug, sondern auch der Ansatz zur Organisation der Überwachung geändert werden. Der Schritt von der „Feuerwehr“-Arbeit nach Anfrage (tatsächlich die Überwachung der Leistung und Last eines bestimmten Geräts) hin zur Kontrolle des Benutzererlebnisses und zur Identifizierung von Situationen, die zu Vorfällen führen können.
Diese Transformation erfordert die Implementierung komplexerer Algorithmen zur Problemerkennung als einfache Warnungen bei Erreichen bestimmter Werte. Die Algorithmen in der Plattform für intelligente Netzwerkanalyse Huawei CampusInsight basieren auf der Erfahrung im Betrieb drahtloser Netzwerke und auf Selbstlerntechniken.
Unter der Haube von CampusInsight
Huawei CampusInsight – eine skalierbare Plattform zur Überwachung drahtloser Netzwerke in verschiedenen Maßstäben. Sie basiert auf einer Microservices-Architektur. Jeder Dienst ist auf mehreren Instanzen bereitgestellt, zwischen denen die entsprechende Busnachricht verteilt wird. Zusätzliche Instanzen können dynamisch bereitgestellt werden, um die Durchsatzkapazität des Tools zu erhöhen.
Tatsächlich sammelt, analysiert und visualisiert CampusInsight Daten in fünf Schritten über seine UI.
Der erste und zweite Schritt bestehen darin, auf die Daten zuzugreifen (auf die Geräte, die deren Generierung ermöglichen) und „Messwerte“ zu sammeln. Mit der Streaming-Sammlung von Telemetrie über das GPB-Protokoll von Google und „traditionellem“ Syslog (wo immer möglich) akkumuliert Huawei CampusInsight praktisch in Echtzeit Daten:
- über die Ausnutzung des Frequenzspektrums;
- über die Funktionalität von Access Points und anderen Netzgeräten (Leistungskennzahlen, Anzahl der verbundenen Benutzer usw.);
- über den Weg einzelner Benutzer – über Netzwerkprofile, wer, wann und zu welchem Access Point verbunden ist oder nicht verbunden ist (und mit welchen Verbindungseinstellungen);
- über die Nutzung von Audio-Video-Anwendungen (unter Verwendung von eMDI, das in einem der zusätzlichen Pakete implementiert ist).
Um die Einschränkungen traditioneller Tools zu umgehen, die zur Datensammlung SNMP verwenden und feste Strukturen übertragen, wurde CampusInsight auf einem Abonnementmodell für die erforderlichen Logs sowie auf Algorithmen zur Codierung und Dekodierung von Daten basierend.
Der dritte Schritt besteht aus Verteilung und Pufferung – d.h. das Versenden von „rohen“ Daten an Kafka zur Verteilung an höherstufige Analysetools.
Der vierte Schritt ist die Analyse. Big Data- und KI-Algorithmen helfen, „rohe“ Daten schnell zu verarbeiten. In der Folge werden einzelne Probleme identifiziert, die mit folgenden Aspekten zusammenhängen:
- Authentifizierung (das Dot1x-Protokoll wird unterstützt) und DHCP-Funktionalität;
- Stabilität und Geschwindigkeit der Verbindung;
- drahtlosen Schnittstellen;
- Funktionalität einzelner Geräte, einschließlich „Sonderheiten“ wie Probleme mit PoE oder dem Umschalten eines Dual-Band-Geräts auf 2,4 GHz;
- Qualität von Audio-Video-Streams – die Funktion wird jedoch nur für unverschlüsseltes SIP oder für einige Switches unterstützt;
- Roaming zwischen verschiedenen Access Points.
KI-Algorithmen werden zur Lösung bestimmter spezifischer Aufgaben eingesetzt, zum Beispiel zur Erkennung von Interferenzen zwischen Kanälen bei der drahtlosen Übertragung.
Der fünfte und letzte Schritt — Speicherung der Daten in der spaltenbasierten verteilten Datenbank Druid für die spätere Verwendung.
Die Analyse der gesammelten Informationen unter Berücksichtigung der auf denselben historischen Daten basierenden «Basislinie» ermöglicht es, typische «Fehlermustern» zu identifizieren – indem KPI festgelegt werden, die mit problematischen Situationen übereinstimmen, und Probleme lokalisiert werden, um Lösungen anzubieten. So wird etwa 85 % aller Netzwerkprobleme erfasst.
Dem Administrator werden die Daten grafisch entsprechend der Hierarchie oder Topologie des Raumes präsentiert (zum Beispiel dem Büroumgang). Es können «Heatmaps» erstellt werden, um zu analysieren, wie stark die Geräte bestimmter Plattformen oder Hersteller betroffen sind usw. So lässt sich einfacher nachvollziehen, was das Problem verursacht hat.
Insgesamt bietet CampusInsight eine Vielzahl von Tools, die es ermöglichen, Probleme zu klassifizieren, betroffene Nutzer zu vergleichen, Daten über die Leistung eines bestimmten Kunden zu untersuchen und sogar Ereignisse zu «replayen», die dem Vorfall vorausgingen, um schnell die Quelle zu identifizieren. Dabei unterstützt das Produkt unter anderem auch das neue Wi-Fi 6, ganz zu schweigen von seinen Vorgängern.
Fälle
CampusInsight wurde bereits in der Praxis erprobt, obwohl der Großteil der Fälle durch NDA geschützt ist. Der aussagekräftigste offene Fall ist der Einsatz des Überwachungstools in dem eigenen drahtlosen Netzwerk von Huawei.
Das Netzwerk umfasst Betriebe, in denen rund 180.000 Personen beschäftigt sind, von denen 80.000 zur R&D-Abteilung gehören (das sind Büros in über 170 Ländern, in denen insgesamt 62.000 Zugangspunkte installiert sind).
Die Implementierung von CampusInsight half dabei, mehr als 630 Zugangspunkte zu optimieren und gleichzeitig die Effizienz bei der Analyse von Vorfällen um 30 % zu steigern.
Im Folgenden werden einige konkrete Situationen erläutert.
Beispiel 1. Gruppenausfall
Hochgradige Probleme, die bei vielen Nutzern auftreten, sind häufig die Folge von niedergradigen Fehlern. Diese Probleme sind nicht so einfach zu identifizieren. Beispielsweise hatten in einem der Büros zahlreiche mobile Clients Probleme mit der Authentifizierung, trotz korrekter Einstellungen und ohne Probleme mit Server Die Visualisierung von Daten auf verschiedenen Ebenen hat schnell gezeigt, dass der Schwachstelle ein Switch war, der zu viele Fehler ausgegeben hat. Zur Behebung des Problems musste lediglich ein Kabelstück ersetzt werden. Die Lokalisierung und Behebung des Problems haben 90 Minuten in Anspruch genommen.
Beispiel 2. Überwachung der Roaming-Qualität
Die Datensammlung entlang des Pfades eines bestimmten Kunden innerhalb des verteilten Netzwerks ermöglicht es, nicht offensichtliche Roaming-Probleme zu identifizieren. Ein häufiges Problem tritt auf, wenn mobile Benutzer in bestimmten Bereichen eines Gebäudes Schwierigkeiten haben, eine Verbindung zum Netzwerk herzustellen (obwohl der entsprechende Access Point in Ordnung zu sein scheint). Eine der Ursachen für solche Probleme kann eine zu hohe Signalstärke des Access Points im benachbarten Raum sein – sodass der Kunde statt sich mit dem nächsten Access Point zu verbinden, versucht, sich mit demjenigen zu verbinden, der bereits eine große Anzahl von Benutzern bedient (ein reales Beispiel: Verbindung zu einem Access Point im Konferenzraum, während der Benutzer einfach vorbeigeht).
Um das Problem zu lösen, reicht es manchmal aus, die Signalstärke des überlasteten Access Points zu reduzieren; jedoch erfordert die Identifizierung eine tiefe Analyse wiederkehrender Probleme in angrenzenden Räumen zum Konferenzraum.
Wenn man die Entwicklungstrends drahtloser Netzwerke verfolgt, kann man erwarten, dass in naher Zukunft nicht nur Giganten, deren Netzwerke Tausende von Access Points umfassen, mit Serviceproblemen konfrontiert werden, sondern auch kleine und mittlere Unternehmen, die bislang nur Vorfälle bearbeiten konnten. Angesichts dieser Entwicklung ist es sinnvoll, einen Blick auf neue, effizientere Standards und leistungsstarke Geräte zu werfen. Es ist jedoch auch wichtig, an den notwendigen Paradigmenwechsel im Netzwerkmanagement zu denken, damit die Kunden nicht aufgrund der Servicequalität massenhaft zu Wettbewerbern abwandern.
Natürlich wird das Onsite-Produkt der Klasse CampusInsight den größten Nutzen bei umfangreichen Implementierungen bringen, aber jetzt ist auch ein cloudbasiertes Abonnement für den Service aus dem lokalen Public Cloud Huawei verfügbar, das für Implementierungen im SMB-Sektor ausgelegt ist. Insgesamt können Interessierte alles bereits jetzt testen und ausprobieren.
Quelle: habr.com
