Die Qualität des drahtlosen Netzwerks ist bereits standardmäßig Teil des Service Levels. Um die hohen Anforderungen der Kunden zu erfüllen, ist es notwendig, nicht nur schnell auf auftretende Netzwerkprobleme zu reagieren, sondern auch die häufigsten Probleme vorherzusagen.
Wie lässt sich das umsetzen? Indem man verfolgt, was in diesem Kontext wirklich wichtig ist – die Interaktion des Nutzers mit dem drahtlosen Netzwerk.
Die Lasten auf den Netzwerken wachsen weiter, was insbesondere die drahtlosen Segmente betrifft – nicht zuletzt wegen der Offenheit ihrer Schnittstellen. Mit der Zunahme der Geräteanzahl und der Datenübertragungsraten treten Probleme auf mehreren Ebenen auf. Auf physischer Ebene beeinflussen sich zahlreiche Funksignalsender gegenseitig, selbst wenn sie auf benachbarten Frequenzbereichen arbeiten. Auf logischer Ebene beginnen viele angeschlossene Geräte um das Recht zu konkurrieren, ihre Übertragung auf der gewählten Frequenz zu starten, was die Paketlieferverzögerung für jeden Nutzer erhöht.
Gleichzeitig steigen auch die Erwartungen der Kunden an die Nutzung des Netzwerks. Eine Ladezeit von fünf Sekunden im Browser, die vor 20 Jahren noch als technologischer Fortschritt galt, beeindruckt heute niemanden mehr. Kunden erwarten verzögerungsfreies HD-Video-Streaming.
Neue Versionen der Übertragungsstandards tragen teilweise zur Lösung dieses Problems bei, indem sie das Frequenzspektrum effizienter nutzen. Jede zielt darauf ab, immer stärker ausgelastete Netzwerke aufzubauen. In einem großen Netzwerk, in dem nicht nur eine Handvoll Access Points betrieben wird, kann man es sich jedoch nicht leisten, alles einer neuen Norm zu überlassen (zumal die Geräte im Rückwärtskompatibilitätsmodus arbeiten, sobald sie auf ein älteres Endgerät treffen). Zudem ist es nicht möglich, mit veralteten Monitoring-Tools weiterzuleben – die Netzwerkinfrastruktur wird ständig komplexer.
Warum herkömmliches Monitoring nicht mehr funktioniert
Der klassische Fehler, der noch immer Administratoren sämtlicher Netzwerke, einschließlich drahtloser Netzwerke, verfolgt, ist die ausschließliche Arbeitsweise nach Anfrage. Wenn der Alarm ertönt, wachen wir auf und klären, was schiefgelaufen ist. Solange jedoch kein Alarm vorhanden ist, können wir uns auf die Überprüfung der Auslastung der Hauptkomponenten – der Netzwerk- und Benutzergeräte – beschränken.
Entsprechend dieser Herausforderung arbeiten traditionelle Überwachungs- und Wartungstools nach festen Regeln und zeigen bestehende Probleme nicht immer rechtzeitig an, ganz zu schweigen von einer prädiktiven Analyse.
Das Hauptproblem hier liegt im Intervall der Datenerfassung. Informationen über den Status drahtloser Netzwerkverbindungen werden alle paar Minuten gesammelt, während Vorfälle durchaus in den Zeiträumen zwischen den Erfassungen auftreten können (ein gutes Beispiel sind seltene Lastspitzen, die das Netzwerk 'einfrieren'). Ohne Echtzeitdaten ist es ziemlich schwierig zu verstehen, was das zugrunde liegende Problem verursacht hat. Ist es ein fehlerhaftes Netzwerkmanagement? Oder vielleicht externe Störungen, die mit dem Geschäft nichts zu tun haben (nehmen wir an, eine Militärbasis in der Nähe hat im Frequenzbereich 'gestört'). Es gibt keine Daten, um eine allmähliche Verschlechterung bestimmter Netzwerkmerkmale zu erkennen, wodurch die Lokalisierung des Problems nicht so einfach ist. IT-Personal muss zusätzliche Stunden aufwenden, um diese 'Nadel im Heuhaufen' zu finden.
Die Endbenutzer bemerken das Problem dagegen sofort. Verbindungsfehler, Unterbrechungen beim Video-Streaming – das sind hervorragende Indikatoren.
Klassische Überwachungstools zeigen an, dass Netzwerkpakete durchgehend gesendet werden. Sie können jedoch nicht beantworten, ob der Benutzer sein Anliegen gelöst hat.
Um diese Frage zu beantworten, müssen nicht nur die Werkzeuge, sondern auch der Ansatz zur Organisation des Monitorings geändert werden. Statt der reaktiven Bearbeitung von Anfragen (tatsächlich Kontrolle der Leistung und Last bestimmter Hardware) bewegen wir uns hin zur Überwachung der Benutzererfahrung und zur Identifizierung von Situationen, die zu Vorfällen führen könnten.
Diese Transformation erfordert die Implementierung komplexerer Algorithmen zur Problemerkennung, anstelle einfacher Warnmeldungen bei Erreichen bestimmter Werte. In der Plattform für intelligente Netzwerkanalysen Huawei CampusInsight basieren diese Algorithmen auf der Erfahrung im Umgang mit drahtlosen Netzwerken und auf Techniken des maschinellen Lernens.
Unter der Haube von CampusInsight
Huawei CampusInsight ist eine skalierbare Plattform zur Überwachung von drahtlosen Netzwerken unterschiedlicher Größenordnungen. Sie basiert auf einer Microservices-Architektur. Jeder Dienst wird auf mehreren Instanzen bereitgestellt, wobei die Nachrichten zwischen diesen durch einen entsprechenden Bus verteilt werden. Zusätzliche Instanzen können dynamisch bereitgestellt werden, um die Kapazität des Tools zu erhöhen.
CampusInsight sammelt, analysiert und präsentiert Daten in seiner Benutzeroberfläche in fünf Schritten.
Der erste und zweite Schritt besteht darin, auf die Daten (von Geräten, die deren Erzeugung gewährleisten) zuzugreifen und „Messwerte“ zu erfassen. Mit dem Streaming von Telemetriedaten über das GPB-Protokoll von Google und herkömmlichem Syslog (wo immer möglich) aggregiert Huawei CampusInsight die Daten praktisch in Echtzeit:
- zur Nutzung des Frequenzspektrums;
- über die Funktionsweise von Access Points und anderen Netzwerkgeräten (Leistungskennzahlen, Anzahl der verbundenen Nutzer usw.);
- über den Verlauf einzelner Nutzer – über Netzwerkprofile, wer, wann und mit welchen Verbindungsparametern sich mit welchem Access Point verbunden oder nicht verbunden hat;
- über die Leistung von Audio- und Videoanwendungen (unter Verwendung von eMDI, das in einem der Zusatzpakete umgesetzt ist).
Um die Einschränkungen herkömmlicher Werkzeuge zu umgehen, die zur Datenerfassung SNMP und den Austausch fester Strukturen verwenden, basiert CampusInsight auf einem Abonnementsmodell für die benötigten Protokolle sowie Algorithmen zur Datenkodierung und -dekodierung.
Der dritte Schritt — Verteilung und Pufferung — das heißt, das Senden von „rohen“ Daten an Kafka zur Verteilung an hochrangige Analyse-Services.
Vierter Schritt — Analyse. Big Data- und KI-Algorithmen helfen, „rohe“ Daten schnell zu verarbeiten. Dadurch werden spezifische Probleme in Bezug auf folgende Aspekte identifiziert:
- Authentifizierung (unterstützt durch das Dot1x-Protokoll) und DHCP-Funktionalität;
- Stabilität und Geschwindigkeit der Verbindung;
- Drahtlose Schnittstellen;
- Funktionieren einzelner Geräte, einschließlich „Details“ wie PoE-Probleme oder das Umschalten eines Dualbandgeräts auf 2,4 GHz;
- Qualität von Audio- und Video-Streams — diese Funktion wird jedoch nur für unverschlüsseltes SIP oder bestimmte Switches unterstützt;
- Roaming zwischen verschiedenen Zugangspunkten.
KI-Algorithmen werden verwendet, um einige spezifische Probleme zu lösen, wie zum Beispiel die Identifizierung von Störungen zwischen Kanälen bei der Drahtlosübertragung.
Fünfter und letzter Schritt — Speicherung der Daten in der spaltenorientierten verteilten Datenbank Druid für die zukünftige Nutzung.
Die Analyse der gesammelten Informationen unter Berücksichtigung der erstellten "Baseline" basierend auf den historischen Daten ermöglicht die Identifizierung typischer "Muster von Misserfolgen" — indem KPI definiert werden, die mit problematischen Situationen korrelieren, und Probleme lokalisiert werden, um Lösungen vorzuschlagen. So werden rund 85 % aller Netzwerkprobleme erfasst.
Für den Administrator werden die Daten grafisch entsprechend der Hierarchie oder Topologie des Raums (zum Beispiel der Büroumgebung) dargestellt. Man kann "Heatmaps" erstellen und analysieren, wie stark Geräte bestimmter Plattformen oder Hersteller betroffen sind usw. So wird leichter nachvollziehbar, was das Problem verursacht hat.
Insgesamt bietet CampusInsight eine Vielzahl an Werkzeugen, die es ermöglichen, Probleme zu klassifizieren, betroffene Benutzer zu vergleichen, Daten zur Leistung eines bestimmten Kunden zu analysieren und sogar die Ereignisse, die dem Vorfall vorausgingen, "wieder abzuspielen", um die Quelle schnell zu identifizieren. Das Produkt unterstützt auch den neuen Wi-Fi 6 Standard, ganz zu schweigen von seinen Vorgängern.
Fälle
CampusInsight wurde bereits in der Praxis getestet, obwohl der Großteil der Fälle durch eine NDA abgedeckt ist. Der aussagekräftigste öffentliche Fall ist die Anwendung des Monitoring-Tools in einem eigenen Huawei-WLAN-Netzwerk.
Das Netzwerk erstreckt sich über Unternehmen, in denen etwa 180.000 Menschen beschäftigt sind, von denen 80.000 dem F&E-Bereich angehören (dies umfasst Büros in mehr als 170 Ländern, in denen insgesamt 62.000 Zugangspunkte installiert sind).
Die Implementierung von CampusInsight hat dazu beigetragen, mehr als 630 Zugangspunkte zu optimieren und gleichzeitig die Effizienz bei der Bearbeitung von Vorfällen um 30 % zu steigern.
Im Folgenden sind einige spezifische Situationen aufgeführt.
Beispiel 1. Gruppenfehler
Hochrangige Probleme, die bei einer großen Anzahl von Benutzern auftreten, sind häufig die Folge von niedrigstufigen Fehlern. Solche Probleme zu identifizieren, ist nicht so einfach. Zum Beispiel hatten in einem der Büros zahlreiche mobile Clients Schwierigkeiten mit der Authentifizierung, obwohl die Einstellungen korrekt waren und keine Probleme auftraten. dem Server durch Die Authentifizierung. Die Visualisierung der Daten auf verschiedenen Ebenen ermöglichte eine schnelle Identifizierung der Quelle des Problems: ein Switch, der zu viele Fehler verursachte. Um die Situation zu beheben, reichte es aus, ein Kabelstück auszutauschen. Die Lokalisierung und Problemlösung dauerten 90 Minuten.
Beispiel 2. Überwachung der Roaming-Qualität
Die Datenerfassung während des spezifischen Kundenpfades innerhalb eines verteilten Netzwerks ermöglicht die Identifizierung von nicht offensichtlichen Roaming-Problemen. Ein verbreitetes Szenario ist, wenn mobile Benutzer in bestimmten Bereichen eines Gebäudes Probleme mit der Netzwerkverbindung haben (obwohl der entsprechende Zugangspunkt in einwandfreiem Zustand zu sein scheint). Eine der Ursachen für solche Probleme kann eine zu hohe Leistung des Zugangspunkts im benachbarten Raum sein – sodass der Kunde versucht, sich mit einem Punkt zu verbinden, der bereits viele Benutzer bedient (ein reales Beispiel: Verbindung zu einem Zugangspunkt im Konferenzraum, während der Benutzer einfach vorbeigeht).
Um Probleme zu lösen, kann es manchmal ausreichend sein, die Signalstärke eines stark belasteten Access Points zu reduzieren. Die Identifizierung erfordert jedoch eine gründliche Analyse wiederkehrender Probleme in angrenzenden Räumen des Konferenzraums.
Bei der Verfolgung der Entwicklungstrends drahtloser Netzwerke kann erwartet werden, dass nicht nur große Unternehmen mit Tausenden von Access Points in naher Zukunft mit Wartungsproblemen konfrontiert werden, sondern auch der Mittelstand, der derzeit möglicherweise nur reaktive Incident-Management-Ansätze verfolgt. In Anbetracht dieser Entwicklungen ist es sinnvoll, sich neuen, effizienteren Standards und leistungsstarker Hardware zuzuwenden. Es ist jedoch auch wichtig, die notwendige Veränderung der Netzwerkbetreuungsparadigmen zu bedenken, bevor die Kunden massenhaft zu Wettbewerbern wegen der Servicequalität wechseln.
Natürlich wird das On-Site-Produkt der Klasse CampusInsight den größten Nutzen bei großflächigen Implementierungen bringen, aber jetzt ist auch ein Cloud-Abonnement des Dienstes über die lokale Public Cloud von Huawei verfügbar, das für den SMB-Sektor ausgelegt ist. Im Allgemeinen können Interessierte alles ausprobieren und es bereits jetzt "testen".
Quelle: habr.com
