CampusInsight: infrastruktuuri jälgimisest kasutajakogemuse analüüsini

Juhtmevaba võrgu kvaliteet on juba vaikimisi osa teenuse tasemest. Ja kui soovite rahuldada klientide kõrgeid nõudmisi, tuleb mitte ainult kiiresti lahendada tekkinud võrguprobleeme, vaid ka ennustada neid, mis võivad massiliselt esineda.

Kuidas seda teha? Ainult jälgides seda, mis on selles kontekstis tõeliselt oluline — kasutaja suhtlemine juhtmevaba võrguga.

Võrgu koormused jätkavad kasvu ja see mõjutab eriti juhtmevabasid segmente — vähemalt nende liidese avatusest tulenevalt. Koos seadmete arvu ja andmete edastuskiiruste kasvuga tekivad probleemid koheselt mitmel tasandil. Füüsilisel tasandil mõjutavad paljusid raadiolainete edastajaid teineteist, isegi kui nad töötavad naaberalade sagedusala piires. Loogilisel tasandil hakkab suur hulk ühendatud seadmeid konkureerima õiguse üle alustada edastust valitud sagedusel, suurendades iga kasutaja pakettide edastamise viivitust. 

Selle kõrval kasvavad ka iga kliendi ootused võrgu kasutamise osas. 5-sekundiline laadimisaeg brauseri lehe jaoks, mis veel 20 aastat tagasi näis „tipptasemel tehnoloogia”, ei üllata enam kedagi. Klientidele tuleb pakkuda HD-videokõnet ilma pildihäireteta.

Osaliselt aitab probleemi lahendada uusimate juhtmevabade edastamise standardite versioonide kasutamine, mis kasutavad sagedusala tõhusamalt. Iga järgmine Wi-Fi versioon on suunatud järjest koormatud võrkude kasutusele võtmiseks. Kuid mastaapses võrgus, kus töötab mitte üks vaid kümneid juurdepääsupunkte, ei saa juba anda kõike järgmise standardi hoolde (rääkimata sellest, et seadmed töötavad tagurpidi ühilduvuses, kui nad kohtavad vanema kasutajaseadet). Kujutlege, et vana monitooringutarkvara jätkavad, kuna võrgu keskkond muutub pidevalt keerulisemaks.

Miks tavapärane monitooring enam ei tööta

Klassikaline klišee, mis jälitab jätkuvalt kõiki võrkude administraatoreid, sealhulgas juhtmevabu, on töö ainult päringute alusel. Kui „alarm” läheb sisse — ärkame üles ja uurime, mis läks valesti. Ja seni, kuni „alarmi” pole, võib piirduda põhikomponentide koormuse kontrollimisega – võrgu ja kasutajaseadmetega. 

Käesoleva ülesande kohaselt toimivad traditsioonilised jälgimis- ja hooldusvahendid jäikade reeglite põhimõttel ja ei näita alati kiiresti juba olemasolevaid probleeme, rääkimata mingist prognoosivast analüüsist. 

Siin on peamine probleem andmete kogumise intervallis. Teave juhtmeta võrguühenduste seisundi kohta kogutakse kord minutis, kuid sündmused võivad juhtuda just need intervallid vahele (heal juhul haruldased koormuspiikide juhtumid „riputavad” võrgu kinni). Ilma reaalajaandmeteta on üsna keeruline mõista, mis on probleemi sügavam põhjus. Kas on tegemist vale võrgu katte haldamisega? Või võivad-olla on välised häired, mis ei ole kuidagi seotud ettevõttega (näiteks sõjaväeosa lähedal „tegi oma asju” raadiosignaalide häirimisega). Andmeid ei ole, et näha teatud omaduste järkjärgulist halvenemist, mistõttu on probleemi lokaliseerimine keeruline. IT-personal peab kulutama lisatunde sellise „heinakuhjast nõela” otsimisele.
Lõppkasutajad märkavad probleemi aga praktiliselt kohe. Ühenduse tõrge, videosignaali katkestus – suurepärased märgid.

Klassikalised jälgimisvahendid teatavad, et võrgu paketid liiguvad. Kuid nad ei suuda vastata küsimusele, kas kasutaja saavutas oma eesmärgi.

Küsimusele vastuse saamiseks tuleb vahetada mitte ainult tööriist, vaid ka lähenemisviis jälgimise korraldamisele. Tuleb liikuda „tulekahju” töölt (tegelikult konkreetse riistvara jõudluse ja koormuse jälgimiselt) kasutajakogemuse jälgimise ja olukordade tuvastamise suunas, mis võivad viia sündmusteni.

See transformatsioon eeldab keerukamate probleemide määramise algoritmide rakendamist, mitte lihtsalt teatud väärtuste saavutamisel hoiatuste edastamisest. Huawei CampusInsight'i nutika võrguanalüüsi platvormil põhinevad need algoritmid juhtmeta võrkude teenindamise kogemusel ja enesekehtestamise tehnikatel.

CampusInsight'i all

Huawei CampusInsight – skaleeritav platvorm traadita võrkude jälgimiseks erinevate suurustega. See on loodud mikroteenuse arhitektuuri alusel. Iga teenus on paigaldatud mitmele instantsile, nende vahel jaotab sõnumeid vastav buss. Täiendavaid instantsseid saab dünaamiliselt paigaldada, suurendades tööriista läbilaskevõimet.

Tegelikult kogub, analüüsib ja kuvab CampusInsight andmeid oma UI-s viie sammu jooksul.

Esimene ja teine samm — on juurdepääs andmetele (seadmetele, mis nende genereerimist tagavad) ja "näidikute" kogumine. Kasutades Google'i protokolli GPB kaudu voogude kogumist ja "traditsioonilist" Syslog'i (seal, kus see on võimalik), kogub Huawei CampusInsight andmeid praktiliselt reaalajas:

• sagedusala kasutamise kohta;
• juurdepääsupunktide ja teiste võrgu seadmete töö kohta (tulemused, ühendatud kasutajate arv jne);
• konkreetsete kasutajate kohta – võrgu profiilide, selle kohta, kes, millal ja millise juurdepääsupunktiga ühendus või mitte, ning milliste ühenduse parameetritega;
• audio-video rakenduste kohta (kasutades eMDI-d, mis on rakendatud ühes lisapakendis).

Et vältida traditsiooniliste tööriistade piire, mis koguvad andmeid SNMP kaudu ja edastavad fikseeritud struktuure, põhineb CampusInsight mudelile tellimiseks vajalike logide vahele ja andmete kodeerimis- ja dekodeerimismeetoditele.

Kolmas samm — jaotamine ja puhverdamine – t.j. "toores" andmete saatmine Kafka'sse kõrgema taseme analüüsiteenuste jaotamiseks.

Neljas samm — analüüs. Suurte andmete ja AI algoritmid aitavad kiiresti töödelda "toores" andmeid. Tulemusena tuvastatakse erinevad probleemid, mis on seotud:

• autentimisega (toetatakse protokolli Dot1x) ja DHCP tööga;
• ühenduse stabiilsuse ja kiirus;
• traadita liideste;
• eraklike seadmete tööga, sealhulgas "detailidega", nagu PoE probleemid või kahe sagedusvahemiku seadme lülitamine 2.4 GHz peale;
• audio-video voogude kvaliteediga – tegelikult toetatakse funktsiooni ainult mittekrüpteeritud SIP või mõnede lülitite jaoks;
• roaminguga erinevate juurdepääsupunktide vahel.

Tehisintellekti algoritme kasutatakse mõnede spetsiifiliste ülesannete lahendamiseks, näiteks kanalite vahelise sekkumise tuvastamiseks traadita edastamise korral.

Viies ja viimane samm — andmete salvestamine veergude jagatud andmebaasi Druid edaspidiseks kasutamiseks.

Kogutud teabe analüüs, arvestades selle põhjal koostatud ajaloolisi andmeid, võimaldab tuvastada tüüpilisi "ebaõnnestumise mustreid" — määrates probleemsete olukordadega seotud KPI-d ning lokaliseerides probleemid, pakkudes välja lahendusteed. Niisiis, tööriist hõlmab umbes 85% kõigist võrguprobleemidest. 

Administraatorile esitatakse andmed graafilises formaadis vastavalt ruumi hierarhiale või topoloogiale (näiteks kontori plaan). Saate koostada "kuumakaardid", analüüsida, kui palju on mõjutatud teatavate platvormide või tootjate seadmed jne. Nii on lihtsam mõista, mis täpselt probleemi põhjustas.

Üldiselt pakub CampusInsight üsna palju tööriistu, mis võimaldavad klassifitseerida probleeme, võrrelda mõjutatud kasutajaid, uurida konkreetse kliendi tööandmeid ja isegi "taasesitada" sündmusi, mis eelnesid insidendile, et kiiresti allikat tuvastada. Samuti toetab toode uut Wi-Fi 6, rääkimata eelkäijatest.

Juhtumid

CampusInsight on juba praktikas katsetatud, kuigi enamik juhtumeid on suletud NDA all. Kõige silmatorkavam avatud juhtum on monitorimisvahendi rakendamine Huawei enda traadita võrgus.

Võrgus osaleb umbes 180 000 inimest, kellest 80 000 kuulub R&D osakonda (need on bürood rohkem kui 170 riigis, kus on kokku paigaldatud 62 000 juurdepääsupunkti).

CampusInsight'i rakendamine aitas optimeerida üle 630 juurdepääsupunkti, samal ajal tõstes sündmuste lahendamise efektiivsust 30%.
Allpool on paar konkreetset olukorda.

Näide 1. Grupiviga

Kõrgetasemelised probleemid, mis esinevad paljudel kasutajatel, on sageli madalat asemel olevate vigade tagajärg. Selliseid probleeme on raske tuvastada. Näiteks ühes kontoris kogesid paljud mobiilseadmed autentimisprobleeme, vaatamata seadistuste korrektsusele ja probleemide puudumisele. serverilt Autentimine. Andmete visualiseerimine erinevatel tasanditel aitas kiiresti kindlaks teha, et probleemide allikaks oli lüliti, mis andis liiga palju vigu. Probleemi lahendamiseks oli vaja vaid asendada kaablitükk. Probleemi lokaliseerimine ja lahendamine võttis aega 90 minutit.

Näide 2. Rändeteenuste kvaliteedi jälgimine

Kliendi andmete kogumine ja jälgimine hajutatud võrgus võimaldab tuvastada mitte ilmselgeid rändeteenuste probleeme. Levinud juhtum on, kui mobiilikasutajad satuvad hoone erinevates piirkondades võrguühenduse probleemidesse (kuigi vastav juurdepääsupunkt näib olevat korras). Üks selliste probleemide allikatest võib olla naaberruumis olevale juurdepääsupunktile liiga kõrge võimsus – nii et selle asemel, et ühendada kõige lähemal asuvasse punkti, üritab klient kõigepealt ühendada sellesse, mis teenindab juba suurt hulka kasutajaid (reaalne juhtum: ühendamine konverentsiruumi juurdepääsupunktiga, kui kasutaja lihtsalt mööda käib).

Probleemi lahendamiseks on mõnikord piisav, kui vähendada koormatud juurdepääsupunkti signaalivõimsust, kuid selle tuvastamine nõuab sügavat analüüsi korduvate probleemide kohta naaberruumides konverentsiruumi lähedal.

Jälgides traadita võrkude arengutrende, võib eeldada, et teenindusprobleemidega seisavad silmitsi tulevikus mitte ainult hiiglased, kelle võrgud sisaldavad tuhandeid juurdepääsupunkte, vaid ka keskmine ettevõte, mis hetkel võib piirduda vaid sündmustega tegelemisega. Arvestades sellist arengut, on mõistlik otsida uusi, tõhusamaid standardeid ja suure jõudlusega seadmeid. Kuid on ka oluline meeles pidada vajalikke muutusi võrguhalduse paradigmas, enne kui kliendid on massiliselt hakanud rändama konkurentide juurde teenuse kvaliteedi tõttu.

Loomulikult toob CampusInsight toode, mis on klassifitseeritud on-site teenusena, kõige suuremat kasu ulatuslikel rakendustel, kuid praegu on saadaval ka pilvepõhine teenus Huawei kohalikus Public Cloud’is, mis on suunatud SMB-sektori rakendustele. Ühtlasi saavad huvilised juba praegu kõike proovida ja "keerutada".

Allikas: habr.com