Traadita võrgu kvaliteet on juba vaikimisi osa teenustaseme mõistest. Ja kui soovite rahuldada klientide kõrgeid nõudmisi, peate mitte ainult kiiresti lahendama tekkivaid võrguprobleeme, vaid ka ennustama neid, mis võivad laiemalt esineda.
Kuidas seda teha? Ainult jälgides seda, mis on antud kontekstis tõeliselt oluline — kasutaja interaktsiooni traadita võrguga.
Võrkude koormus jätkab kasvu, mis mõjutab eriti traadita segmente — vähemalt nende liideste avatud loomuse tõttu. Koos seadmete arvu ja andmeedastuskiiruste suurenemisega kasvavad probleemid kiiresti mitmel tasandil. Füüsilisel tasandil mõjutavad paljud raadiolaine ülekandjad üksteist, isegi kui nad töötavad kõrvuti olevatel sagedusvahemikel. Loogilisel tasandil hakkab suur hulk ühendatud seadmeid konkureerima, et alustada edastust valitud sagedusel, suurendades iga kasutaja andmepakettide edastamise latentsust.
Selle samal ajal kasvavad ka iga kliendi ootused võrgu kasutamise osas. 5-sekundilised lehe laadimised brauseris, mis veel 20 aastat tagasi tundusid tehnoloogia tipuna, ei üllata enam kedagi. Klientide sooviks on HD-videokõne katkestusteta.
Probleemi osaliselt lahendavad uued versioonid juhtmevaba edastamise standarditest, mis kasutavad sagedusala tõhusamalt. Iga on suunatud üha koormatumate võrkude käitamisele. Kuid ulatuslikus võrgus, kus toimib mitukümmend juurdepääsupunkti, ei saa enam kogu vastutust anda järgmise standardi hoolde (veelgi enam, seadmed töötavad tagurpidi ühilduvalt, kui nad kohtavad vana kasutusseadmeid). Samuti ei saa jätkata vana seirevahendiga — võrgukeskkond muutub pidevalt keerulisemaks.
Miks tavaline seire ei pruugi enam toimida
Klassikaline probleem, mis ikka veel vaevab kõiki süsteemiadministraatoreid, sealhulgas juhtmeta võrke, – töö ainult taotluste alusel. Kui häire käivitub, saame teavituse ja selgitame välja, mis läks valesti. Kuni häiret pole, saame piirata kontrolli peamiste komponentide – võrgu- ja kasutusseadmete – koormuse üle.
Selle ülesande raames toimivad traditsioonilised jälgimis- ja hooldustööriistad rangete reeglite järgi ning ei näita alati olemasolevaid probleeme operatiivselt, rääkimata prognoosivast analüüsist.
Peamine probleem seisneb andmete kogumise intervallis. Teavet traadita võrguühenduste seisukorrast kogutakse kord minutis, samas kui insidendid võivad juhtuda andmete kogumise vahel (näide: haruldased koormuspiigid, mis "riputavad" võrku). Ilma reaalajas andmeteta on üsna keeruline mõista, mis probleemide aluseks on. Kas tegemist on vale võrgu katmise haldamisega? Või võivad-olla on põhjuseks välised häired, mis ei ole kuidagi seotud ettevõttega (näiteks läheduses asuv sõjaväebaas on eetris "mänginud"). Andmed puuduvad, et näha järkjärgulist teatud võrgukarakteristikute halvenemist, mistõttu probleemi lokaliseerimine pole nii lihtne. IT-personal peab kulutama lisatunde sellise "heinakuhja seest nõela" leidmiseks.
Kuid lõppkasutajad märkavad probleemi peaaegu kohe. Ühenduse viga, video edastamise katkemine – need on suurepärased märgid.
Klassikalised monitooringu vahendid teatavad, et võrgu paketid liiguvad. Kuid nad ei saa vastata küsimusele, kas kasutaja on oma ülesande lahendanud.
Selle küsimusele vastamiseks on vaja muuta mitte ainult tööriistu, vaid ka lähenemist jälgimise korraldamisele. Tuleb liikuda „tulekahju“ laadimiselt (praktiliselt, konkreetse riistvara jõudluse ja koormuse kontrollimine) kasutajakogemuse jälgimise ja olukordade tuvastamise suunas, mis võivad põhjustada sündmusi.
See transformatsioon eeldab keerukamate probleemide määratlemise algoritmide kasutuselevõttu, mitte lihtsalt teatud väärtuste saavutamise korral hoiatuste andmist. Huawei CampusInsight'i nutika võrguanalüüsi platvormi aluseks olevad algoritmid põhinevad juhtudel juhtimisteenusest ja enesetäiendamise tehnikatest.
CampusInsight'i sisemuses
Huawei CampusInsight on skaleeritav pideva jälgimise platvorm erinevas mõõtkavas traadita võrkude jaoks. See on üles ehitatud mikroteenuste arhitektuurile. Iga teenus on juurutatud mitmele instantsile, mille vahel sõnumid jagab vastav buss. Täiendavad instantsid võivad olla dünaamiliselt juurutatud, et suurendada tööriista läbilaskevõimet.
CampusInsight kogub, analüüsib ja kuvab andmeid oma kasutajaliideses viies etapis.
Esimene ja teine etapp — see on juurdepääs andmetele (seadmetele, mis neid genereerivad) ja "näidiste" kogumine. Kasutades Google'i GPB-protokolli kaudu andmete voogedastust ja "traditsioonilist" Syslogi (seal, kus see on võimalik), kogub Huawei CampusInsight andmeid praktiliselt reaalajas:
- sagedusvõime kasutamise kohta;
- juurdepääsupunktide ja muude võrguseadmete töö kohta (tõhususe näitajad, ühendatud kasutajate arv jne);
- konkreetsete kasutajate teekonnast — võrgu profiilidest, kes, millal ja millise juurdepääsupunktiga nad on ühendatud või mitte (ning milliste ühendusparameetritega);
- audio-video rakenduste töö kohta (kasutades eMDI-d, mis on rakendatud mõnes lisapakendis).
Et mööda minna traditsiooniliste tööriistade piirangutest, mis kasutavad andmete kogumiseks SNMP-d ja fikseeritud struktuuride edastamist, põhineb CampusInsight mudelil, mis võimaldab tellida vajalikke logisid ning andmete kodeerimise ja dekodeerimise algoritmid.
Kolmas etapp — jaotamine ja puhverdamine — st „toore” info edastamine Kafka kaudu kõrgemate analüüsiteenuste jaotamiseks.
Neljas etapp — analüüs. Suurte andmete ja tehisintellekti algoritmid aitavad kiiresti töödelda „tooreid” andmeid. Selle tulemusena tuvastatakse spetsiifilised probleemid, mis on seotud:
- autentimisega (toetab Dot1x protokolli) ja DHCP toimimisega;
- ühenduse stabiilsuse ja kiirusaga;
- traadita liideste;
- mõnede seadmete tööga, sealhulgas „detailide” nagu PoE probleemide või kahesageduselise seadme lülitamisega 2,4 GHz sagedusele;
- audio-video voogude kvaliteediga — kuid see funktsioon on toetatud ainult unkrüpteeritud SIP-i või mõningate lülitite jaoks;
- roaminguga erinevate ligipääsupunktide vahel.
Tehisintellekti algoritme kasutatakse mõnede erilahenduste, näiteks juhtmete vahelise häire tuvastamiseks traadita edastuse ajal.
Viies ja viimane etapp — andmete salvestamine Druid'i veergude jaotatud andmebaasi edasiseks kasutamiseks.
Kogutud teabe analüüs, võttes arvesse selliste ajalooliste andmete "baasjoont", võimaldab tuvastada tüüpilisi "ebaõnnestumise mustreid" — määrates probleemsete olukordadega seotud KPI-d ja lokaliseerides probleemid ning pakkudes nende lahendusi. Nii jõuab tööriist ligi 85% kõigist võrguprobleemidest.
Andmed esitatakse administraatorile graafilises vormis, järgides hierarhiat või ruumi topoloogiat (nt kontori plaan). On võimalik luua "soojuskaarte", analüüsida, kui palju on teatud platvormide või tootjate seadmeid hõlmatud jne. Nii on lihtsam mõista, mis täpselt probleemi põhjustas.
Üldiselt pakub CampusInsight üsna palju tööriistu, mis võimaldavad probleeme klassifitseerida, võrrelda mõjutatud kasutajaid, uurida konkreetse kliendi tööandmeid ja isegi "taasesitada" sündmused, mis eelnesid intsidentidele, et kiiresti tuvastada allikas. Samuti toetab toode uusimat Wi-Fi 6, rääkimata eelkäijatest.
Juhud
CampusInsight on juba praktikas testitud, kuigi enamik juhtumeid on konfidentsiaalsed. Kõige silmapaistvam avalik juhtum on jälgimistööriista rakendamine ettevõtte enda Huawei traadita võrgus.
Võrk katab ettevõtteid, kus töötab umbes 180 000 inimest, kellest 80 000 kuulub R&D osakonda (need on bürood enam kui 170 riigis, kus on kokku paigaldatud 62 000 juurdepääsupunkti).
CampusInsight'i rakendamine aitas optimeerida enam kui 630 juurdepääsupunkti, samal ajal suurendades juhtumite lahendamise efektiivsust 30% võrra.
Allpool on paar konkreetset olukorda.
Näide 1. Rikka rike
Kohalikud probleemid, mis esinevad paljude kasutajate seas, on sageli madalamate tasemete vigade tagajärg. Selliste probleemide tuvastamine ei ole aga nii lihtne. Näiteks ühes büroos koges palju mobiilkliente autentimisega seotud raskusi, kuigi seaded olid õiged ja probleeme ei esinenud. serveriga autentimise. Andmete visualiseerimine erinevatel tasanditel aitas kiiresti välja selgitada, et probleemide allikaks oli lüliti, mis andis liiga palju vigu. Probleemi lahendamiseks piisab vaid kaabli tüki vahetamisest. Probleemi lokaliseerimine ja parandamine kestis 90 minutit.
Näide 2. Rändluse kvaliteedi jälgimine
Kliendi konkreetse tee andmete kogumine jaotatud võrgus võimaldab tuvastada ebamugavaid rändlusprobleeme. Levinud juhtum on see, kui mobiilsete kasutajate ühenduvus teatud hoonetes on probleemne (kuigi, näiliselt on vastav juurdepääsupunkt korras). Üheks selliste probleemide allikaks võib olla naaberruumis liiga suur juurdepääsupunkti võimsus – nii et klient püüab ühenduda mitte lähima punktiga, vaid selle punktiga, mis praegu teenindab juba suurt hulka kasutajaid (reaalne juhtum: ühendus konverentsiruumi juurdepääsupunktiga, kui kasutaja lihtsalt mööda jalutab).
Probleemi lahendamiseks võib mõnikord piisata koormatud punkti signaali võimsuse vähendamisest, kuid tuvastamine nõuab sügavat analüüsi korduvatest probleemidest konverentsisaali lähedal asuvates ruumides.
Jälgides juhtmeta võrkude arengusuundi, võib oodata, et tulevikus seisavad teeninduse probleemidest silmitsi mitte ainult hiiglased, kelle võrgud koosnevad tuhandetest juurdepääsupunktidest, vaid ka keskmine ettevõte, mis praegu võib piirduda ainult juhtumite käsitlemisega. Selliste sündmuste arvestamine tähendab, et on mõistlik jälgida uusi, tõhusamaid standardeid ja kõrgetasemelist varustust. Kuid on oluline pidada meeles ka vajalikke muutusi võrgu teeninduse paradigmas, enne kui kliendid hakkavad massiliselt konkurentide juurde migratsiooni tõttu teenuse kvaliteedi pärast.
Muidugi toob CampusInsight klassi toode kõige rohkem kasu suurtes juurutustes, kuid praegu on saadaval ka pilvepõhine tellimus Huawei kohalikust Public Cloud'ist, mis on mõeldud SMB-sektori juurutamiseks. Üldiselt saavad huvilised selle juba praegu proovida ja "ringi keerutada".
Allikas: habr.com
