A vezeték nélküli hálózat minősége már alapértelmezés szerint a szolgáltatási szint fogalmába tartozik. Ha magas ügyfélelvárásokat akarunk kielégíteni, nemcsak gyorsan kell reagálnunk a felmerülő hálózati problémákra, hanem a leggyakoribbakat is előre kell jelezni.
Hogyan tegyük ezt? Csak úgy, ha figyelemmel kísérjük, ami valóban fontos ebben a kontextusban – a felhasználó interakcióját a vezeték nélküli hálózattal.
A hálózatokra nehezedő terhelés folyamatosan növekszik, és ez különösen a vezeték nélküli szegmenseket érinti – legalábbis az interfészük nyitottsága miatt. Az eszközök számának és az adatátvitel sebességének növekedésével a problémák azonnal több szinten is megsokasodnak. Fizikai szinten – számos rádiójelet küldő egység befolyásolja egymást, még ha a frekvenciasáv szomszédos részein is működnek. Logikai szinten – a csatlakoztatott eszközök nagy száma versenyez a kiválasztott frekvencián történő adatátvitel jogáért, növelve a csomagok késleltetését minden felhasználó számára.
Ezzel párhuzamosan a hálózat használatával járó ügyfélelvárások is növekszenek. Az 5 másodperces weboldal töltési idővel, ami még húsz évvel ezelőtt a „technika csúcsa” volt, már senkit sem lehet meglepni. Az ügyfelek HD videókapcsolatokat szeretnének, megtörés nélküli képpel.
Részben újabb vezeték nélküli átviteli szabványok új verziói segíthetik a problémát, amelyek hatékonyabban használják a frekvenciaspektrumot. Minden arra irányul, hogy egyre nagyobb terhelésű hálózatokat valósítson meg. De egy nagyszabású hálózatban, ahol nem egy tucat hozzáférési pont működik, nem lehet mindent egy újabb szabványra bízni (főleg, mivel az eszközök régi felhasználói eszközökkel találkozva visszafelé kompatibilis üzemmódba lépnek). Ahogy továbbra sem lehet élni a régi monitorozási eszközökkel – a hálózati környezet folyamatosan bonyolódik.
Miért nem működik a klasszikus monitoring?
A klasszikus toposz, amely továbbra is kísérti az összes hálózat, köztük a vezeték nélküli hálózatok adminisztrátorait, a kérésekre való reagálás. Ha megszólal az „alarm”, felébredünk és tisztázzuk, mi történt. Amíg „alarm” nincs, elégedhetünk az alapvető komponensek – a hálózati és felhasználói eszközök – terhelésének ellenőrzésével.
A feladat során a hagyományos monitoring és karbantartási eszközök merev szabályok szerint működnek, és nem mindig mutatják azonnal a már létező problémákat, nem beszélve a prediktív elemzésről.
A fő probléma itt az adatgyűjtési intervallumban rejlik. Az információ a vezeték nélküli hálózati kapcsolatok állapotáról percekben gyűlik, míg az események a mérések közötti intervallumokban is bekövetkezhetnek (jó példa a ritkán előforduló terhelési csúcsok, amelyek "megakadhatják" a hálózatot). Valós idejű adatok híján meglehetősen nehéz kideríteni, mi volt a probléma mélyebb oka. Rossz hálózati lefedettség? Vagy esetleg külső zavarok, amelyeknek nincs köze az üzlethez (például egy közeli katonai bázis "rázhatott" a frekvencián)? Nincsenek adatok, amelyek alapján látható lenne az egyes hálózati jellemzők fokozatos romlása, így a probléma lokalizálása sem könnyű. Az IT személyzetnek felesleges órákat kell eltöltenie egy ilyen "tű keresésével a szénakazalban".
Ezért a végfelhasználók a problémát szinte azonnal észlelik. A csatlakozási hiba, a videófolyam megszakadása - remek jelzők.
A klasszikus monitoring eszközök azt jelzik, hogy a hálózati csomagok jönnek. De nem tudják megválaszolni a kérdést, hogy a felhasználó megoldotta-e a feladatát.
A kérdés megválaszolásához nem csupán az eszközt, hanem a monitoring szervezésének megközelítését is meg kell változtatni. A "tűzoltó" munkáról (valójában a konkrét hardver teljesítményének és terhelésének ellenőrzéséről) át kell térni a felhasználói élmény ellenőrzésére és az incidensekhez vezető helyzetek azonosítására.
Ez a transzformáció bonyolultabb problémameghatározó algoritmusok bevezetését jelenti, mint egyszerű figyelmeztetések a meghatározott értékek elérésekor. A Huawei CampusInsight intelligens hálózati elemző platformján ezek az algoritmusok a vezeték nélküli hálózatok karbantartási tapasztalatain és a gépi tanulási technikákon alapulnak.
A CampusInsight fejlesztése alatt
A Huawei CampusInsight – egy skálázható platform vezeték nélküli hálózatok monitorozására különböző méretekben. Mikroszolgáltatás-architektúrára épül. Minden szolgáltatás több példányban fut, az üzeneteket megfelelő busz terjeszti. További példányok dinamikusan telepíthetők, így növelve az eszköz áteresztőképességét.
A CampusInsight valójában öt lépésben gyűjt, elemez és jelenít meg adatokat a saját UI-jában.
Az első és második lépés a hozzáférés az adatokhoz (azokhoz az eszközökhöz, amelyek generálják őket) és a "mérési adatok" gyűjtése. A Google GPB protokollon keresztül folyamatosan gyűjtve és a "hagyományos" Syslog segítségével (ahol ez lehetséges), a Huawei CampusInsight gyakorlatilag valós időben halmozza az adatokat:
- a frekvenciaspektrum kihasználásáról;
- a hozzáférési pontok és más hálózati eszközök működéséről (teljesítménymutatók, csatlakoztatott felhasználók száma stb.);
- a konkrét felhasználók útvonaláról – a hálózati profilokról, arról, hogy ki, mikor és melyik hozzáférési ponthoz csatlakozott vagy nem csatlakozott (és milyen kapcsolódási paraméterek mellett);
- az audio-vizuális alkalmazások működéséről (az eMDI használatával, amelyet az egyik kiegészítő csomagban valósítottak meg).
A hagyományos, SNMP-t használó és rögzített struktúrájú adatátvitelt alkalmazó eszközök korlátozásainak megkerülése érdekében a CampusInsight alapjában olyan modell került bevezetésre, amely lehetővé teszi a szükséges naplókra való előfizetést és az adatok kódolásának és dekódolásának algoritmusait.
A harmadik lépés a terjesztés és a pufferelés – azaz a "nyers" adatok elküldése a Kafka-ba a magasabb szintű elemző szolgáltatásokhoz való eljuttatás érdekében.
A negyedik lépés az elemzés. A Big Data és AI algoritmusok segítenek a "nyers" adatok gyors feldolgozásában. Ennek eredményeként a kapcsolódó problémák azonosíthatók, mint például:
- az azonosítás (a Dot1x protokoll támogatása) és a DHCP működése;
- a kapcsolat stabilitása és sebessége;
- a vezeték nélküli interfészek;
- az egyes eszközök működése, beleértve a "részleteket", mint például a PoE problémák vagy a két sávos eszköz 2,4 GHz-re való váltása;
- az audio-vizuális folyamatok minősége – igaz, hogy ez a funkció csak titkosítatlan SIP esetén vagy néhány switch esetében támogatott;
- a roaming különböző hozzáférési pontok között.
Az AI algoritmusokat egyes specifikus feladatok, például az interferenciák azonosítására használják vezeték nélküli átvitelnél.
Az ötödik és egyben utolsó lépés — az adatok mentése a Druid oszlopos elosztott adatbázisba a további felhasználás céljából.
A gyűjtött információk elemzése, figyelembe véve a történelmi adatokon alapuló „alapvonalat”, lehetővé teszi a tipikus „hiba minták” azonosítását – meghatározva a KPI-ket, amelyek problémás helyzetekhez kapcsolódnak, és lokalizálva a problémákat, javaslatokkal a megoldásokra. Így az eszköz figyelembe veszi a hálózati problémák körülbelül 85%-át.
Az adminisztrátorok számára az adatok grafikus formában jelennek meg a térbeli hierarchia vagy topológia szerint (például az iroda elrendezése). Lehetőség van „hő térképek” készítésére, az érintett berendezések különböző platformjainak vagy gyártóinak hatásának elemzésére stb. Így könnyebben megérthető, hogy mi okozta a problémát.
Összességében a CampusInsight számos eszközt kínál a problémák osztályozására, az érintett felhasználók összehasonlítására, egy adott ügyfél munkájával kapcsolatos adatok tanulmányozására, sőt az incidens előtti események „visszajátszására” a forrás gyors azonosítása érdekében. A termék továbbá támogatja az új Wi-Fi 6-ot, nem beszélve a megelőző verziókról.
Esettanulmányok
A CampusInsight már gyakorlatban is kipróbálásra került, bár a legtöbb eset titkosítás alatt áll. A legemlékezetesebb nyilvános eset a monitoring eszköz használata a Huawei saját vezeték nélküli hálózatában.
A hálózat vállalatokat foglal magában, ahol körülbelül 180 ezer ember dolgozik, ebből 80 ezer a K+F részleghez tartozik (irodák több mint 170 országban, ahol összesen 62 ezer hozzáférési pont található).
A CampusInsight bevezetése több mint 630 hozzáférési pont optimalizálásában segített, miközben 30%-kal növelte az incidensek kezelésének hatékonyságát.
Íme néhány konkrét helyzet.
Példa 1. Csoportos hiba
A számos felhasználónál megfigyelt magas szintű problémák gyakran alacsony szintű hibák következményei. Az ilyen problémák azonosítása nem egyszerű. Például az egyik irodában sok mobil kliens tapasztalt nehézségeket az azonosítással, a beállítások helyessége és a problémák hiánya ellenére. szerverrel Az adatok vizualizálása különböző szinteken gyorsan segített azonosítani a probléma forrását, amely egy olyan switch volt, amely túl sok hibát adott. A helyzet megoldásához csupán egy kábeldarabot kellett kicserélni. A probléma lokalizálása és kijavítása 90 percet vett igénybe.
Példa 2. Roming minőségének nyomon követése
A konkrét ügyfél útvonalának adatgyűjtése egy elosztott hálózaton belül segít azonosítani a nem nyilvánvaló roming problémákat. Gyakori eset, amikor az épület egyes zónáiban a mobil felhasználóknak csatlakozási problémái vannak a hálózathoz (bár a megfelelő hozzáférési pont rendben van). Az ilyen problémák egyik forrása lehet a szomszédos helyiségben lévő hozzáférési pont túl nagy teljesítménye – így ahelyett, hogy a legközelebbi ponthoz csatlakozna, az ügyfél a túlterhelthez próbál csatlakozni (valódi eset: csatlakozás egy konferenciaterem hozzáférési pontjához, miközben a felhasználó elhalad mellette).
A probléma megoldásához néha elegendő a túlterhelt pont jelszintjének csökkentése, azonban a feltárás mélyreható elemzést igényel a konferenciateremhez közeli helyiségekben előforduló ismétlődő problémákról.
A vezeték nélküli hálózatok fejlődési tendenciáinak nyomon követésével várható, hogy a jövőben nemcsak a hatalmasok, akik hálózatuk több ezer hozzáférési pontot tartalmaz, hanem a közepes méretű vállalatok is szembesülnek majd a szolgáltatási problémákkal, amelyek egyelőre még balesetek kezelésére korlátozódnak. E fejlődés figyelembevételével érdemes figyelemmel kísérni az új, hatékonyabb normákat és nagy teljesítményű berendezéseket. Ugyanakkor fontos figyelembe venni a szolgáltatási paradigma szükséges megváltoztatását, amíg a kliensek még nem kezdtek el tömeges migrációt a versenytársakhoz a szolgáltatás minősége miatt.
Természetesen a CampusInsight osztályú onsite termék a legnagyobb hasznot a nagy léptékű bevezetéseknél hozza, de jelenleg elérhető egy felhőalapú előfizetés is a helyi Huawei Public Cloud szolgáltatásból, amely a SMB szektorban való bevezetésre lett tervezve. Összességében a kíváncsiak mindent kipróbálhatnak és 'forgathatják' már most.
Forrás: habr.com
