Kakovost brezžične mreže je že privzeto vključena v pojem ravni storitve. Če želite zadovoljiti visoke zahteve strank, ni dovolj le hitro reševanje omrežnih težav, temveč je treba tudi napovedovati najpogostejše med njimi.
Kako to doseči? Le z opazovanjem tega, kar je v tem kontekstu resnično pomembno — interakcijo uporabnika z brezžično mrežo.
Obremenitve na omrežju nenehno rastejo, kar še posebej vpliva na brezžične segmente — vsaj zaradi odprtosti njihovega vmesnika. S povečanjem števila naprav in hitrosti prenosa podatkov se težave pomnožijo na več ravneh. Na fizični ravni — številni prenosniki radijskih signalov vplivajo drug na drugega, tudi če delujejo na sosednjih delih frekvenčnega spektra. Na logični ravni — veliko število povezanih naprav začne tekmovati za pravico, da začnejo prenos na izbrani frekvenci, kar povečuje zakasnitev pri dostavi paketov za vsakega uporabnika.
Hkrati rastejo tudi pričakovanja vsake stranke glede uporabe omrežja. 5-sekundno nalaganje strani v brskalniku, ki se je pred 20 leti zdelo 'vrhunec tehnologije', danes ne očara nikogar. Stranke pričakujejo HD-videoklic brez zatikanja slike.
Delno rešitev ponujajo nove različice standardov brezžičnega prenosa, ki učinkoviteje uporabljajo frekvenčni spekter. Vsaka je usmerjena v širitev vse bolj obremenjenih mrež. V obsežni mreži, kjer deluje več deset dostopnih točk, pa že ni možno prepustiti vsega novemu standardu (še posebej, ker naprave delujejo v načinu povratne združljivosti, takoj ko naletijo na staro uporabniško napravo). Tako tudi ni možno naprej živeti s starimi sredstvi za spremljanje — omrežno okolje se stalno zapleta.
Zakaj običajno spremljanje več ne deluje
Klasičen kliše, ki še vedno sledi skrbnikom vseh omrežij, vključno z brezžičnimi, je delovanje izključno po zahtevah. Ko 'alarm' zazvoni — se zbudimo in ugotovimo, kaj je šlo narobe. Dokler 'alarma' ni, se lahko omejimo na preverjanje obremenitev osnovnih komponent — omrežnih in uporabniških naprav.
V skladu s to nalogo tradicionalna orodja za spremljanje in vzdrževanje delujejo po načelu strogih pravil in ne prikazujejo vedno obstoječih težav pravočasno, kaj šele kakšno napovedno analizo.
Glavni problem je v intervalu zbiranja podatkov. Informacije o stanju brezžičnih omrežnih povezav se zbirajo vsake minute, medtem ko se incidenti lahko zgodijo v intervalih med zbiranjem podatkov (odličen primer so redki vrhovi obremenitve, ki 'zamrznejo' omrežje). Brez podatkov v realnem času je precej težko razumeti, kaj je globinski vzrok težave. Ali gre za nepravilno upravljanje omrežnega pokritja? Ali morda zunanje motnje, ki niso povezane s poslovanjem (recimo, vojaška enota je 'motila' v eteru). Nima podatkov, ki bi pokazali postopno degradacijo določenih značilnosti omrežja, zato lokalizacija težave ni tako enostavna. IT osebje bo moralo porabiti dodatne ure za iskanje te 'igle v senu'.
Konec koncev pa uporabniki težavo opazijo skoraj takoj. Napaka pri povezovanju, prekinitev prenosa videa - odlični markerji.
Klasična sredstva za spremljanje poročajo, da omrežni paketi potujejo. A ne morejo odgovoriti na vprašanje, ali je uporabnik rešil svojo nalogo.
Da bi dobili odgovor na to vprašanje, bo potrebno spremeniti ne le orodje, ampak tudi sam pristop k organizaciji spremljanja. Preiti je treba od 'gasilske' službe po zahtevkih (dejansko nadziranje zmogljivosti in obremenitve konkretne strojne opreme) k nadzoru uporabniške izkušnje in prepoznavanju situacij, ki bi lahko privedle do incidentov.
Ta transformacija predvideva uvedbo bolj zapletenih algoritmov za določanje težav, kot so preprosta opozorila ob dosegi določenih vrednosti. Na platformi za inteligentno omrežno analizo Huawei CampusInsight so ti algoritmi osnovani na izkušnjah upravljanja brezžičnih omrežij in tehnikah samo-učenja.
Pod pokrovom CampusInsight
Huawei CampusInsight – razširljiva platforma za spremljanje brezžičnih omrežij različnih velikosti. Zgrajena je na podlagi mikrostoritvene arhitekture. Vsaka storitev je nameščena na več instancah, sporočila med njimi pa razporeja ustrezna avtobus. Dodatne instance se lahko dinamično uvajajo, kar povečuje pretočnost orodja.
CampusInsight dejansko zbira, analizira in prikazuje podatke v svojem uporabniškem vmesniku v petih korakih.
Prvi in drugi korak sta dostop do podatkov (do naprav, ki jih generirajo) in zbiranje "meritev". Z uporabo pretokovnega zbiranja telemetrije po protokolu GPB od Googla in "tradicionalnega" Syslog (kjer je to mogoče) Huawei CampusInsight skoraj v realnem času akumulira podatke:
- o izrabi frekvenčnega spektra;
- o delovanju dostopnih točk in drugih omrežnih naprav (kazalniki uspešnosti, število povezanih uporabnikov itd.);
- o poti določenih uporabnikov – o omrežnih profilih, kdo, kdaj in na katero dostopno točko se je povezal ali se ni povezal (in s kakšnimi parametri povezave);
- o delovanju avdio-video aplikacij (z uporabo eMDI, implementirane v enem od dodatnih paketov).
Da bi obšli omejitve tradicionalnih orodij, ki za zbiranje podatkov uporabljajo SNMP in pošiljanje fiksnih struktur, je bila v osnovi CampusInsight zasnovana model naročanja na potrebne dnevniške zapise ter algoritme za kodiranje in dekodiranje podatkov.
Tretji korak je razporeditev in predpomnjenje – tj. pošiljanje "surovih" podatkov v Kafka za razporeditev v bolj visokokakovostne analitične storitve.
Četrti korak je analiza. Algoritmi Big Data in AI pomagajo hitro obdelovati "surove" podatke. Kot rezultat se odkrijejo posamezne težave, povezane z:
- avtentikacijo (podprt je protokol Dot1x) in delovanjem DHCP;
- stabilnostjo in hitrostjo povezave;
- brezžičnimi vmesniki;
- delovanjem posameznih naprav, vključno z "majhnimi podrobnostmi", kot so težave z PoE ali preklapljanjem dvobandne naprave na 2,4 GHz;
- kakovostjo avdio-video tokov – res pa je, da funkcija podpira le nešifrirano SIP ali nekatere stikala;
- romaingom med različnimi dostopnimi točkami.
Algoritmi umetne inteligence se uporabljajo za reševanje določenih specifičnih nalog, na primer odkrivanja motenj med kanali pri brezžični prenosu.
Peti in zadnji korak — shranjevanje podatkov v kolonski distribuirani bazi podatkov Druid za kasnejšo uporabo.
Analiza zbranih informacij ob upoštevanju na osnovi zgodovinskih podatkov zgrajene "referenčne linije" omogoča prepoznavanje tipičnih "vzorcev neuspehov" — opredelitev KPI-jev, ki ustrezajo problematičnim situacijam, in lokalizacijo težav s predlogi za njihovo rešitev. Tako orodje zajame približno 85% vseh omrežnih težav.
Sistemski administratorji podatke prikazujejo v grafični obliki v skladu z hierarhijo ali topologijo prostora (na primer, načrtom pisarne). Mogoče je ustvariti "toplotne karte", analizirati, koliko je oprema določenih platform ali proizvajalcev prizadeta itd. Tako je lažje razumeti, kaj je povzročilo težavo.
Na splošno CampusInsight ponuja precej veliko orodij, ki omogočajo klasifikacijo težav, primerjavo prizadetih uporabnikov, raziskovanje podatkov o delovanju določenega naročnika in celo "predvajanje" dogodkov, ki so predhodili incidentu, da hitro odkrijemo vir. Pri tem izdelek podpira tudi nov Wi-Fi 6, da ne omenjamo njegovih predhodnikov.
Študije primerov
CampusInsight je že preizkušen v praksi, čeprav je večina primerov sklenjena pod NDA. Najbolj prikazan odprt primer — uporaba orodja za spremljanje v lastnem brezžičnem omrežju Huawei.
Omrežje zajema podjetja, kjer dela okoli 180.000 ljudi, od katerih se 80.000 nanaša na R&D oddelek (to so pisarne v več kot 170 državah, kjer je skupno nameščenih 62.000 dostopnih točk).
Implementacija CampusInsight je pomagala optimizirati več kot 630 dostopnih točk, hkrati pa povečati učinkovitost reševanja incidentov za 30%.
Spodaj je nekaj konkretnih situacij.
Primer 1. Skupinski izpad
Visok nivo težav, ki jih opažamo pri velikem številu uporabnikov, je pogosto posledica nizkofrekvenčnih napak. In takšne težave ni enostavno odkriti. Na primer, v eni od pisarn je več mobilnih strank imelo težave z avtentikacijo, kljub pravilnim nastavitvam in odsotnosti težav s serverom Аутентификация. Визуализация данных на разных уровнях помогла быстро выявить, что источником проблемы был свич, выдававший слишком много ошибок. А для исправления ситуации потребовалось всего лишь заменить кусок кабеля. Локализация и исправление проблемы заняли 90 минут.
Пример 2. Отслеживание качества роуминга
Сбор данных по пути конкретного клиента внутри распределенной сети позволяет выявлять неочевидные проблемы роуминга. Распространенный случай – когда в отдельных зонах здания у мобильных пользователей возникают проблемы с подключением к сети (хотя, казалось бы, соответствующая точка доступа в порядке). Одним из источников таких проблем может быть слишком высокая мощность точки доступа в соседнем помещении – так что вместо подключения к ближайшей точке, клиент пытается подключиться к той, которая в данный момент и так обслуживает большое количество пользователей (реальный случай: подключение к точке доступа в конференц-зале, когда пользователь просто проходит мимо).
Для решения проблемы иногда достаточно снизить мощность сигнала нагруженной точки, однако выявление требует глубокого анализа повторяющихся проблем в смежных с конференц-залом помещениях.
Прослеживая тенденции развития беспроводных сетей, можно ожидать, что с проблемами обслуживания в обозримом будущем столкнутся не только гиганты, чьи сети насчитывают тысячи точек доступа, но и средний бизнес, который пока может ограничиваться работой по инцидентам. Предполагая такое развитие событий, логично присматриваться к новым, более эффективным стандартам и высокопроизводительному оборудованию. Но стоит помнить и о необходимой смене парадигмы обслуживания сети, пока еще клиенты не начали массовую миграцию к конкурентам из-за качества сервиса.
Конечно, онсайт продукт класса CampusInsight наибольшую пользу принесет в масштабных внедрениях, но сейчас доступна и облачная подписка на сервис из локального Public Cloud Huawei, рассчитанная на внедрения в SMB секторе. В общем, желающие могут все попробовать и «покрутить» уже сейчас.
Izvor: habr.com
