Kvaliteten på det trådlösa nätverket ingår redan automatiskt i begreppet servicenivå. Om man vill tillfredsställa höga kundkrav måste man inte bara snabbt hantera uppkomna nätverksproblem, utan också förutse de mest frekventa av dem.
Hur gör man det? Genom att följa upp det som verkligen är viktigt i detta sammanhang — användarens interaktion med det trådlösa nätverket.
Belastningen på nätverken fortsätter att öka, och detta påverkar särskilt de trådlösa segmenten — åtminstone på grund av öppenheten i deras gränssnitt. Med en ökning av antalet enheter och hastigheter för informationsöverföring uppstår problem direkt på flera nivåer. På den fysiska nivån påverkar många radiosignalöverförande sändare varandra, även om de arbetar på närliggande delar av frekvensspektrumet. På den logiska nivån börjar ett stort antal anslutna enheter konkurrera om rätten att påbörja överföring på den valda frekvensen, vilket ökar leveranstiden för paket för varje användare.
Samtidigt växer varje kunds förväntningar på användningen av nätverket. En fem sekunder lång sidladdning i webbläsaren, som för tjugo år sedan ansågs vara "spetsen av teknologi", överraskar ingen längre. Kunderna kräver HD-videokommunikation utan förseningar i bilden.
Delvis kan problemet lösas genom nya versioner av standarder för trådlös överföring, som effektivare använder frekvensspektrumet. Varje är riktad mot att implementera allt mer belastade nätverk. Men i ett omfattande nätverk, där flera dussin åtkomstpunkter fungerar, kommer man inte att kunna överlämna allt till det senaste standarden (inte minst eftersom enheterna fungerar i bakåtkompatibel läge så snart de stöter på gammal användarutrustning). Lika lite som man kan fortsätta att leva med de gamla övervakningsmetoderna — det nätverksmiljön blir ständigt mer komplex.
Varför fungerar vanlig övervakning inte längre
Den klassiska klichén, som fortfarande förföljer administratörer av alla nätverk, inklusive trådlösa, är att arbeta enbart på begäran. Alarmet går — vi vaknar och tar reda på vad som gick fel. Och så länge det inte finns något alarm kan vi nöja oss med att kontrollera belastningen på de grundläggande komponenterna — nätverks- och användarutrustning.
I enlighet med denna uppgift fungerar traditionella övervaknings- och underhållsverktyg utifrån strikta regler och visar sällan snabbt redan existerande problem, för att inte tala om någon form av prediktiv analys.
Huvudproblemet här ligger i insamlingsintervallet för data. Informationen om tillståndet för trådlösa nätverksanslutningar samlas in var några minuter, och incidenter kan mycket väl inträffa mellan insamlingen av mätvärden (ett utmärkt exempel är sällsynta belastningsspikar som "fryser" nätverket). Utan realtidsdata är det ganska svårt att förstå vad som orsakat problemet. Är det felaktig hantering av nätverkstäckningen? Eller kanske externa störningar som inte har något att göra med verksamheten (till exempel en militär enhet i närheten som orsakar störningar i eter)? Det saknas data för att se en gradvis nedbrytning av vissa nätverkskarakteristika, vilket gör det svårare att lokalisera problemet. IT-personalen måste lägga ner extra timmar på att leta efter denna "nål i en höstack".
Men slutusers märker problemet nästan omedelbart. Anslutningsfel, avbrott i videoströmning – utmärkta markörer.
Klassiska övervakningsverktyg rapporterar att nätverkspaket är på väg. Men de kan inte svara på frågan om användaren har löst sitt problem.
För att få svar på denna fråga måste man byta inte bara verktyg utan även tillvägagångssättet för att organisera övervakningen. Från "brandkårsarbete" som hanterar begärningar (i praktiken, övervakning av prestanda och belastning på specifik hårdvara) till att övervaka användarupplevelsen och identifiera situationer som kan leda till incidenter.
Denna transformation innebär att man inför mer komplexa algoritmer för problemidentifiering än bara enkla varningar vid uppnådda värden. I Huaweis plattform för intelligent nätverksanalys CampusInsight är dessa algoritmer baserade på erfarenhet av att underhålla trådlösa nätverk och tekniker för självinlärning.
Under huven på CampusInsight
Huawei CampusInsight – en skalbar plattform för övervakning av trådlösa nätverk i olika storlekar. Byggd på mikroservice-arkitektur. Varje tjänst är distribuerad över flera instanser, och meddelandena fördelas av en motsvarande buss. Ytterligare instanser kan distribueras dynamiskt, vilket ökar verktygets kapacitet.
CampusInsight samlar, analyserar och visar faktiskt data i sitt användargränssnitt i fem steg.
Första och andra steget – är tillgång till data (till de enheter som genererar dem) och insamling av "mätvärden". Genom att använda strömmande insamling av telemetry via GPB-protokollet från Google och "traditionell" Syslog (där det är möjligt) ackumulerar Huawei CampusInsight praktiskt taget i realtid data:
- om utnyttjande av frekvensspektrum;
- om funktionen hos accesspunkterna och andra nätverksenheter (prestandamått, antal anslutna användare osv.);
- om vägen för specifika användare – om nätverksprofiler, om vem, när och till vilken accesspunkt som anslöt eller inte anslöt (och med vilka anslutningsparametrar);
- om funktionen hos ljud- och videoprogram (använder eMDI, implementerat i ett av tilläggspaketen).
För att kringgå begränsningarna hos traditionella verktyg som använder SNMP för datainsamling och vidarebefordran av fasta strukturer, bygger CampusInsight på en modell med prenumeration på nödvändiga loggar samt algoritmer för kodning och avkodning av data.
Tredje steget – distribution och buffring – d.v.s. sända "råa" data till Kafka för distribution till mer avancerade analys-tjänster.
Det fjärde steget – analys. Big Data- och AI-algoritmer hjälper till att snabbt bearbeta "rådata". Som ett resultat identifieras specifika problem relaterade till:
- autentisering (Dot1x-protokollet stödjs) och DHCP-funktion;
- stabilitet och hastighet på anslutningen;
- trådlösa gränssnitt;
- funktionen hos individuella enheter, inklusive "detaljer", som problem med PoE eller växling av en dual-band-enhet till 2,4 GHz;
- kvaliteten på ljud- och videoströmmar – dock stöds funktionen endast för okrypterad SIP eller för vissa switchar;
- roaming mellan olika accesspunkter.
AI-algoritmer används för att lösa specifika problem, till exempel att identifiera interferens mellan kanaler vid trådlös överföring.
Femte och sista steget – lagring av data i den kolumnbaserade distribuerade databasen Druid för framtida användning.
Analysen av den insamlade informationen med hänsyn till den etablerade "baslinjen" baserad på historiska data gör det möjligt att identifiera typiska "mönster av misslyckanden" – genom att definiera KPI:er kopplade till problematiska situationer och lokalisera problem, samt föreslå lösningar. På så sätt beaktas cirka 85 % av alla nätverksproblem.
Administratören får data presenterad grafiskt enligt hierarkin eller topologin av utrymmet (till exempel kontorslayouten). Det går att skapa "värmekartor", analysera hur mycket utrustning av specifika plattformer eller tillverkare har påverkats, och så vidare. Det blir enklare att förstå vad som orsakade problemet.
Generellt erbjuder CampusInsight många verktyg för att klassificera problem, jämföra berörda användare, studera data om en specifik klients prestanda och till och med "återskapa" händelser som föregick incidenten för att snabbt identifiera källan. Produkten stöder även den nya Wi-Fi 6, för att inte tala om tidigare versioner.
Fallstudier
CampusInsight har redan testats i praktiken, även om de flesta fall är skyddade av NDA. Den mest framstående offentliga fallstudien är användningen av övervakningsverktyget i Huawei:s egen trådlösa nätverk.
Nätverket omfattar företag där cirka 180 000 personer är anställda, varav 80 000 tillhör R&D-avdelningen (detta är kontor i mer än 170 länder, där totalt 62 000 åtkomstpunkter har installerats).
Införandet av CampusInsight har hjälpt till att optimera mer än 630 åtkomstpunkter, samtidigt som effektiviteten vid hantering av incidenter har ökat med 30%.
Nedan följer några konkreta situationer.
Exempel 1. Gruppfel
Högnivåproblem som observeras hos många användare är ofta en följd av lågnivåfel. Och det kan vara svårt att upptäcka sådana problem. Till exempel, i ett av kontoren hade många mobila kunder problem med autentisering, trots att inställningarna var korrekta och det inte fanns några problem med servern Autentisering. Visualisering av data på olika nivåer hjälpte snabbt att identifiera att källan till problemet var en switch som gav för många fel. För att åtgärda situationen krävdes det bara att byta ut ett stycke kabel. Lokalisering och lösning av problemet tog 90 minuter.
Exempel 2. Spårning av roamingkvalitet
Insamling av data kring en specifik kunds väg genom ett distribuerat nätverk gör att man kan identifiera svårupptäckta roamingproblem. Ett vanligt fall är när mobila användare har problem med att ansluta till nätverket i specifika områden i byggnaden (även om den relevanta åtkomstpunkten verkar vara i ordning). En av källorna till sådana problem kan vara att signalstyrkan från en åtkomstpunkt i angränsande rum är för hög – vilket gör att kunden försöker ansluta till den punkt som redan servar många användare (ett verkligt fall: anslutning till en åtkomstpunkt i ett konferensrum när användaren bara går förbi).
För att lösa problemet kan det ibland räcka med att sänka signalstyrkan från den belastade punkten, men att identifiera detta kräver djupgående analys av återkommande problem i angränsande rum till konferensrummet.
Genom att följa trenderna inom trådlösa nätverk kan man förvänta sig att även medelstora företag, som hittills kan nöja sig med incidenthantering, kommer att ställas inför serviceproblem i den närmaste framtiden, inte bara de stora aktörerna vars nätverk har tusentals åtkomstpunkter. Givet en sådan utveckling är det logiskt att titta på nya, mer effektiva standarder och högpresterande utrustning. Men det är också viktigt att komma ihåg behovet av att förändra nätverksservicemodellen innan kunderna påbörjar en massmigration till konkurrenter på grund av tjänstekvalitet.
Självklart kommer onsite-produkten CampusInsight att ge störst nytta i stor omfattning av implementationer, men det finns nu även en molnabonnemangstjänst från den lokala Public Cloud Huawei, inriktad på SMB-sektorn. I stort sett kan intresserade prova allt och "vrida på" det redan nu.
Källa: habr.com
