Kualitas jaringan nirkabel sudah termasuk secara default dalam konsep tingkat layanan. Dan jika Anda ingin memenuhi permintaan pelanggan yang tinggi, Anda perlu tidak hanya dengan cepat menangani masalah jaringan yang muncul, tetapi juga untuk memprediksi yang paling masif dari mereka.
Bagaimana cara melakukannya? Hanya dengan melacak apa yang benar-benar penting dalam konteks ini adalah interaksi pengguna dengan jaringan nirkabel.
Beban jaringan terus bertambah, dan ini terutama memengaruhi segmen nirkabel - setidaknya karena keterbukaan antarmuka mereka. Dengan meningkatnya jumlah perangkat dan kecepatan transfer data, masalah berkembang biak sekaligus di beberapa level. Pada fisik - banyak pemancar sinyal radio saling mempengaruhi, bahkan jika mereka bekerja di bagian spektrum frekuensi yang berdekatan. Secara logis, sejumlah besar perangkat yang terhubung mulai bersaing untuk mendapatkan hak untuk memulai transmisi pada frekuensi yang dipilih, meningkatkan keterlambatan pengiriman paket untuk setiap pengguna.
Pada saat yang sama, harapan masing-masing klien dari menggunakan jaringan meningkat. Pemuatan halaman 5 detik di browser, yang 20 tahun lalu tampak seperti "puncak teknologi", tidak akan mengejutkan siapa pun. Berikan pelanggan video HD tanpa pudar.
Versi baru dari standar transmisi nirkabel, yang menggunakan spektrum frekuensi lebih efisien, sebagian dapat menyelesaikan masalah. Setiap
versi Wi-Fi berikutnya bertujuan untuk menyebarkan semakin banyak jaringan yang dimuat. Tetapi dalam jaringan skala besar, di mana terdapat lebih dari selusin titik akses, tidak akan mungkin untuk memberikan semuanya ke standar berikutnya (terlebih lagi, perangkat bekerja dalam mode kompatibilitas mundur segera setelah mereka bertemu dengan perangkat pengguna lama). Karena tidak berhasil melanjutkan hidup dengan alat pemantauan yang lama, lingkungan jaringan menjadi semakin rumit.
Mengapa pemantauan normal tidak lagi berfungsi
Cap klasik, yang masih menghantui administrator semua jaringan, termasuk nirkabel, bekerja secara eksklusif berdasarkan permintaan. "Alarm" berfungsi - kami bangun dan memahami apa yang salah. Sementara itu, tidak ada "alarm", Anda dapat membatasi diri untuk memeriksa beban pada komponen utama - jaringan dan perangkat pengguna.
Sesuai dengan tugas ini, alat pemantauan dan pemeliharaan tradisional bekerja berdasarkan aturan yang ketat dan tidak selalu segera menunjukkan masalah yang ada, belum lagi semacam analisis prediktif.
Masalah utama di sini adalah interval pengumpulan data. Informasi tentang keadaan koneksi jaringan nirkabel dikumpulkan sekali setiap menit, dan insiden mungkin terjadi dalam interval antara pengumpulan bacaan (contoh yang bagus adalah semburan beban langka yang "menggantung" jaringan). Tidak menerima data real-time, cukup sulit untuk memahami apa yang menjadi akar penyebab masalah. Apakah ini penyalahgunaan jangkauan jaringan? Atau, mungkin, gangguan eksternal yang tidak terkait dengan bisnis dengan cara apa pun (misalnya, unit militer terdekat "menuangkannya" di udara). Tidak ada data di mana akan mungkin untuk melihat degradasi bertahap karakteristik tertentu dari jaringan, dan oleh karena itu melokalkan masalah tidak sesederhana itu. Staf TI harus menghabiskan waktu ekstra untuk mencari "jarum di tumpukan jerami".
Tetapi pengguna akhir segera menyadari masalah tersebut. Kesalahan koneksi, siaran video yang rusak adalah penanda yang sangat baik.
Alat pemantauan klasik melaporkan paket jaringan yang datang. Tetapi mereka tidak dapat menjawab pertanyaan dengan cara apa pun, tetapi apakah pengguna telah menyelesaikan tugasnya.
Untuk mendapatkan jawaban atas pertanyaan ini, perlu untuk mengubah tidak hanya alat, tetapi pendekatan untuk memantau organisasi itu sendiri. Dari pekerjaan "api" berdasarkan permintaan (sebenarnya, memantau kinerja dan beban setrika tertentu), kami akan terus mengontrol pengalaman pengguna dan mengidentifikasi situasi yang dapat menyebabkan insiden.
Transformasi ini melibatkan pengenalan algoritma penentuan masalah yang lebih kompleks daripada peringatan sederhana ketika nilai-nilai tertentu tercapai. Dalam platform intelijen jaringan Huawei CampusInsight, algoritma ini didasarkan pada pengalaman layanan nirkabel dan teknik belajar mandiri.
Di bawah tenda CampusInsight
Huawei CampusInsight adalah platform yang dapat diskalakan untuk memonitor jaringan nirkabel berbagai ukuran. Dibangun berdasarkan arsitektur microservice. Setiap layanan dikerahkan pada beberapa contoh, pesan di antaranya didistribusikan oleh bus yang sesuai. Mesin virtual tambahan dapat digunakan secara dinamis, meningkatkan throughput alat.
Faktanya, CampusInsight mengumpulkan, menganalisis, dan menampilkan data dalam UI-nya dalam lima langkah.
Langkah pertama dan kedua adalah akses ke data (ke perangkat yang menyediakan generasi mereka) dan pengumpulan "bacaan". Menggunakan penangkapan telemetri streaming GPB Google dan Syslog "tradisional" (jika memungkinkan), Huawei CampusInsight mengumpulkan data dalam waktu nyata:
- tentang pemanfaatan spektrum frekuensi;
- berfungsinya titik akses dan perangkat jaringan lainnya (indikator kinerja, jumlah pengguna yang terhubung, dll.);
- tentang jalur pengguna tertentu - tentang profil jaringan, tentang siapa, kapan dan ke jalur akses mana yang terhubung atau tidak terhubung (dan dengan parameter koneksi apa);
- tentang kerja aplikasi audio-video (menggunakan eMDI, diimplementasikan dalam salah satu paket tambahan).
Untuk menghindari keterbatasan alat tradisional yang menggunakan SNMP untuk mengumpulkan data dan mengirim struktur tetap, CampusInsight didasarkan pada model berlangganan untuk log dan algoritma pengodean dan pengodean data yang diperlukan.
Langkah ketiga adalah distribusi dan buffering - yaitu. mengirimkan data mentah ke Kafka untuk distribusi ke layanan analisis tingkat yang lebih tinggi.
Langkah keempat adalah analisis. Algoritma Big Data dan AI membantu Anda memproses data mentah dengan cepat. Akibatnya, masalah tertentu diidentifikasi terkait dengan:
- otentikasi (didukung protokol Dot1x) dan operasi DHCP;
- stabilitas dan kecepatan koneksi;
- antarmuka nirkabel;
- pengoperasian masing-masing perangkat, termasuk "keterangan," seperti masalah dengan PoE atau beralih perangkat dual-band ke 2,4 GHz;
- kualitas stream audio-video - namun, fungsi ini hanya didukung untuk SIP yang tidak terenkripsi atau untuk beberapa sakelar;
- berkeliaran di antara titik akses yang berbeda.
Algoritma AI digunakan untuk menyelesaikan beberapa masalah tertentu, misalnya, untuk mendeteksi gangguan antar saluran selama transmisi nirkabel.
Langkah kelima dan terakhir adalah menyimpan data dalam basis data kolom terdistribusi Druid untuk digunakan nanti.
Analisis informasi yang dikumpulkan, dengan mempertimbangkan "baseline" yang dibangun menggunakan data historis yang sama, memungkinkan kami untuk mengidentifikasi "pola kegagalan" yang khas - menentukan KPI yang sesuai dengan situasi masalah dan melokalisasi masalah dengan menyarankan cara untuk menyelesaikannya. Dengan demikian, sekitar 85% dari semua masalah jaringan termasuk dalam alat ini.
Data disajikan kepada administrator dalam bentuk grafis sesuai dengan hierarki atau topologi ruang (misalnya, tata letak kantor). Anda dapat membangun "peta panas", menganalisis seberapa besar pengaruh peralatan dari platform atau produsen tertentu, dll Lebih mudah untuk memahami apa yang sebenarnya menyebabkan masalah.
Secara umum, CampusInsight menyediakan beberapa alat untuk mengklasifikasikan masalah, membandingkan pengguna yang terpengaruh, memeriksa data tentang pekerjaan klien tertentu, dan bahkan "memutar ulang" peristiwa yang mendahului kejadian untuk mengidentifikasi sumber dengan cepat. Pada saat yang sama, produk ini juga mendukung Wi-Fi 6 baru, belum lagi pendahulunya.
Kasing
CampusInsight telah diuji dalam praktik, meskipun sebagian besar kasus ditutup oleh NDA. Kasing terbuka yang paling terbuka adalah penggunaan alat pemantauan di jaringan nirkabel Huawei sendiri.
Jaringan ini mencakup perusahaan-perusahaan di mana sekitar 180 ribu orang dipekerjakan, di mana 80 ribu di antaranya milik divisi R&D (ini adalah kantor di lebih dari 170 negara, di mana total 62 ribu titik akses dipasang).
Implementasi CampusInsight telah membantu mengoptimalkan lebih dari 630 titik akses, sekaligus meningkatkan efisiensi analisis insiden hingga 30%.
Di bawah ini adalah beberapa situasi khusus.
Contoh 1. Kegagalan Grup
Masalah tingkat tinggi yang diamati pada sejumlah besar pengguna sering kali merupakan hasil dari kesalahan tingkat rendah. Dan untuk mengidentifikasi masalah seperti itu tidak sesederhana itu. Misalnya, di salah satu kantor, banyak klien seluler langsung mengalami kesulitan dengan otentikasi, meskipun pengaturan yang benar dan tidak adanya masalah dengan server otentikasi. Visualisasi data pada tingkat yang berbeda membantu dengan cepat mengidentifikasi bahwa saklar adalah sumber masalah dan menghasilkan terlalu banyak kesalahan. Dan untuk memperbaiki situasi, itu hanya perlu mengganti sepotong kabel. Pelokalan dan koreksi masalah membutuhkan waktu 90 menit.
Contoh 2. Melacak kualitas roaming
Mengumpulkan data di sepanjang jalur klien tertentu dalam jaringan terdistribusi memungkinkan Anda mengidentifikasi masalah roaming yang tidak jelas. Kasus umum adalah ketika di area tertentu dalam bangunan pengguna ponsel memiliki masalah dalam menyambung ke jaringan (meskipun, tampaknya, jalur akses yang sesuai adalah dalam urutan). Salah satu sumber masalah seperti itu adalah kekuatan terlalu tinggi dari titik akses di ruang tetangga - jadi alih-alih menyambung ke titik terdekat, klien mencoba untuk menghubungkan ke titik yang saat ini melayani sejumlah besar pengguna (kasus nyata: menghubungkan ke titik akses di konferensi) di aula ketika pengguna hanya lewat).
Untuk mengatasi masalah, kadang-kadang cukup untuk mengurangi kekuatan sinyal dari titik yang dimuat, namun, identifikasi memerlukan analisis mendalam tentang masalah berulang di kamar yang berdekatan dengan ruang konferensi.
Melacak tren perkembangan jaringan nirkabel, kita dapat berharap bahwa di masa mendatang, masalah layanan akan dihadapi tidak hanya oleh raksasa, yang jaringannya memiliki ribuan titik akses, tetapi juga oleh bisnis menengah, yang mungkin terbatas pada pekerjaan yang terjadi saja. Dengan asumsi perkembangan peristiwa seperti itu, adalah logis untuk melihat secara dekat standar baru yang lebih efisien dan peralatan berkinerja tinggi. Tetapi perlu diingat tentang perubahan paradigma yang diperlukan dalam layanan jaringan, sementara klien belum memulai migrasi massal ke pesaing karena kualitas layanan.
Tentu saja, produk berkelas CampusInsight di lokasi akan mendapat manfaat paling besar dalam penyebaran skala besar, tetapi sekarang langganan cloud juga tersedia untuk layanan dari Public Cloud Huawei setempat, yang dirancang untuk implementasi di sektor SMB. Secara umum, mereka yang berharap dapat mencoba segalanya dan "memutar" sekarang.