万物互联 无线网络难负荷IoT浪潮?AI驱动可解决

  • 来源:未知
  • 时间:2018-10-13
  • 阅读:
  • 本文标签:

  

  随着越来越多的移动智能设备接入网络,传统的WiFi技术面临着巨大的挑战。人工智能驱动的无线网络能够防患于未然。

  建立人工智能驱动的无线网络需要以下四步:数据收集、处理、分析和反馈。人工智能驱动的无线网络可以判断用户无线网连接不畅的原因,做出实时反应,大大提高了问题解决的效率。

  无线局域网诞生之时,智能手机和平板还未出现,亚马逊云服务等云平台处于起步阶段。而当前智能移动设备和应用程序呈现爆炸式增长,物联网迅猛发展,传统的无线局域网正迎来巨大的挑战。

  例如,智能设备接入后,无线网络上的用户量大幅增加,一方面影响网络的容量和覆盖,造成干扰,拉低网络性能,另一方面使得WiFi的排错变得非常复杂。移动硬件平台、操作系统和应用程序的数量较十年前猛增,今天的信息系统往往是回应问题,而不是事先计划,预防问题。

  数据包嗅探不适用于大规模排错,管理员很难手动识别和修正每个变量的问题。(数据包嗅探是一种排错方式,系统管理员获取网络上流经的所有数据包,通过识别错误的数据包,准确找到网络障碍,维持有效的数据传输)智能时代的无线网络需要更优的排错机制。

  此外,移动设备成为主流计算平台,WiFi网络也跃升为大多数场景下的关键业务。用户不再能忍受无线网络覆盖不全,或是信号时断时续。一旦出现问题,技术部门需要迅速回应并予以解决。

  为了让无线网络成为核心业务,几个由来已久的WiFi运营难题需要得到彻底解决:

  数据包嗅探器昂贵费时,且往往无效。大部分无线问题是即刻的,用户和环境因素在改变,问题出现后不久就消失了。技术人员上门服务价格不菲,但效果也不佳,待到上门时触发问题的数据早已消失,无法用于解决问题。

  很难触及问题的根源。当移动用户无法连接至网络,或连接不畅,人们通常会首先怪罪无线网络。然而,很有可能问题出在DNS,DHCP,认证服务器或其它很多东西上。管理员需要简单迅速地识别根源,以便快速修复。

  管理员无法了解用户的体验。传统的WLAN系统以网络为中心,可以很好地呈现每一个接入点的情况,却很少关注用户的体验。这让排错变得复杂,且管理员无法监控连接时间、容量、覆盖和漫游等关键指标是否满足服务预期。

  有了机器学习和其它人工智能技术的辅助,人们终于可以实现流畅的大规模排错。人工智能驱动的WLAN可以快速识别问题的根源,未雨绸缪,设定服务目标,监控目标的执行。技术管理员的无线体验提升,移动端用户也获得绝佳的WiFi体验。

  建立人工智能驱动的WLAN有四个要素:数据收集、分类、处理和反馈。下面分点进行详述。

  正如酿造美酒需要最优质的葡萄,建立人工智能引擎需要来自网络、应用程序、设备和用户的优质数据。好的人工智能平台背后有大量的高质量数据支撑。

  首先,人们需要专门设计接入点,收集每一个无线设备连接前后的数据。同步数据和异步数据都不必可少。同步数据是系统里常见的数据,如网络状态。异步数据也是必要的,因为它呈现了用户的状态信息,可用于创建服务层,检测边缘异常。

  接下来,人工智能引擎会用一组原语对元数据进行结构化处理(原语是一段程序,由若干个机器指令构成,用于完成某种特定功能,如度量和分类)。引擎是为无线网络量身定做的。元数据经过结构化分类和数据科学分析,最后向网络反馈信息。

  人工智能引擎获得连接时间、吞吐量、覆盖、容量和漫游等关键指标,追踪终端用户的体验,并分析上述指标的即刻状态和趋势变化,查明背后的原因,以便设定服务目标,监控目标的执行。

  在数据收集、衡量和分类完成后,有趣的数据科学分析就开始了。这一过程应用的技巧包括监督机器学习、无监督机器学习、数据挖掘、深度学习和互信息等,可以执行基线配置,异常检测,事件关联度分析和预测建议等功能。

  “举个例子,系统收集时间序列数据(变量在不同时间点的数值),与基线进行比较,检测异常。上述结果与事件关联性分析相结合,可以迅速确定无线网络、有线网络和设备问题的根本原因,进而使网络管理员降低平均故障修复时间,节省成本,优化终端用户满意度。

  第二个例子是互信息(衡量两个随机变量间相互依赖性)的使用,它可以用于预测网络表现。具体来说,人工智能引擎从无线网边缘提取非结构化数据,将其转化为性能指标,如连接时间、吞吐量和漫游,接着用互信息确定哪些指标最有可能引起网络的成功或失败、对网络的影响有多大。

  人工智能引擎的最后一个部分是虚拟助手,它向技术管理员提供反馈,并将信息送回至网络,进行自动修正,打造“自我修复的网络”。

  自然语言处理器可以大大简化反馈流程。有了人工智能,管理员不再需要通过操作面板或编程语言解释器获得信息。这将大大提升技术团队的生产力,为员工和顾客带来更优质的用户体验。

  出现网络异常时,WLAN系统可以自动检测问题,捕获数据包,这个概念称为动态PCAP(dPCAP)。

  你能够倒回过去,了解异常出现时WiFi网络和移动设备的状态。技术人员不再需要到现场发送嗅探器,查明可能完全不存在的问题。数据触手可及,问题修复变得简单,技术成本降低,平均故障修复时间得以最小化。

  有了机器学习技术,WLAN能够从所有WiFi移动设备动态地收集信息,关联各个事件,快速识别问题根源。

  你可以从云端看到每一位移动用户的射频包,轻松判断该用户是否有“连接”、“覆盖”、“容量”、“吞吐量”或“漫游”的问题。如果不是无线网络的问题,那有可能是DNS、DHCP、WAN或认证问题。

  人工智能驱动的WLAN可以实时收集网络中每一个移动设备的状态信息,大大提升体验。例如,人们可以为重要性能指标设定门槛值,包括:

  若上述任一参数异常,你可以事先获悉原因,了解受影响的主要移动设备和主要无线网络。

  无线业务的变革期已经到来,我们应该摒弃回应性的事后排错,采取主动的预防措施,避免问题发生。无线网络应该拥抱智能的力量,实时进行自我调整,持续地为个体用户和各行业优化WiFi性能。

  无线网业务比任何时候都更加彰显出其核心地位,然而由于设备、操作系统和应用数量的增加,无线网排错的难度与日俱增。人工智能驱动的WLAN是一剂良方,帮助商家适应越来越多的新设备和新应用,在万物相连的世界里生存。

  作者简介:Jeff Aaron,现任初创公司Mist营销副总裁,负责公司智能无线网络平台的全球推广,拥有22年的高科技行业从业经验,擅长软件、网络和无线通信产品的营销。

本文来自电脑技术网www.it892.com),转载本文请注明来源.