Cloudnet_AI漫游技术白皮书-5W100-整本手册_18页_1mb

Cloudnet AI 漫游技术白皮书总结

核心内容

Cloudnet AI 漫游是一项基于人工智能和大数据分析的无线网络智能运维功能，深度集成于 H3C Cloudnet 网络管理平台。该功能通过协同网络设备与云端数据，实现终端漫游行为的智能化引导和优化，提升用户体验和网络稳定性。

主要观点

1. 传统无线漫游问题

   • 传统智能运维系统中，终端漫游由终端自主控制，缺乏与 AC 的协同。
   • 缺乏终端粒度和设备粒度的漫游数据展示，导致无法精细化分析和优化漫游行为。

2. AI 漫游技术优势

   • 动态调整漫游策略：基于终端的运动状态识别，实现更精准的漫游推荐。
   • 终端个体画像：以终端为单位进行建模，提供个性化漫游策略。
   • 网络特征学习：基于海量漫游数据，学习并生成网络特征，用于漫游优化。
   • 漫游引导智能化：新部署网络可快速继承优化后的漫游策略，实现“开局即最佳”。
   • 数据可视化与分析：提供漫游收益、轨迹、日志、问题事件等多维度可视化分析，帮助运维人员快速定位问题。

关键信息

技术实现

• 事件采集：使用 Kafka 作为消息中间件，实现终端事件的解耦和高效处理。
• 数据处理：基于 Spring Boot 构建后台服务接口，支持高并发数据接入。
• 数据存储：使用 MongoDB 存储终端事件的详细信息，支持灵活扩展。
• 数据缓存：利用 Redis 缓存漫游统计数据，提升系统性能。
• 漫游数据分类：终端旅程数据库中存储四类漫游事件（正常漫游、差漫游、漫游失败、乒乓漫游），记录漫游耗时、信号强度、AP 信息等关键数据。

运行机制

1. 终端运动状态识别：通过周期性采集 RSSI 数据，分析终端是否处于移动状态，避免误触发漫游。
2. 终端画像与网络特征上云：设备侧学习并生成终端画像和网络特征，上传至 Cloudnet 平台，用于后续网络优化。
3. 新网络漫游引导：新部署网络从云端获取网络特征基准和终端画像，结合本地 AP 布局生成引导策略。
4. 漫游事件入库：系统持续上报终端事件至云端，用于后续分析与优化。
5. 漫游轨迹分析：Cloudnet 平台结合场所平面图与 AP 点位信息，分析终端漫游路径，提升运维效率。
6. 漫游收益计算：AI 漫游运行超过七天后，系统计算并展示漫游收益指标（平均耗时、信号强度、达标率等）。
7. 问题漫游统计：每五分钟统计漫游失败、乒乓漫游、差漫游事件，便于快速识别问题。

使用流程

1. 开启 AI 漫游：在 Cloudnet 平台中选择场所和设备，一键开启 AI 漫游功能。
2. 配置区域分析：上传场所平面图，绑定 AP 点位，为漫游轨迹分析提供数据支持。
3. 查看漫游收益：通过趋势图和具体指标，评估 AI 漫游对网络体验的提升效果。
4. 查看漫游日志：展示最近 20 条漫游事件，包括类型、时间、MAC 地址等信息。
5. 查看问题漫游：通过柱状图展示问题漫游事件，点击可查看详细数据。
6. 查看终端事件时序图：以时间轴形式展示终端事件，便于快速识别异常。
7. 查看漫游轨迹：通过点击漫游事件图标，回放终端移动路径，辅助问题定位。
8. 查看终端日志详情：提供事件详情、迁移方式、信号强度变化、速率统计等详细信息，支持深入分析。

典型组网应用

3.1 典型组网

• 采用 AC 管理 Fit AP 的组网方式，终端通过 Fit AP 接入无线网络。
• AC 注册在 Cloudnet 平台，运维人员通过平台对 AC、Fit AP 和终端进行统一配置和管理。

3.2 漫游体验差报障

• 报障现象：终端频繁发生乒乓漫游问题，影响用户体验。
• 问题定位：通过 AI 漫游功能，可快速识别漫游异常事件并分析其原因。

3.3 AI 漫游排障

• 问题漫游分析：通过 Cloudnet 平台查看问题漫游事件详情，包括漫入漫出 AP、信号强度、射频模式等。
• 终端旅程分析：查看终端每次漫游的详细数据，系统提供初步原因和建议。
• 优化策略：根据分析结果，调整 AP 点位布局，减少乒乓漫游问题的发生。

总结

Cloudnet AI 漫游通过 AI 技术实现无线终端的智能化漫游引导，有效解决了传统漫游方式中缺乏协同、数据分析不精细等问题。其基于终端运动状态识别、个体画像与网络特征学习，结合数据可视化和收益分析，为运维人员提供全面的漫游监控与优化手段，显著提升用户漫游体验和网络稳定性。