Cloudnet AI漫游技术白皮书

目录 1概述·······························································································································11.1产生背景······················································································································11.2技术优势······················································································································12技术实现·························································································································22.1概念介绍······················································································································22.2运行机制······················································································································22.2.1概述···················································································································22.2.2工作机制·············································································································32.2.3使用流程·············································································································53典型组网应用·················································································································143.1典型组网····················································································································143.2漫游体验差报障···········································································································153.3 AI漫游排障················································································································15 1概述 1.1产生背景 传统智能运维系统在无线漫游方面存在以下问题： (1)无线终端的漫游行为完全由终端自行控制，属于终端的自主行为，AC与终端在漫游检测和决策阶段缺乏协同与交互，导致漫游效果不理想。(2)缺乏基于终端粒度的漫游事件详细数据展示，无法精细分析单个终端的漫游行为。(3)缺乏基于设备粒度的漫游统计数据展示，难以及时掌握整体网络漫游状况。 H3C AI漫游是一种深度集成于H3C Cloudnet网络管理平台的智能运维功能。该功能基于真实终端的漫游大数据，通过AI学习构建特定空口环境下的漫游参数特征和终端个体特征，并与Cloudnet网络管理联动，从而实现智能化的漫游引导策略。同时，系统提供多维度的可视化统计分析、漫游轨迹回放以及收益指标的量化评估，有效弥补传统方案的不足。 1.2技术优势 AI漫游功能具有以下技术优势： (1)动态调整漫游策略通过高精度运动状态检测（移动/静止），实时感知终端状态，动态调整漫游策略，向终端推荐更合适的AP，减少因环境波动带来的无效漫游切换，显著提升用户漫游体验。(2)精细化终端个体画像以终端个体为粒度进行建模，而非仅按厂商、品牌等维度分类，为每一台终端设备构建唯一画像，实现从“群体画像”向“个体画像”的升级，从而更精准地匹配漫游策略。(3)漫游策略差异化在终端个体画像的基础上，动态学习并生成终端的漫游网络特征。区别于传统所有网络采用同一套漫游引导策略的方式，同一终端在不同网络中可采用差异化的漫游引导策略，更贴合实际网络环境。(4)漫游引导智能化基于现网海量漫游数据，AI学习并形成网络特征和终端画像，并将结果上报至Cloudnet网络管理平台。在部署全新网络时，设备侧可快速继承并获取优化后的基线漫游引导策略，实现“开局即最佳”的智能漫游引导。(5)漫游数据可视化Cloudnet网络管理平台通过丰富的可视化图表模型，集中展示终端事件、漫游轨迹、漫游收益及漫游问题，帮助运维人员快速定位漫游异常事件，并直观评估漫游体验的提升效果。 2技术实现 2.1概念介绍 AI漫游功能应用Spring Boot、MongoDB、Kafka和Redis等技术，实现终端事件的高效统计与处理。该技术方案利用现代微服务架构和高性能中间件，提升了终端事件采集、传输、存储及分析的效率，主要包括以下核心要素： •事件采集：通过Kafka作为分布式消息中间件，监听设备侧上报的终端事件消息，对数据进行解耦后再处理，减少了系统间的强依赖，同时保证数据的可靠传递。•数据传递：利用Spring Boot构建的后台服务接口，实时接收前端页面的数据请求，实现高并发的数据接入。•数据存储：采用MongoDB存储终端事件的详细信息，利用其灵活的文档模型和高水平的扩展能力，满足复杂事件数据的存储和查询需求。•高速缓存：通过Redis对漫游统计数据结果进行缓存，减轻数据库压力，实现高性能的数据读取。 该套框架采用业内广泛应用的主流技术架构，在终端事件统计效率和系统并发处理能力方面表现出色，适用于大规模设备接入、实时数据统计等场景，并为智能运维监控提供坚实可靠的数据支撑。 2.2运行机制 2.2.1概述 仅AC、FitAP部分款型及版本支持本功能，具体支持情况请以设备为准。 如图1所示，H3CAI漫游是Cloudnet网络管理平台与网络设备协同配合实现的一套漫游优化机制。 •设备侧开启协同漫游功能后，通过学习大量的漫游数据生成当前网络的网络特征（即AP的漫游参数特征）和个体终端画像，指导当前网络中的无线终端漫游，同时将学习生成的网络特征和终端画像上传至Cloudnet网络管理平台。 •新部署的无线网络连接至Cloudnet网络管理平台后，云端会向设备侧下发根据大量学习生成的网络特征基准和与终端匹配的终端画像作为漫游引导基线策略指导终端漫游，同时设备侧会根据当前网络运行状态下的漫游数据不断微调基线引导策略以达到最佳漫游引导策略状态。 2.2.2工作机制 AI漫游功能的具体工作机制如下： (1)终端运动状态识别 由于无线空口环境的特征，终端在静止状态下的信号强度也可能出现较大且不可预期的波动，在传统信号检测算法中，这类波动容易被误判为终端在移动，从而触发无效漫游。为避免这种无效漫游，AP会周期性检测无线终端的RSSI，根据RSSI的变化规律识别终端的运动状态：在终端处于运动状态时及时引导其漫游，而在终端静止且信号质量较好时则不引导漫游。 终端运动状态识别的关键步骤包括：采集终端静止状态下的RSSI数据，提取其中的关键特征，基于特征数据生成静止状态的RSSI波动模型，并在此基础上对终端RSSI进行实时监测。系统根据实际波动情况与模型的偏离程度判断终端是否处于运动状态，例如，当终端RSSI波动幅度超过模型设定阈值时，即可判定终端正在移动。 (2)终端画像&网络特征上云 设备侧通过海量的漫游数据学习生成当前网络下的网络特征和终端画像，指导当前网络中的无线终端漫游，同时将学习生成的网络特征和终端画像上传到Cloudnet网络管理平台。云端基于大量网络上报的漫游数据，汇聚形成终端个体的精准画像库，在新网络部署时提供及时的个性化漫游引导服务。 网络特征记录了各Radio的不同最大传输功率（代表了AP的疏密程度）对应的终端漫游门限值。云端利用学习到的大量漫游数据计算生成一个网络特征基准表。终端画像记录了终端的能力集合，包括终端厂商、系统版本、终端名称、802.11k支持情况、802.11r支持情况、2.4G漫游阈值、5G漫游阈值、BTM邻居列表依赖、漫游灵敏度、引导模式等。 (3)新部署网络漫游引导 a.新网络连接云端后，设备向云端请求漫游策略，云端向设备下发网络特征基准表。设备收到云端下发的网络特征基准表后，结合自身的AP布局特征和邻居扫描信息进一步计算得出本地基线引导策略。b.无线终端首次上线后，设备向云端请求终端画像，如果云端有与之匹配的终端画像则回复设备，作为终端画像基线。如果云端不存在匹配的终端画像，则不下发终端画像。c.设备根据当前网络运行状态下的漫游数据不断微调基线引导策略，以最佳的漫游引导策略指导终端漫游。d.设备定期将学习形成的网络特征和终端画像上报云端，云端汇聚形成画像库。 (4)终端事件入库 无线终端在线过程中，设备持续上报云端关心的所有终端事件，云端通过监听设备消息，分离出各个类型的终端事件，存储至对应的终端事件数据库，其中的终端漫游事件将存储于终端旅程数据库中。终端旅程数据库中存储了四类漫游事件表项：正常漫游、差漫游、漫游失败、乒乓漫游，每类漫游事件表项中都会记录漫游耗时、漫入漫出信号强度、AP信息等基础数据。 (5)漫游轨迹分析 Cloudnet网络管理平台利用区域分析数据库中的场所平面图以及AP点位数据，匹配终端漫游时间段内涉及的AP信息，并根据终端接入和离开各AP的时间顺序，获得终端在AP间的漫游轨迹数据。 此功能依赖场所的区域分析信息，因此需要在智能运维的区域分析页面下创建区域、上传场所平面图并绑定待管理的AP。 (6)漫游收益计算 AI漫游连续运行超过七天后，Cloudnet网络管理平台将计算并展示此功能带来的漫游收益：计算收益指标：平均耗时、平均漫出信号强度、平均漫入信号强度、达标率（正常漫游次数/总漫游次数）。以时间维度展示：今天平均值、七天收益、历史收益。 如果AI漫游功能已关闭或开启后运行时长小于七天，则仅显示今天0点到当前时间的平 均收益指标值。•七天收益计算方式：当前值减去七天前一天的平均指标值。•历史收益计算方式：当前值减去开启AI漫游功能后的最低值。 (7)问题漫游统计 设备侧会将识别出的三类终端漫游问题事件实时上报给Cloudnet网络管理平台，分别是差漫游事件、漫游失败事件、乒乓漫游事件。Cloudnet网络管理平台每五分钟统计一次用户选择的设备上发生的所有类型的问题漫游事件发生次数以及对应的问题发生详情数据。 2.2.3使用流程 随着功能的不断迭代更新，本手册中的部分界面信息可能与您当前看到的软件界面略有差异，请以实际界面显