Suchen

Das lernende WLAN Künstliche Intelligenz - Herzstück eines Drahtlos-Netzwerks

| Autor/ Redakteur: Jeff Aaron / Jürgen Schreier

Drahtlose Netzwerke sind geschäftskritischer denn je. Wegen der wachsenden Anzahl unterschiedlicher Geräte, Betriebssysteme und Anwendungen wird das Troubleshooting aber immer schwieriger und komplexer. KI-Engines helfen, dieses Problem zu lösen. Aus dem W(L)AN wird so ein lernendes W(L)AN.

Firmen zum Thema

Die Anzahl neuer Geräte, Dinge und Anwendungen in drahtlosen und kabelagebundenen Netzwerken nimmt rapide zu. Das verkompliziert die Netzwerkadminstration.
Die Anzahl neuer Geräte, Dinge und Anwendungen in drahtlosen und kabelagebundenen Netzwerken nimmt rapide zu. Das verkompliziert die Netzwerkadminstration.
(Bild: gemeinfrei / Pixabay)

Immer mehr Unternehmen sehen sich mit der ständig wachsenden Anzahl mobiler und IoT-Geräte sowie neuen Apps in ihrem drahtlosen Netzwerk konfrontiert. Dank der Weiterentwicklung von KI und modernen Cloud-Plattformen mit Mikroservices können die damit einhergehenden Anforderungen gemeistert und die Skalierbarkeit erhöht werden. Viele Unternehmen haben den Nutzen mittlerweile erkannt und sind mit KI-basierte Services deutlich effizienter, darüber hinaus erhalten sie Informationen über die User Experience, das Service Level Enforcement (SLE) und können auf Location-based Services zurückgreifen. KI-basierte Innovationen treiben zudem die Automatisierung in Unternehmen voran, wodurch hohe Kosten eingespart und für andere Bereiche verwendet werden kann.

Im Kern des lernenden WAN ist die KI-Engine, die Automatisierungs- und Analysefunktionen bietet. Dazu gehören Wi-Fi-Assurance, Natural Language Processing-(NLP)-basierte virtuelle Netzwerk-Assistenten, Asset-Lokalisierung, User Engagement und Standortanalysen.

Es gibt vier wichtige Komponenten für den Aufbau einer KI-Engine für ein WLAN: Daten, Strukturieren und Klassifizieren, Data Science und Erkenntnisse. Hier sind einige Details zu allen vier Elementen.

Daten

Die KI-Engine ist nur so gut wie die Daten, die sie aus Netzwerk, Anwendungen, Geräten sowie von den Anwendern erhält. Um eine gute KI-Plattform aufzubauen, benötigt die Engine also Daten – und zwar eine Menge.

Damit dies Realität wird, sind spezielle Access Points notwendig, die die Prä- und Post-Verbindungszustände jedes drahtlosen Geräts erfassen. Sie müssen außerdem sowohl synchrone als auch asynchrone Daten sammeln. Synchrone Daten sind die typischen Daten anderer Systeme, zum Beispiel der Netzwerkstatus. Asynchrone Daten sind ebenfalls kritisch, da sie dem Benutzer Informationen über den Benutzerstatus liefern. Sie sind notwendig, um User Service Levels zu erstellen und Anomalien am Rand zu erkennen. Diese Informationen oder Metadaten werden an die Cloud gesendet, wo die KI-Engine sie strukturiert und klassifiziert.

KI-Primitives

Als nächstes strukturiert die KI-Engine die von den Netzwerk-Elementen empfangenen Metadaten mit einer Reihe von KI-Primitives (Stammfunktionen). Dafür muss sie von Entwicklern mit Domänen-Wissen im Bereich Drahtlosnetzwerke programmiert werden. Nur so lassen sich die strukturierten Metadaten für die Analyse durch die Data Science Toolbox klassifizieren – und letztlich Einblicke in das Netzwerk liefern.

Eine Reihe unterschiedlicher KI-Primitives, die als Metriken oder Klassifikatoren strukturiert sind, tracken die End-to-End-Nutzererfahrung für wichtige Bereiche wie Verbindungszeit, Durchsatz, Abdeckung, Kapazität und Roaming. Die Nachverfolgung, wann diese Elemente erfolgreich sind, fehlschlagen oder starten, in welche Richtung sie tendieren und aus welchem Grund, gibt der KI-Engine die notwendige Transparenz, um Service Levels festzulegen. Sie kann diese darüber hinaus entsprechend kontrollieren und durchsetzen.

Datenwissenschaften

Sobald die Daten gesammelt, gemessen und klassifiziert wurden, kann die Data Science starten. Hier wird es dann interessant. Der Grund dafür ist: Es gibt eine Reihe unterschiedlicher Techniken, die sich verwenden lassen. Dazu gehören überwachtes und unbeaufsichtigtes Machine Learning, Data Mining, Deep Learning sowie die gegenseitige Information. Sie werden angewendet, um Funktionen wie Baselining, Anomalie-Erkennung, Ereignis-Korrelation und Vorhersage-Empfehlungen durchzuführen.

So werden beispielsweise Zeitreihendaten als Baseline festgelegt und zur Erkennung von Anomalien verwendet. Kombiniert mit einer Ereignis-Korrelation bestimmen sie schnell die Ursache für wireless, kabelgebundene und Geräteprobleme. Durch die Kombination dieser Techniken sind Netzwerkadministratoren in der Lage, die MTTR-(Mean Time to Repair)-Probleme zu reduzieren. Sie sparen somit Zeit und senken die Kosten. Gleichzeitig steigt die Zufriedenheit der Nutzer.

Ein gegenseitiger Informationsaustausch wird auch auf Wi-Fi-Service-Level angewendet, um den Erfolg des Netzwerks vorherzusagen. Genauer gesagt: Unstrukturierte Daten werden von der Wireless Edge genommen und in domänenspezifische Kennzahlen wie Verbindungszeit, Durchsatz und Roaming umgewandelt. Diese werden auf die SLE-Metriken angewendet. So lässt sich feststellen, welche Netzwerkfunktionen am ehesten zu Erfolg oder Misserfolg führen – und wie umfangreich die Auswirkungen sind.

Buchtipp "Data Analytics"

Das Fachbuch bietet einen guten Überblick zu den in Produktion und Logistik anwendbaren Data Mining Algorithmen und stellt konkrete Use Cases vor, die mit diesen Algorithmen umgesetzt werden können.

Mehr erfahren

Darüber hinaus lässt sich unbeaufsichtigtes Machine Learning für eine hochgenaue Lokalisierung im Innenbereich einsetzen. Für Standortlösungen auf der Basis von Empfangssignalstärke-Indikatoren (Received Signal Strength Indicator, RSSI) wird ein Modell benötigt, das RSSI auf Entfernung abbildet. Diese wird oft auch als RF-Pfadverlustmodell bezeichnet.

Typischerweise wird dieses Modell durch die manuelle Daten-Erfassung erlernt, dem sogenannten Fingerprinting. Dank KI ist es jedoch möglich, den Wegverlust mittels Machine Learning in Echtzeit zu berechnen. Hierbei werden RSSI-Daten von gerichteten BLE-Antennen (BLE = Bluetooth Low Energy) verwendet. Das Ergebnis ist eine hochpräzise Position, die keine manuelle Kalibrierung oder umfangreiche Standortbestimmungen erfordert.

KI-gesteuerte virtuelle Assistenten

Die letzte der vier Komponenten der KI-Engine ist ein virtueller Assistent, der dem IT-Administrator Einblicke liefert und diese in das Netzwerk selbst einspeist. So lässt sich die Problemlösung automatisieren. Das Ergebnis ist letztlich ein „selbstheilendes Netzwerk“.

Ein natürlicher Sprachprozessor ist enorm wichtig, um den Prozess für Administratoren zu vereinfachen, Erkenntnisse aus der KI-Engine zu extrahieren – und zwar ohne wie bei Legacy-Systemen ohne KI die Dashboards oder Befehle des Common Language Interpreters (Command Line Interface, CLI) durchsuchen zu müssen. Dies kann die Produktivität der IT-Teams steigern und gewährleistet gleichzeitig eine bessere Benutzerfreundlichkeit für Mitarbeiter und Kunden.

Glossar

Location-based Services (standortbezogene Dienste) sind mobile Dienste, die unter Zuhilfenahme von positionsabhängigen Daten dem Endbenutzer selektive Informationen bereitstellen oder Dienste anderer Art erbringen. Man unterscheidet zwischen reaktiven und proaktiven standortbezogenen Diensten. Bei reaktiven Diensten muss der Dienstnutzer den Service explizit anfordern (z.B. RestaurantFinder). Ein proaktiver Dienst reagiert auf bestimmte Ereignisse, zum Beispiel beim Betreten einer bestimmten Zone.

Baselining ist eine Methode zur Analyse der Leistung von Computernetzwerken. Die Methode wird durch Vergleichen der aktuellen Leistung mit einer historischen Metrik oder "Basislinie" gekennzeichnet.

Der Received Signal Strength Indicator (RSSI) stellt einen Indikator für die Empfangsfeldstärke kabelloser Kommunikationsanwendungen dar. Da der RSSI eine Verhältniszahl ist, muss der Wert abhängig von der jeweiligen Anwendung interpretiert werden. Auch innerhalb des IEEE 802.11 Standards gibt es verschiedene Definitionen, wobei ein höherer Wert einem besseren Empfang entspricht.

Die Mean Time to Repair (mittlere Reparaturdauer, MTTR) ist ein grundlegendes Maß für die Wartbarkeit von reparierbaren Gegenständen. Sie stellt die durchschnittliche Zeit dar, die für die Reparatur einer ausgefallenen Komponente oder eines ausgefallenen Geräts benötigt wird.

Jeff Aaron ist Vice President of Marketing bei Mist Systems (a Juniper Company).
Jeff Aaron ist Vice President of Marketing bei Mist Systems (a Juniper Company).
(Bild: Mist Systems)

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de (ID: 46382509)