任何想要弄清楚那些神秘客户连接到家庭Wi-Fi路由器的人都知道这有多难．什么是kewo?(顺便说一下，这是一个太阳能泵逆变器，将来我们可能会看到更多。)当IDC和Gartner这样的公司预测到2025年我们将看到超过55B的联网客户时，你能想象在关键任务环境下的IT管理员必须处理什么吗?
了解加入Wi-Fi或有线网络的客户端类型对于企业的可见性和安全性非常重要。一天中有多少客户进出也很重要。因此，如果你在零售店或位于繁忙的街道上，了解有多少客户只是某人口袋里的智能手机而已。所有这些都需要实时和准确的客户端分析。
这就是人工智能(AI)和机器学习(ML)发挥作用的地方。
Aruba Client Insights是一个统一的、人工智能驱动的解决方案，内置在Aruba中央云中。尽管其他平台提供了一些基本的客户分析功能，但客户洞察脱颖而出的原因包括:
- 它不需要部署专门的设备，它只需要Aruba基础设施设置发送到我们的AI云引擎的遥测技术。
- 而不是使用静态规则的几个网络属性(最常见的HTTP用户代理)，客户洞察利用几个ML算法，以最大化我们的客户端分析的效率。
这是别的东西。Aruba接入点(ap)不仅易于设置，而且设计得比其他供应商的ap使用更多的分类器。这使得客户洞察能够使用更好的数据——更多的数据等于更好的疗效。当APs运行最新的Aruba OS (AOS)版本时，概要分析的效率可以接近99%，这使其成为安全性和带宽规划的实用解决方案。
MAC范围分类器
我们用来提高客户档案效能的机器学习解决方案之一是我们的MAC(媒体地址控制)范围分类器。大家都知道，客户端连接到网络时使用MAC地址作为他们的OSI L2物理地址。硬件制造商的典型做法是将其OUIs(组织唯一标识符)细分为块或范围，并将它们分配给不同的设备类型。(见图1)。
图1:从Aruba Central cloud学习的Apple MAC Ranges
因为Aruba Central云对1亿客户具有前所未有的可见性，我们可以从我们收集的数据中了解这些范围。对于MAC范围的建模，我们使用了一个高斯过程分类器来观察MAC空间与时间序列的相似性。然后，该模型在客户的MAC中使用OUI自信地对客户进行分类。高斯过程学习客户类型的结构(图1)，我们的数据科学团队将概率分布解释为MAC范围。这进一步有助于准确地了解制造商的客户类型。
连接标识符
我们使用ML进行客户洞察的另一种方式是我们的链式分类器。链式分类器的主要目的是模拟人类的决策过程。例如，当你看到如下的HTTP用户代理数据时，我们可以开始做分析决策:
Mozilla / 5.0 (Linux;Android 5.0.2;SAMSUNG SM-A500FU Build/LRX22G) AppleWebKit/537.36 (KHTML，像Gecko)三星浏览器/3.3 Chrome/38.0.2125.102移动Safari/537.36
当你看到关键字“Android”，你知道它是一个Android客户端，而不是苹果的iOS客户端。当你进一步阅读时，你会看到“SAMSUNG”，所以你知道它是三星的客户端，而不是HTC。然后“SM-A500”告诉你它是三星Galaxy。这种推理过程与决策树/随机森林分类器使用的ML模型相同，其中的分类是通过一个决策链从树根下降到叶节点来实现的。
这些决策树是通过我们在Aruba中央云中可用的富客户端遥测技术学习到的。随着数据越来越丰富，我们可以发现的链的数量和质量也会越来越多。
在有待发现的海量数据集的推动下，我相信我们正在进入一个可以扩展AI/ML价值的时代。在这个时代，为这个日益增长的以数据为中心的世界提供伟大见解的唯一可扩展的方式将是人工智能和ML驱动的解决方案。这是阿鲁巴和整个行业的发展方向，也是改善客户体验的一种手段。
