由于网络大小，流量量和设备和应用程序的多样性增加，现代网络基础设施非常复杂。手动配置这些网络已经变得太耗时，容易出错，困难。为了有效，网络运营商至少需要脚本型自动化，或者更好，但是，由AI驱动的智能自动化，了解人类运营商的所有方面都会考虑管理网络并将其知识的总和应用于更大的规模和增加复杂性。
在本博客文章中，我们将采取高级外观，享受AI操作的自我优化网络的基本构建块以及它们如何共同努力。
这客观的自我优化网络是为其用户提供稳定的连接，满足用户的流量需求，使得他们可以体验最高的服务质量。在实践中，这种人类感知的用户体验非常难以自动测量。为了构建，列车和评估AI，我们使用直接可测量的替代度量，例如吞吐量，延迟或资源效率。对于每个用例，我们选择一个度量标准 - 网络的数字表示以及如何将其与其他网络进行比较。
我们确定了影响的因素选择的度量标准，并将它们分为两种类型：允许使用AI控制（可控因素）的那些，以及如给定（环境因素）所假设的那些。
参加优化Wi-Fi网络中的接入点的无线电传输参数的用例。可控因素包括RF信道带宽和RF传输功率电平。Wi-Fi接入点硬件在物理上能够在这些因素的各种设置下操作，我们选择让AI决定哪个设置是最佳的。
例如，环境因素包括例如在部署中的相邻接入点之间的间隔，根据覆盖区域中的建筑材料的RF信号的传播特性，以及连接的客户端设备的RF特性。AI不可自由修改这些因素（并且它们可能随着时间的推移而变化）。
提供可衡量目标函数及其可控和环境因素的定义，我们将网络介绍给连续收集此数据，并将其报告给云端。对于每个网络和每个时刻，云AI因此意识到网络运行的程度，可控因子的当前设置以及环境因子的当前值。
要公平地评估绩效，我们将每个网络排列在其上同行组，这是其他具有相同环境因素的其他网络集。例如，网络可以在其同行的第10百分位数中排列，即，它的表现比其同行的90％更差。由于对等网络之间的主要差异是可控因素的分配，因此AI算法可以通过修改可控因素来在排名中移动该网络。
这可控因子的最佳设置以两种模式中的一种确定：
通过监督学习，将所有网络的过去数据蒸馏到AI模型，该模型可以预测网络的目标函数值，其目前的环境因素任何可能的环境可控因素。使用这些预测，很容易选择所有可能的设置中的最佳设置。在此模式下，AI利用嵌入在可用数据中的知识以优化每个网络。
或者，通过主动学习，允许AI获取过去数据中不可用的新知识。该算法故意和谨慎地将可控因素设置为从未尝试过的值的组合。在此模式下，AI探讨了为每个网络识别先前未知的优化潜力的机会空间。
这主要构建块AI操作的自动驾驶网络是一种有意义和可衡量的目标函数，其可控和环境影响因素，大型和多样化的数据集合，对等组的定义，与自动选择的AI模型和算法和算法每种操作条件中可控因子的最佳分配。
在未来的后续博客帖子中，我们将在这些构建块上闪耀焦点，了解细节的挑战，并展示Aruba产品中提供的解决方案。
相关内容
阿鲁巴再次做到：2020年Gartner Peer Insights有线和无线LAN访问基础设施的HPE（Aruba）命名为“客户选择”
