在我们的“穿越迷雾”系列中，我们之前已经讨论了可以用于量化不同站点的行为和性能的环境特征类型(参见面向人工智能优化自优化网络和AIOps如何利用网络环境因素来提供可靠的自动化)．现在，我们将深入研究如何使用这些环境特性将站点聚集到对等组中。
现在活跃的移动设备比以往任何时候都多，数据流量继续无限制地增长。如今，拥有一个可靠的网络已经不够好了;网络还必须针对其特定的用例进行优化。我们将在下一篇文章中更详细地讨论优化，现在将重点放在帮助我们的AI提高客户网络性能的一个重要先决条件上，同辈群体定义．
最基本的对等组是一组网络、站点，甚至是接入点(ap)，用于对给定网络进行比较和基准测试。当然可以对所有网络进行比较，但这不是一个好主意。当地一家小型咖啡店的经营环境预计与大型大学或医院的经营环境有很大不同。分开比较这些环境是有意义的，并最终允许AIOps机制从中学习，从而根据对等设置和性能提出改进性能的建议。以下是我们网站的一个子集的AIOps环境同行组聚类的2D投影:
左边的图像显示了集群的自动分组，这意味着我们的站点确实有不同的环境。在右边的图片中，我们通过添加黑色和棕色的叉分别表示一些被标记的学院和餐馆，引入了市场和顾客的垂直度。这些交叉对同辈群体的聚集一无所知，所以我们的交叉组聚集成几个集群的事实证实了我们的猜测，即不同类型的站点会有不同的环境。
能够将相似的环境组合在一起是很棒的，但更广泛的影响是什么?让我们重温上一篇文章中提到的上行信噪比的例子:
这是一个特定客户的客户站连接到多个不同站点的ap的平均上行信噪比。如前所述，有多种模式，一些客户端站连接低上行信噪比，另一些连接高上行信噪比。如果这个客户的站点有一个平均客户站上行信噪比为31 dB(黑色虚线)，这是好还是坏?它正好在整个分布的中间，这是我们从总分布能知道的。然而，通过使用AIOps工作流创建的对等组，我们可以做得更好。
这里我们看到，我们客户的站点实际上属于许多不同的环境对等组。(注意:这只是高维空间中的一个切片，所以我们希望许多分布看起来相似。)其中有两种分布很突出，分别是第6组和第8组，用蓝色和红色表示。一般来说，peer group 6倾向于放置在户外位置的老ap，而peer group 8由混合模型和中型部署组成。同样的测试站点，如果客户端站上行链路的平均信噪比为31 dB，那么对于第6组来说，这个站点的平均信噪比为73个百分点，而对于第8组来说，这个站点的平均信噪比仅为21个百分点。这些信息本身就可以让我们的客户找到他们有问题的网站。此外，正如我们将在下一篇博客中看到的，我们还可以使用站点相对于其他站点的相对性能来建议更改和改进，以优化和改进站点的功能。
将对等组添加到我们的AIOps解决方案中，使我们能够更准确地对站点进行比较，并且是我们根据对等组的性能和设置推荐站点或网络改进能力的关键构建块。通过Aruba Central，我们不断收集千兆字节的数据，并对数千个网站进行分析，以便这些推荐得到最积极的结果。
相关内容
穿越人工智能迷雾:AIOps如何利用网络环境因素提供可靠的自动化
Aruba再次胜出:HPE (Aruba)在2020年被Gartner同行评为“客户的选择”有线和无线局域网接入基础设施
