About the Author
Bernd Bandemer is Director of Data Science at Aruba, where his team designs, implements and deploys the AI/ML components for Aruba's cloud products.
全文
由于网络规模增加，交通量以及设备和应用的多样性，现代网络基础架构非常复杂。手动配置这些网络已经变得太耗时，容易出错且困难。为了有效，网络运营商至少需要脚本型自动化，或者更好的是，由AI驱动的智能自动化，该自动化驱动，该自动化意识到人类操作员会考虑管理网络时考虑的所有方面，并将其知识的总和应用于更大的规模和规模和复杂性的提高。
In this blog post, we’ll take a high-level look at the essential building blocks of an AI-operated self-optimizing network and how they work together.
这客观的自优化网络的一个是为用户提供稳定的连接性，并满足用户的流量需求，以便他们可以体验最高的服务质量。在实践中，这种以人为感知的用户体验很难自动测量。为了构建，训练和评估AI，我们使用直接测量的替代指标，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 - 网络的表现以及与其他网络比较的数字表示。
我们确定影响的因素所选的指标，并将其分为两种类型：允许AI控制的指标（可控因素），以及假定为给定的那些（环境因素）。
采用为Wi-Fi网络中的访问点优化无线电传输参数的用例。可控因素包括RF通道带宽和RF传输功率水平。Wi-Fi访问点硬件在这些因素的各种设置上都可以在物理上运行，我们选择让AI决定哪种设置是最佳的。
环境因素包括，例如，部署中相邻访问点之间的间距，RF信号的传播特性取决于覆盖区域中的建筑材料以及连接的客户端设备的RF特性。AI不能自由修改这些因素（随着时间的流逝，它们可能自然变化）。
配备了可测量的目标函数及其可控和环境因素的定义，我们将网络设置为连续收集此数据，，，，and report it to the cloud. For each network and each instant in time, the cloud AI is thus aware of how well the network is running, the current setting of the controllable factors, and the current value of the environmental factors.
为了公平地评估性能，我们对每个网络进行排名peer group，，，，which is the set of other networks with the same environmental factors. For example, a network may rank at the 10th percentile of its peers, that is, it performs worse than 90% of its peers. Since the principal difference between the peer networks is the assignment of controllable factors, the AI algorithm can move this network up in the ranking by modifying the controllable factors.
这optimal setting of the controllable factors以两种模式之一确定：
通过有监督的学习，所有网络的过去数据都被蒸馏成AI模型，该模型可以预测网络的目的函数值，其当前环境因素具有任何可能的设置可控因素。使用这些预测，很容易在所有可能的设置中选择最佳设置。在此模式下，AI利用可用数据中嵌入的知识来优化每个网络。
另外，通过积极学习，AI被允许获取过去数据中无法使用的新知识。该算法有目的地谨慎地将可控因素设置为以前从未尝试过的值的组合。在这种模式下，AI探索了确定每个网络的先前未知优化潜力的机会空间。
这钥匙构建块AI-operated自动驾驶的网络是代表我ngful and measurable objective function, its controllable and environmental influencing factors, a large and diverse collection of data, a definition of peer groups to compare against, and AI models and algorithms that automatically select the optimal assignment of the controllable factors in each operating condition.
在将来的后续博客文章中，我们将关注这些构建块，以详细了解挑战并展示Aruba产品中可用的解决方案。
相关内容
How AIOps Leverages Network Environment Factors to Deliver Reliable Automation
