在最近的一次博客文章,我们讨论了ai操作的自动驾驶网络的基本AIOps构建模块。网络的环境因素起着关键作用:它们捕捉了网络不可控制的特征。为了AI的目的以及它可以采取的行动，它们是外部给定的参数。环境因素决定了AI可以优化的游戏范围。
在这篇博文中，我们将通过观察特定的环境因素、它们的含义以及它们是如何被衡量的，来将这个概念具体化。这些例子来自于Wi-Fi网络的自动性能优化，这是Aruba Central AI Insights的核心功能。
有四种不同类型的环境因素可以捕获物理环境、网络布局、用户移动行为和流量特征。
因素代表物理环境通过Wi-Fi基础设施的镜头，可以看到建筑的结构、平面图和材料。首先,建设规模这显然是一个重要因素。如果我们知道每个Wi-Fi接入点安装在建筑物的哪个楼层，我们便可测量天花板对Wi-Fi信号的影响(through-ceiling信号丢失)．所有建筑材料对信号传播的综合影响可以用路径损耗指数，这是Wi-Fi信号强度衰减的平均速率。
网络布局这些因素与空间中网络基础设施的部署方式有关。这包括Wi-Fi接入点密度和无线网络硬件功能访问点的。为了捕获终端用户的视角，我们在接入点接收到客户端设备信号时测量其强度，并根据时间、空间和客户端聚合这些原始测量值来计算典型值上行数据信噪比．最后，其他Wi-Fi设备引起的资源竞争水平可以被捕获为非托管访问点的密度．
因素,代表用户行为包括客户端密度峰值，因为网络需要被设计成能够处理最高负载和典型客户停留时间，量化了用户的移动行为。客户端设备的数量可以由客户端设备类型的组成如笔记本电脑、手机、物联网设备和传统设备(使用过时的Wi-Fi协议)。
最后,交通特征捕获网络上运行的应用程序的类型。这包括典型每个连接的客户端通信量，以及跨应用程序类型的流量组成。这些特性有助于人工智能优先将网络资源分配给那些直接影响用户体验的应用程序。
所有环境因素的结合定义了驱动自动驾驶网络的AIOps的竞争环境。具有相同环境因素的部署具有相同的竞争环境，并为跨网络基准形成了一个自然的对等群体:如果AI在相同的环境中竞争，它应该能够每次取得相同的性能。
阿鲁巴的网络硬件是专门设计的，以提供原始数据，以精确测量环境因素。阿鲁巴岛的云架构支持的设计、实现和验证的环境因素在所有我们的客户网络,以确保他们强劲计算,对应于各种各样的生理效应(即相互不相关),和强烈的链接选择网络性能的指标。Aruba的AIOps建立在硬件和云基础设施的基础上，计算环境因素，将它们转换为有意义的对等组，并在最佳的运营点运行每一个客户网络。
相关内容
面向人工智能操作的自优化网络
人工智能只是一个工具。回报是自动化、网络保障和良好的用户体验
阿鲁巴再次成功:HPE (Aruba)在2020年被Gartner同行Insights Wired and Wireless LAN Access Infrastructure评为“客户的选择”
