Graph AI: Die richtige KI für Wi-Fi-Netzwerke

Wurden Sie jemals beauftragt, einen wichtigen Familienurlaub zu planen, bei dem Sie die perfekte kürzeste Route durch alle 12 Reiseziele finden müssen, ohne natürlich wieder durch denselben Ort fahren zu müssen? Wenn du gerade damit zu kämpfen hast, verzweifle nicht. Sie sind nicht allein, weil dies seit dem 19. Jahrhundert ein ziemlich ernstes mathematisches Unterfangen ist, das bekannter als das Travelling Salesman Problem ist.

Sie fragen sich vielleicht, warum eine scheinbar tote einfache Aufgabe so kompliziert wäre, dass sich die viktorianischen Mathematiker einmischen mussten? Die einfache Antwort ist, dass jedes Ziel höchstwahrscheinlich mit vielen anderen Zielen in verschiedenen Entfernungen verbunden ist. Zu diesem Zeitpunkt haben Sie wahrscheinlich ein mentales Bild von Ihren 12 Lieblingsorten der Welt, die durch ein Spinnweb aus Luft-, See- oder Landverbindungen miteinander verbunden sind. Es ist nun klar, dass die Auswahl der kürzesten Route durch alle 12 Ziele, ohne Wiederholung, nicht trivial ist, da es nur so viele mögliche Routen zur Auswahl gibt. Die Wahl einer Route ohne Wiederholung ist schwierig genug, ganz zu schweigen von der kürzesten Route.

Lassen Sie uns dieses Problem verallgemeinern, damit wir hier zum Thema zurückkehren können. Ersetzen Sie Ihre 12 Lieblingsplätze durch 12 kleine Kreise (oder Knoten) und die Luft-/Meer-/Landverbindungen zwischen den Orten durch einfache Linien. Das nennen Mathematiker, Damen und Herren, eine Grafik!

Ein Wi-Fi®-Netzwerk ist ein Diagramm

Denken Sie nun an alle Wi-Fi Access Points (AP), die auf Ihrem Unternehmenscampus bereitgestellt werden. Wenn zwei APs innerhalb des Funkfrequenz (RF)-Ausbreitungsbereichs voneinander liegen, zeichnen Sie eine Linie (oder einen Link) zwischen ihnen. Dies stellt das RF-Topologiediagramm dar, und wir erkennen sofort, dass eine Verbindung zwischen zwei APs darauf hinweist, dass es eine Möglichkeit von Störungen zwischen ihnen gibt, wenn sie auf demselben Kanal betrieben werden sollen. Für viele Wireless-Profis sollte diese grafische Darstellung äußerst intuitiv sein, da sie so über die WLAN-Bereitstellung denken, wann immer sie ihr Netzwerk optimieren und Fehler beheben müssen.

Was ist also das große Problem mit dieser Darstellung des RF-Topologiediagramms? Der Schlüssel hier ist, dass wir durch die Darstellung eines WLAN-Netzwerks als Graph Zugang zu den umfangreichen mathematischen Tools, Techniken und Algorithmen erhalten, die es uns ermöglichen, das Netzwerk quantitativ zu messen und zu optimieren. In der nicht-grafischen Welt verwenden wir häufig Metriken wie Durchschnitt, Median, Perzentile usw., um bestimmte Aspekte unserer Netzwerke zu messen und zu vergleichen, z. B. durchschnittlicher Datenverkehr durch einen AP oder 99. Perzentil der lokalen Netzwerk-(LAN)-Latenz. Wie messen und vergleichen Sie jedoch die Dichte von APs zwischen Sitzungsraum und Flur? Wie finden Sie diesen wichtigen „Brücken“-AP, der mitten in der größten Anzahl von Roamingpfaden liegt, ohne den viel Roaming den Flur hinunter scheitert? Wie identifizieren und analysieren Sie überhaupt alle Roamingpfade?

Anstatt sich auf Intuition zu verlassen, bietet die Diagrammtheorie einige Familien grundlegender Metriken, die uns helfen, viele Fragen wie die oben genannten quantitativ zu messen und zu beantworten:

• Zentralitätsmetriken: Bewerten Sie die Bedeutung einzelner APs in einem Netzwerk basierend auf verschiedenen Definitionen, z. B. dem AP, der die meisten Störungen erkennt, oder dem AP, der sich mitten in der größten Anzahl von Roamingpfaden befindet.
• Integrationsmetriken: Messen Sie, wie APs miteinander verbunden sind, z. B. um Roaming-Pfade im gesamten Netzwerk zu identifizieren.
• Segregation-Metriken: Quantifizieren Sie das Vorhandensein von Clustern, z. B. Identifizieren von Bereichen der Bereitstellung mit unterschiedlichen AP-Dichten.
• Belastbarkeits-Metriken: Messen Sie die Fähigkeit des Netzwerks, die Konnektivität aufrechtzuerhalten, wenn es AP-Fehler in der Bereitstellung gibt, z. B. Bestimmen der Bereiche mit potenziellen Abdeckungslöchern.

Lösen von Netzwerkproblemen mit Graph-KI

Diese Fähigkeit, ein Wi-Fi-Netzwerk als Graph zu quantifizieren, ermöglicht uns den Zugriff auf die Welt der Graphdatenwissenschaft mit Algorithmen und mathematischen Tools, die besser geeignet sind, die Probleme in Wi-Fi-Netzwerken zu lösen, im Vergleich zu einigen der konventionelleren Techniken des maschinellen Lernens. In RUCKUS haben wir die Leistungsfähigkeit der Graphdatenwissenschaft genutzt und kürzlich das AI-Driven Cloud Radio Resource Management (RRM) eingeführt. Diese Funktion löst eines der ältesten Probleme in der drahtlosen Kommunikation – wie optimieren wir gemeinsam den Kanalplan und die Kanalbandbreite, um die Interferenzen mit dem gemeinsamen Kanal zu minimieren, aber gleichzeitig die Kanalbandbreite so weit wie möglich zu maximieren?

AI-Driven Cloud RRM lernt die RF-Umgebung des Netzwerks ständig über das benachbarte AP-SNR, das von jedem AP regelmäßig gemeldet wird, und erstellt das RF-Topologiediagramm. Unser zum Patent angemeldeter Graphalgorithmus nutzt mathematische Prinzipien wie Zentralität, auf die sich PageRank von Google stützt, um den besten Kanalplan clever auszuwählen, um die Co-Channel-Interferenz auf recheneffiziente iterative Weise zu minimieren und gleichzeitig sicherzustellen, dass in Bereichen, in denen die AP-Dichte es zulässt, die Kanalbandbreite so weit wie möglich erhöht wird. Wenn ein besserer gemeinsamer Kanalplan und eine bessere Bandbreite gefunden werden, benachrichtigt eine KI-Empfehlung den Benutzer automatisch, und mit einem Klick wird der neue Satz optimaler Konfigurationen an alle APs im Netzwerk übertragen. Und natürlich schläft unsere Graph AI nie, und dieser Optimierungszyklus läuft zu 24/7.

Diese Fähigkeit, die grundlegendsten Funkressourcen von Kanälen und Bandbreite zu optimieren, wird immer wichtiger, da wir eine aufregende neue Ära für WLAN mit 6GHz und automatisierter Frequenzkoordination (AFC) einläuten. Mit bis zu 59 nicht überlappenden Kanälen, 5-Kanal-Bandbreitenoptionen und der Verfügbarkeit sowohl niedrigerer als auch Standardleistungsmodi wird die Komplexität der RRM-Optimierung exponentiell explodieren. Die konventionellen Verfahren, die sich auf das Scannen des Spektrums und die Vermeidung von Störungen stützen, sind zu langsam, ineffizient und höchstwahrscheinlich suboptimal. Intuition und Bauchgefühl verlieren sich sehr schnell in der schiere Anzahl der verfügbaren Permutationen. Graph AI, der berühmte Satz von Prinzessin Leia, ist unsere einzige Hoffnung.

Zurück zu Ihrer Urlaubsplanung. Wenn Sie immer noch mit der perfekten kürzesten Route kämpfen, entspannen Sie sich, und vielleicht ist es doch nicht notwendig, weil die Reise manchmal schöner ist als das Reiseziel. Bleiben Sie dran, da wir in unseren zukünftigen Blogs mehr über die Anwendungen der Graphdatenwissenschaft auf Netzwerkprobleme erzählen werden.