新华三：2025年Cloudnet AI漫游技术白皮书（18页）.pdf

核心结论速览： 漫游问题排障从此告别“盲人摸象”：AI漫游提供终端事件时序图、漫游轨迹回放、问题漫游统计三大可视化工具，运维人员可快速定位差漫游、漫游失败、乒乓漫游的根因。 终端个体画像让“千人千面”成为现实：传统方案按品牌/厂商分类终端，AI漫游为每一台终端设备构建唯一画像——同一型号的两台手机，因个体差异（系统版本、驱动版本、使用习惯）采用不同漫游策略。 运动状态识别彻底解决“静止误漫游”：空口环境下终端静止时RSSI也会波动，传统方案易误触发漫游。AI漫游学习生成静止状态RSSI波动模型，只有波动超过阈值才判定为移动——原地不动时绝不漫游。 “开局即最佳”大幅缩短新网络优化周期：新部署网络连接云端即可继承基于海量数据的网络特征基准表，无需从零积累漫游数据，漫游策略开局即达到优化状态。 五分钟粒度的漫游收益追踪：系统以五分钟为最小粒度绘制漫游收益曲线——上升表示体验提升，波动减小表示网络趋于平稳。是否有效，曲线说了算。 系统自动给出排障建议：点击问题漫游事件，系统自动生成初步原因及建议（如“AP点位放置不合理，建议调整AP位置减少乒乓漫游”），降低对专家经验的依赖。H2：网络工程师最关心的四个问题。问题一：漫游问题排障到底有多难？传统方案为什么搞不定？传统方案的三大“盲区”： 盲区一：漫游决策黑箱。终端漫游由终端自行决定，AC看不到终端的漫游决策逻辑——运维人员无法知道“终端为什么在这个时间点漫游”“为什么选择了那个AP而不是更近的AP”。 盲区二：数据粒度粗糙。传统方案只能看到“某AP下有多少终端漫游”的汇总统计，看不到单个终端的漫游耗时、漫游前后信号强度变化、漫游是否成功等关键细节。 盲区三：缺乏轨迹可视化。无法还原终端在物理空间中的移动路径，无法判断“终端是否因为AP覆盖重叠区域过大导致乒乓漫游”。AI漫游的破局方案：| 传统盲区 | AI漫游解决方案 ||||| 漫游决策黑箱 | 云端协同引导，终端漫游行为可追溯、可分析 || 数据粒度粗糙 | 终端旅程数据库，每台终端每次漫游的完整记录 || 缺乏轨迹可视化 | 平面图+AP点位+时间轴，动画回放终端漫游路径 |问题二：终端画像和传统“按品牌分类”有什么区别？传统方案：按终端厂商、品牌等维度分类——所有iPhone采用同一套策略，所有华为手机采用同一套策略。但实际上，同一型号的手机，因系统版本不同、驱动版本不同、使用时间不同，漫游行为可能有显著差异。AI漫游的终端个体画像： 为每一台终端设备构建唯一画像（基于MAC地址等唯一标识）。 画像维度包括：终端厂商、系统版本、终端名称、802.11k/r支持情况、2.4G/5G漫游阈值、BTM邻居列表依赖、漫游灵敏度、引导模式等。 同一终端在不同网络采用差异化策略——更贴合实际网络环境。 漫游策略从“千人一面”升级为“千人千面”。问题三：如何判断AI漫游是否真的有效？——四项指标+三个时间维度。四项核心指标：| 指标 | 好指标的方向 | 含义 |||||| 平均耗时 | ↓ 越低越好 | 网络切换速度，影响视频通话/游戏体验 || 平均漫出信号强度 | ↑ 越高越好 | 原AP覆盖稳定性，避免断连后才漫游 || 平均漫入信号强度 | ↑ 越高越好 | 目标AP覆盖质量，切换后连接是否稳定 || 达标率 | ↑ 越高越好 | 正常漫游/总漫游，综合质量评估 |三个时间维度： 今天平均值：今日表现。 七天收益：当前 vs 七天前——判断近期趋势。 历史收益：当前 vs 开启后最低值——判断整体改善幅度。问题四：AI漫游的部署和运维门槛高吗？部署门槛很低： 一键开启：在Cloudnet平台选定场所及设备，点击<开启AI漫游按钮即可。 一次配置：仅需在区域分析页面上传平面图、放置AP点位（一次性工作）。 自动化运行：开启后系统自动学习、自动优化、自动上报。运维大幅简化： 自动识别问题：系统自动识别差漫游、漫游失败、乒乓漫游三类问题。 自动给出建议：点击问题事件即可查看系统生成的初步原因及建议。 可视化排障：终端事件时序图 + 漫游轨迹回放 + 漫游日志详情，一站式定位根因。H2：部署与配置实战指南。第一步：开启AI漫游。选定场所及设备，进入[智能运维 → 调优 → AI漫游]页面，点击<开启AI漫游按钮一键开启。第二步：配置区域分析（一次性配置）。1. 进入[智能运维 → 仪表盘 → 区域分析]页面，选择“区域详情”页签，点击<区域运维图标进入编辑模式，上传场所平面图。2. 点击背景图区域，在弹出的AP列表中选择AP，拖拽AP图标至平面图上正确位置，点击<保存配置。第三步：查看漫游收益（七天后生效）。开启七天后查看四项指标（平均耗时/漫出信号/漫入信号/达标率）。点击<趋势图查看五分钟粒度的收益曲线。第四步：查看漫游日志。AI漫游页面实时展示最近20条漫游数据（滚动动画）。点击<日志详情查看完整表格。第五步：查看问题漫游。系统以五分钟为间隔统计漫游失败、乒乓漫游、差漫游的发生次数。点击柱状体查看该五分钟内的详细数据。第六步：查看终端事件时序图与漫游轨迹。选择终端和时间段，查看终端事件时序图（绿色=正常事件，红色=问题事件）。点击漫游事件图标，下方显示漫游轨迹。点击<漫游回放查看动画效果。H2：故障排查全流程示例。场景：某AC管理的场所内，多台终端出现乒乓漫游问题。排障步骤：步骤1：进入AI漫游页面查看问题漫游统计。进入[智能运维 → 调优 → AI漫游]，在问题漫游模块点击故障时间对应的柱状体，查看该时间段内的问题漫游事件。步骤2：定位故障终端。通过故障终端MAC查看问题漫游详情数据（漫入漫出AP、信号强度、射频等信息）。步骤3：查看终端旅程。进入指定终端的终端旅程页面，查看乒乓漫游中每次漫游的具体情况——系统自动给出初步原因及建议。步骤4：根因定位与修复。通过详情数据及系统建议，定位根因（如“AP点位放置不合理”），重新调整AP位置，减少乒乓漫游。步骤5：验证效果。关注漫游收益趋势图——修复后问题漫游次数下降，达标率上升，即验证修复有效。H2：运维效率提升的关键路径。| 传统排障方式 | AI漫游排障方式 ||||| 收到报障 → 登录设备查看日志 → 逐条分析 → 凭经验判断根因 → 尝试修复 → 等待用户反馈 | 收到报障 → 打开AI漫游页面 → 点击问题柱状图 → 查看系统建议 → 定位根因 → 修复 → 查看收益曲线验证 || 数小时甚至数天 | 分钟级 |关键能力： 问题漫游自动识别（差漫游/失败/乒乓）。 系统自动生成排障建议。 收益曲线实时验证效果。 漫游轨迹可视化还原问题现场。延伸阅读。以上为产品技术白皮书核心内容，如需获取完整的技术实现细节、配置操作指南及API接口文档，请访问下载页下载完整PDF报告。FAQ。Q1：AI漫游的终端画像多久更新一次？A1：设备侧定期将学习形成的网络特征和终端画像上报云端，云端汇聚形成画像库。设备根据当前网络运行状态下的漫游数据不断微调基线引导策略，实现持续优化。Q2：如果云端没有匹配的终端画像怎么办？A2：无线终端首次上线后，设备向云端请求终端画像。如果云端不存在匹配的终端画像，则不下发画像，设备根据自身学习逐步建立该终端的画像。Q3：漫游收益数据中的“七天收益”具体怎么计算？A3：七天收益 = 当前指标值 - 七天前同一指标的平均值。如果当前值大于七天前，说明漫游体验在提升。Q4：终端事件时序图最长显示多长时间？A4：因数据量较大，最长显示时间为4小时。可通过拖动时间缩放条查看不同时间段的事件。Q5：AI漫游功能是否支持所有AC和AP型号？A5：仅AC、Fit AP部分款型及版本支持本功能，具体支持情况请以设备官方说明为准。数据来源说明。本页面所有技术内容均基于H3C《AI漫游技术白皮书》原文提取。