同一个终端在不同网络中应采用不同的漫游策略——办公网络AP密集、漫游阈值可设高；商场网络AP稀疏、漫游阈值需设低。传统方案“所有网络同一套策略”无法适配这种差异。H3C AI漫游通过终端个体画像和网络特征学习，实现了差异化漫游引导策略。本文详解无线网络漫游优化的技术路径与实操流程。
漫游优化的核心挑战
传统方案中，终端在静止状态下的信号波动容易被误判为移动，触发无效漫游。缺乏基于终端粒度的漫游事件数据，无法精细分析单个终端的漫游行为。所有网络采用同一套漫游引导策略，无法适配不同AP部署密度和信号覆盖特征。问题漫游定位依赖经验判断，缺乏数据支撑。
终端个体画像——从群体到个体的精度跃升
AI漫游以终端个体为粒度进行建模，而非仅按厂商、品牌等维度分类，为每一台终端设备构建唯一画像。终端画像记录了终端厂商、系统版本、终端名称、802.11k支持情况、802.11r支持情况、2.4G漫游阈值、5G漫游阈值、BTM邻居列表依赖、漫游灵敏度、引导模式等能力集合。这一机制使同一型号的不同终端——即使硬件相同但固件版本不同——也能获得各自适配的漫游策略。
差异化漫游策略——一终端一方案
在终端个体画像的基础上，动态学习并生成终端的漫游网络特征。区别于传统所有网络采用同一套漫游引导策略的方式，同一终端在不同网络中可采用差异化的漫游引导策略。同一台手机在办公网络和商场网络中的漫游行为可以不同——办公网络AP密集、漫游阈值可设较高；商场网络AP稀疏、漫游阈值需设较低，分别适配各自的AP部署密度和信号覆盖特征。
网络特征基准——新网络“开局即最佳”
网络特征记录了各Radio的不同最大传输功率对应的终端漫游门限值。云端利用学习到的大量漫游数据计算生成一个网络特征基准表。新网络连接云端后，设备向云端请求漫游策略，云端向设备下发网络特征基准表。设备收到后结合自身的AP布局特征和邻居扫描信息进一步计算得出本地基线引导策略，实现“开局即最佳”的智能漫游引导。这一机制使新网络无需经过漫长的数据积累期即可获得成熟的漫游策略。
漫游优化的实操流程
第一步：开启AI漫游——选定场所及设备，在智能运维调优AI漫游页面一键开启。第二步：配置区域分析——上传场所平面图，拖拽AP图标至正确位置。第三步：查看漫游收益——开启七天后查看平均耗时、平均漫出/漫入信号强度、达标率四项指标。第四步：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、差漫游三种问题事件。第五步：查看漫游轨迹——点击漫游事件图标查看轨迹，点击漫游回放查看动画效果展示的终端移动过程。
