Kablosuz Ağ İzleme ve Telemetri — Sorunu Kullanıcıdan Önce Yakalamak

Neden izleme Wi-Fi'da daha kritik?

Kablolu ağda bir port ya çalışır ya çalışmaz; kablosuzda ise performans sürekli bir spektrumda akar. Kullanıcı 'yavaş' dediğinde sorun çoğu zaman saatler önce başlamıştır: komşu bina yeni bir ağ açmış, bir AP'nin kanalı DFS tespitiyle değişmiş, bir cihaz sürücü hatasıyla kanalı meşgul ediyor olabilir. İzleme olmadan bu olaylar ancak şikayet geldiğinde fark edilir.

İyi bir izleme sistemi üç soruyu yanıtlar: Şu anda ne oluyor? (anlık durum), Dün ne oldu? (olay kayıtları), Geçen aya göre ne değişti? (trend analizi). Üçüncüsü en değerlisidir: yavaş yavaş bozulan bir ağ, ani arızadan daha yaygın ve daha sinsidir.

Hangi metrikler izlenmeli?

AP başına temel metrikler: kanal kullanımı (hava süresi doluluğu), yeniden iletim oranı, bağlı istemci sayısı, CPU ve bellek kullanımı, uplink hızı ve hata sayaçları. Bunlar AP'nin sağlık karnesidir.

İstemci tarafında ise bağlantı kalitesi metrikleri belirleyicidir: her cihazın RSSI ve SNR değeri, bağlantı hızı (MCS), roaming geçmişi ve başarısız kimlik doğrulama denemeleri. Modern yönetim platformları (Cisco Catalyst Center, Aruba Central, RUCKUS One) bu veriyi istemci bazında zaman serisi olarak saklar; 'dün saat 14:00'te toplantı odasında ne oldu?' sorusunun cevabı artık arşivdedir.

Uyarı tasarımı: gürültü değil sinyal

İzleme sistemlerinin en büyük düşmanı alarm yorgunluğudur: günde 200 uyarı alan ekip, 201.'yi okumaz — ve o, gerçek arızadır. Uyarılar eyleme dönüştürülebilir olmalıdır: 'AP-23 kanal kullanımı 2 saattir %70 üzerinde' eyleme değer bir uyarıdır; 'istemci sinyali dalgalandı' değildir.

İyi pratik, uyarıları katmanlamaktır: anlık kritik olaylar (AP düştü, kontrolcü bağlantısı koptu) anında bildirim; performans sapmaları (sürekli yüksek kanal kullanımı) günlük özet; trendler (artan istemci sayısı, yükselen yeniden iletim) haftalık rapor. Böylece her veri doğru zaman ölçeğinde değerlendirilir.

Yapay zeka destekli izleme

Son yıllarda üreticiler telemetriyi makine öğrenmesiyle analiz eden katmanlar ekledi: Juniper Mist, RUCKUS AI ve benzeri sistemler, 'normal'in ne olduğunu ağın kendi geçmişinden öğrenir ve sapmaları sınıflandırır. 'Bu sorun DHCP sunucusundan kaynaklanıyor' gibi kök neden önerileri, teşhis süresini saatlerden dakikalara indirir.

Bu sistemler sihirli değildir; kaliteleri beslendikleri verinin kalitesine bağlıdır. Doğru tasarlanmamış bir ağda yapay zeka, tasarım hatalarını 'anomali' olarak işaretler durur. Önce sağlam tasarım, sonra akıllı izleme.

F2 yaklaşımı

Kurulum sonrası validasyon raporunu izleme sisteminin referans tabanı (baseline) olarak kullanıyoruz: sapma, ancak normalin ne olduğu biliniyorsa tespit edilir. Müşterilerimize uyarı katmanlaması, eşik değerleri ve haftalık sağlık raporu şablonlarıyla birlikte çalışan bir işletme modeli kuruyoruz. Yönetim hizmeti alan müşterilerimizde sorunları çoğu zaman kullanıcıdan önce biz fark edip müdahale ediyoruz.