주니퍼의 업계 최고 AI에 대한 수요가 점점 더 늘고 있습니다.

강화 학습 기반:

- AI 기반 강화 학습으로 채널/전력 최적화

- AI가 지속적으로 사용자 경험(SLE)을 최대화하고 실시간으로 간섭 최소화

- 네트워크 부하 상황에서 클라이언트 경험을 학습하면서 계속 동적으로 적응

- 학습하고 트리거된 DFS 채널의 권한을 박탈하여 네트워크 업타임 향상

- 지속적인 '사이트 조사' 과정인 커버리지 SLE

비디오 보기

기본 RRM

- DFS 장애 패턴 모니터링

- 정전 시에도 설정을 기억하는 AP

- '바쁜 시간대'에 변경 불가

ARM - 관리 사이트 전체에서만 낮은 수준의 RF 설정을 비교하고 최적화하는 기본 패턴 인식:

- 진정한 AI 솔루션이 아님: 시간이 지남에 따라 향상하기 위해 강화 학습을 활용하지 않음

- 사용자 경험을 최대화하기 위해 RF를 조정하지 않음

- 지속적인 동적 업데이트가 아닌 일일 업데이트를 위해 주기적 및 정적 데이터 분석

- AirMatch RF 최적화를 위해 컨트롤러 및 Mobility Master 필요

- 데이터 수집기 장치 및 NetInsight 서버 필요

15년 된 알고리즘

- AP에서 주고 받는 정보에 기반함

- AP 간섭 그래프만으로 채널/전력 최적화

- RRM은 부하가 낮을 때 정적, 주기적 기준으로 수행됨

기본 RRM. AI/ML이 없으므로 며칠 동안 튜닝이 필요합니다.

- 지도학습 머신러닝(Supervised Machine Learning)을 통해 지속적으로 학습

- 대부분의 탐지된 네트워크 문제에 대한 근본 원인 분석 수행

- 사이트 수준에서 무선, 유선 및 WAN 지원

- 로그를 풀링하기보다 문제 해결에 집중

- 웹 UI 또는 API를 통해 액세스 가능

- 6년 이상의 지속적인 학습 및 풍부한 데이터 사이언스 도구 상자를 바탕으로 구축

- 대시보드

- 가상 어시스턴트 없음

- 대시보드

- 가상 어시스턴트 없음

- 대시보드

- Chatbot에 대한 루머가 있었으나 제품화되거나 베타 버전으로 고객에게 제공되지도 않음

- 클라우드에서만 대시보드 및 네트워크 지원.

- Co-Pilot이라고 하는 챗봇, 매우 제한적, AI 아님. NLP 버전 1.0 허용. 쿼리 없음.

- 지난 2년 동안 베타 버전에서.

- 이상 징후를 사전에 식별하고 데이터 사이언스 도구를 사용하여 근본 원인을 파악

- 이상 탐지를 위한 유선 및 무선 SLE를 모두 활용

- 3세대 알고리즘과 ARIMA가 효과를 높임

- Wi-Fi, LAN, WAN, 보안 도메인 전체에서 이상 징후 탐지 수행

- ChatGPT 통합

- 1세대 이상 징후 탐지 알고리즘

- 몇 가지 기본적인 이상 징후를 찾기 위해 1주일 분량의 데이터를 확인함

- 제한된 이상 징후 탐지 세트(DHCP, AAA, RF 활용도)

- NetInsight 데이터 수집기 어플라이언스 필요

- 1세대 이상 징후 탐지 알고리즘

- 제한된 이상 징후 탐지 기능(DHCP, AAA, 연동, 처리량)

- Cisco DNA 어플라이언스 필요(3개 이상)

기본적인 이상 징후를 추적하는 클라이언트 360.

파일럿 및 코파일럿 지원.

1세대 이상 징후 탐지 알고리즘.

제한된 이상 징후 탐지(지연 시간, 처리량, 방송 시간).

- 셀프 드라이빙 또는 드라이버 지원 모드를 위한 Marvis Actions 프레임워크(예: RF 최적화, 사전 예방적 RMA, 비정상 AP, 누락된 VLAN, 불량 케이블, 스위치 구성 오류 등)

- Mist로 검증

- 학습 시스템을 지원하거나 해결하기 위한 고객 서비스

- 관리자에게 실행 가능한 인텔리전스를 '상향식'으로 제공하는 폐루프 피드백

- 대시보드

- 셀프드라이빙 기능 없음

- '제안'을 제공함

- 하향식

- 살펴보기

- 대시보드

- 셀프 드라이빙 부족, IT팀에 권장 사항을 전달하는 '드라이버 지원' 기능만 존재

- 아주 기본적인 드라이버 지원 기능(IT 팀이 수동으로 조사할 수 있도록 채널 활용 문제와 열악한 DHCP/AAA 성능을 파악함)

- 차세대 로그 파일에 대한 하향식 살펴보기

- 대시보드

- 셀프드라이빙 기능 없음

- 하향식, 활성 모니터링을 시작하려면 문제가 있는 사용자를 '지정'해야 함

- 기본 수학으로 생성된 대시보드

- 셀프 드라이빙 부족, IT팀에 권장 사항을 전달하는 '드라이버 지원' 기능만 존재

- 제한된 셀프 드라이빙 기능(지연 시간, 처리량, 방송 시간)

클라우드에서 확률 표면을 만들고 지속적인 비지도식(Unsupervised) 머신러닝으로 계속해서 모델 업데이트.

- 정밀한 지도 배치에 따른 분류

- BLE 클라이언트의 차이에 의해 오류 발생

- 정밀한 지도 배치에 따른 분류

- BLE 클라이언트의 차이에 의해 오류 발생

- 자오선 사이드라인

- 현장에서 CMX 어플라이언스 필요(DNA Space에도 해당)

- 타사 BLE 통합 필요

- 정밀한 지도 배치에 따른 분류. BLE 클라이언트의 차이에 의해 오류 발생

아니요

- 지원 시 Marvis를 활용하여 문제 해결

- Marvis 기능은 지속적으로 평가되며, 데이터나 답변을 이용할 수 없는 지원 문제가 발생했을 때 Marvis를 교육하거나 누락된 데이터 수집 추가

- Marvis가 AP에서 하드웨어 장애를 탐지하면, 벤더로 문제를 에스컬레이션하는 대신 IT 팀의 '증명 부담'을 최소화하는 자동 RMA를 수행할 수 있음

- AP 배치가 빠른 속도로 성장하면서 Mist AI 사용을 통해 지원 티켓 수를 낮은 수준으로 유지

- 대시보드

- 지원 또는 지원 운영을 자동화하는 데 AI를 사용하지 않음

- 대시보드

- AI 기반 자동 지원 기능 부족

- Aruba AI Assist는 로그를 수집하고 수동 분석을 위해 Aruba Support로 이메일을 전송하는 기본 수동 버튼임

- 대시보드

- 지원 또는 지원 운영을 자동화하는 데 AI를 사용하지 않음

- 대시보드.

- AI 기반 자동 지원 기능 부족

- 오류 이벤트가 발생할 때 실시간으로 패킷을 능동적으로 캡처

- 모든 장애가 장애 전에 PCAP가 시작되고 이를 통해 재생되므로 문제를 재현할 필요가 없음

- 문제가 발생한 *후에* 스니퍼와 함께 기술 담당자를 보내지 않음

비디오 보기

수동 설정

- 주로 수동 - 인증 실패 이벤트에 대한 제한된 자동 캡처

- 문제 해결 및 분석을 위해 별도의 추가적인 클라우드 대시보드 필요(Cape Networks)

- Aruba UXI 무선 센서 하드웨어의 오버레이 네트워크 필요

지능형 패킷 캡처

- 먼저 클라이언트가 티켓을 제출해야 함

- 다음으로 클라이언트는 데이터를 수집하기 위해 태그가 지정됨

- 전혀 자동이 아님

아니요.