WI‑FI接入点性能管理的制作方法

本公开涉及通信技术领域，具体地，涉及无线局域网中的Wi-Fi接入点性能管理。

背景技术：

在计算机联网中，无线接入点是允许无线设备连接到有线网络以形成无线局域网(WLAN)的设备。接入点可以直接连接到有线以太网连接并且使用用于其他设备的射频(RF)链路(例如，Wi-Fi、蓝牙或其他类型的标准)提供无线连接以利用有线连接。接入点可以支持多个无线设备到一个有线连接的连接。

接入点可以包括公司、公众、教育和家庭WLAN中的广泛应用。WLAN可以包括数个接入点，其附接到有线网络以给设备提供对因特网或另一广域网的无线接入。热点是接入点的公共应用，其中无线客户端可以在不考虑此刻已经附接到的特定网络的情况下连接到因特网。而且，接入点可以使用在家庭无线网络中以无线地连接家庭或办公室中的所有计算机。

附图说明

以在以下附图中所示的示例的方式图示本公开的特征。在以下附图中，相同附图标记指代相同元件，其中：

图1A图示了根据本公开的示例的包括Wi-Fi接入点性能管理系统的环境；

图1B图示了根据本公开的示例的针对图1A的Wi-Fi接入点性能管理系统的架构流程图；

图2图示了根据本公开的示例的针对服务操作中心的区域和回程网络性能的图形用户界面显示；

图3图示了根据本公开的示例的针对服务操作中心的接入点地理和性能洞察的图形用户界面显示；

图4图示了根据本公开的示例的包括针对网络操作中心的发生故障节点分析的决策树的图形用户界面显示；

图5图示了根据本公开的示例的针对网络操作中心的接入点故障预测的图形用户界面显示；

图6图示了根据本公开的示例的用于预测针对发生故障节点的根本原因分析的连接延时的自变量的表；

图7图示了根据本公开的示例的针对发生故障节点的根本原因分析的决策树模型；

图8图示了根据本公开的示例的针对发生故障节点的根本原因分析的决策树；

图9图示了根据本公开的示例的用于确定针对接入点故障预测的接入点故障预测模型的初始运行输出；

图10图示了根据本公开的示例的针对图9的接入点故障预测模型的初始运行输出的误差矩阵；

图11图示了根据本公开的示例的用于确定接入点故障预测模型的另一运行输出；

图12图示了根据本公开的示例的针对图11的接入点故障预测模型的另一运行输出的误差矩阵；

图13图示了根据本公开的示例的用于确定接入点故障预测模型的又一运行输出；

图14图示了根据本公开的示例的针对图13的接入点故障预测模型的又一运行输出的误差矩阵；

图15图示了根据本公开的示例的针对图13的接入点故障预测模型的训练数据集接收器操作特性曲线；

图16图示了根据本公开的示例的针对图13的接入点故障预测模型的测试数据集接受者工作特性曲线；

图17图示了根据本公开的示例的针对网络操作中心的主网络节点、辅网络节点、发生故障节点分析和接入点故障预测的图形用户界面显示；

图18图示了根据本公开的示例的用于Wi-Fi接入点性能管理的方法的流程图；

图19图示了根据本公开的示例的用于Wi-Fi接入点性能管理的方法的流程图的进一步的细节；以及

图20图示了根据本公开的示例的计算机系统。

具体实施方式

出于简单性和说明性目的，通过主要参考其示例描述本公开。在以下描述中，阐述许多特定细节以便提供对本公开的透彻理解。然而，将容易地明显的是，可以在没有这些特定细节的限制的情况下实践本公开。在其他实例中，未详细描述一些方法和结构以便不无谓地使本公开难以理解。

贯穿本公开，术语“一”和“一个”旨在表示特定元件中的至少一个。如本文所使用的，术语“包括(includes)”意指包括但不限于，术语“包括(including)”意指包括但不限于。术语“基于”意指至少部分基于。

可以委托电信运营商内的服务操作中心维护跨整个网络的最佳水平的服务质量。服务操作中心可以跨不同区域和地区连续地监视并且对服务下降、中断和停止采取行动。网络操作中心可以监视故障和事件，并且跟踪网络的性能。基于例如网络、地理和与网络相关联的硬件变量的组合，这样的网络的性能管理可以是具挑战性的。

为了解决关于网络的性能管理挑战，本文公开了一种Wi-Fi接入点性能管理系统和一种用于Wi-Fi接入点性能管理的方法。本文所公开的系统和方法可以使用高级可视化技术和统计模型指示网络停机时间以及突出可能的根本原因二者。根本原因可以被描述为针对所观察的网络状况的最可能的原因。在本文所公开的系统和方法中，如本文所描述的性能监视器和预测器可以通过分析这些原因中的每一个的影响并且突出于所观察的异常现象最相关的原因，将根本原因与其他潜在的原因隔离。本文所公开的系统和方法还可以基于过往性能提供接入点停机时间(例如，由于硬件故障)的预报。

本文所公开的系统和方法可以例如通过给用户(诸如网络操作中心用户)提供与发生故障节点的根本原因分析和/或接入点的故障预测有关的信息，提供网络的性能管理。节点可以被描述为有线网络的一部分，其中，节点可以充当其他接入点和网络的连接点。接入点可以被描述为用户能够经由Wi-Fi连接通过的连接端点。本文所公开的系统和方法还可以例如以图形显示和/或决策树的形式给用户(诸如服务操作中心用户和/或网络操作中心用户)提供洞察(insight)。根据示例，针对与发生故障节点的根本原因分析和/或接入点的故障预测有关的信息，可以通过本文所公开的系统和方法生成图形显示。根据示例，针对与发生故障节点的根本原因分析有关的信息，可以通过本文所公开的系统和方法生成决策树。

关于(例如，国家、领土等等的)区域，图形显示可以包括例如对面对面登录时间、延时、吞吐量和/或信号强度(RSSI)的网络性能。关于网络的回程侧，图形显示可以包括例如网络正常运行时间和服务正常运行时间。其他类型的图形显示可以包括例如其相对(vis-a-vis)经度和维度信息、吞吐量性能所绘制的路由器调制解调器和/或接入点、在未来可以如何不同地执行接入点(例如，以后24小时)等等。

关于决策树，用户(诸如网络操作中心用户)可以提供有与实时更新决策树以促进对为何将不执行例如以预定的颜色标记的某些节点以及以不同的预定的颜色标记的节点的诊断有关的显示和/或报告。而且，关于决策树，用户(诸如网络操作中心用户)可以提供有关于网络将如何对将采取的矫正动作做出响应的输入。

对于本文所公开的装置和方法而言，所公开的示例的统计建模中的变量可以划分为因变量和自变量。因变量可以表示对接入点性能和用于WLAN之上的传输的服务质量的测试输出或影响。例如，因变量可以包括但不限于延时、登录时间、信号强度或接入点处的吞吐量。自变量可以表示针对接入点性能和用于WLAN之上的传输的服务质量的测试输入或原因。例如，自变量可以包括主事件(primary event)、辅事件(secondary event)、主与辅相同(primary Eq secondary)、操作系统的类型(type of operating system)等等，如本文所公开的。测试输入可以被描述为统计分析中的变量(即，自变量)的输入集。输入变量可以包括针对问题的最可能原因或可以被用于预测未来的事件的滞后变量。测试输出可以包括用于统计建模分析的因变量的集合。测试输出可以包括将预测的事件(例如，高延时、低吞吐量等等)。

本文所公开的系统和方法可以提供用于Wi-Fi健康监视和停机时间诊断的内含式方案。本文所公开的系统和方法可以提供地区和区域水平顾客体验监视、表现欠佳的接入点的排序和标识、接入点和/或网关配置的高效验证和优化和设备故障预测，其中，设备和节点可以在完全故障之前替换。因此，本文所公开的系统和方法可以通过负载预报和带宽优化提供增强的顾客体验。而且，本文所公开的系统和方法可以提供主动式网络操作和控制并且集成到网络操作中心和/或具有针对Wi-Fi操作的管理的减少的努力的服务操作中心中。

根据示例，本文所公开的系统和方法可以例如链接到客户端售票系统以进一步增强客户端售票系统的能力。例如，本文所公开的系统和方法可以被用于基于来自与发生故障节点的根本原因分析和/或接入点的故障预测有关的洞察的规则，创建针对网络操作中心和/或服务操作中心的警报。根据示例，本文所公开的系统和方法可以被用于创建工作流并且分配任务以对针对所生成的警报的问题和所标识的问题进行改正。根据示例，本文所公开的系统和方法可以被用于跟踪所生成的售票的进展并且一旦任务已经完成则关闭售票。根据示例，本文所公开的系统和方法可以提供集成工作流系统，其将生成洞察、创建警报、分配售票、跟踪进展和关闭售票。

根据示例，本文所公开的系统和方法可以提供记分卡功能性，其中，可以评价顾客体验并且可以监视主动推荐(固件升级等等)的趋势。根据示例，本文所公开的系统和方法可以提供实时地理空间网络健康视图，包括主节点、辅节点和接入点。根据示例，本文所公开的系统和方法可以通过针对主动式网络操作和控制的预测性和根本原因分析提供预防动作和/或矫正动作。

根据示例，本文所公开的系统和方法可以为服务操作中心用户和网络操作中心用户提供基于角色的高级分析方案，并且解决目视检查有问题的Wi-Fi接入点的限制，并且评价关于与Wi-Fi终端用户设备顾客体验、接入点环境健康和接入点基础设施和可以机器生成数据的核心基础设施健康有关的接入点性能度量的实时性能和历史趋势。一旦服务操作中心用户标识问题，则可以由网络操作中心用户突出问题。网络操作中心用户可以使用高级分析能力以使用自动化决策树功能性标识网络问题的根本原因，并且还基于回归技术使用预测得分有效地预测不久的将来的任何潜在网络问题，并且采取预防动作和矫正动作。本文所公开的系统和方法可以通过视觉地向下挖掘问题区域或接入点并且分析跨针对性能的主导因素中的每一个主导因素的历史性能趋势，促进接入点性能管理。本文所公开的系统和方法还可以通过网络数据提供预测分析能力以统计地预测未来的接入点次优性能，并且通过可以被用于通过标识针对次优性能的原因的自动化决策树技术确定针对接入点次优性能的根本原因分析。这些方面可以被用于优化网络性能和改进顾客体验。

本文所公开的用于Wi-Fi接入点性能管理的Wi-Fi接入点性能管理系统和方法提供例如与Wi-Fi接入点性能管理有关的技术问题的技术方案。在许多实例中，例如，由于与网络相关联的大量的数据源和动态信息，可以限制Wi-Fi接入点性能管理的效率。本文所公开的系统和方法提供性能监视器和预测器的技术方案，其由至少一个硬件处理器执行以接收与多个无线接入点有关的会话分析记录，以及分析与多个无线接入点有关的会话分析记录以确定与多个无线接入点中的至少一个无线接入点有关的至少一个发生故障节点的根本原因，以及预测多个无线接入点中的至少一个无线接入点的故障。本文所公开的系统和方法还可以包括洞察发生器，其由至少一个硬件处理器执行以生成有关于与多个无线接入点中的至少一个有关的至少一个发生故障节点的根本原因的确定有关的至少一个图形用户接口显示或至少一个报告，以及多个无线接入点中的至少一个的故障的预测。由至少一个硬件处理器执行的模型部署器可以基于第二决策树，通过将第二决策树与表示在与多个无线接入点中的至少一个有关的修改之前与多个无线接入点中的至少一个有关的至少一个发生故障节点的第一决策树相比较，跟踪与多个无线接入点中的至少一个的属性有关的修改的结果。对于本文所公开的系统和方法而言，决策树模型可以被用于标识任何事件的驱动器。基于决策树的分析的结构可以促进理解并且提供关于事件的可能根本原因的洞察。在比较中，其他技术不提供可以被用于采取动作的针对不良性能的明确规则。而且，机器学习技术可以被用于本文所公开的系统和方法以基于过往性能数据预测未来的事件的发生。例如，由于在考虑中的因变量包括二进制上下文(例如，接入点故障或接入点将不故障)，因而逻辑回归技术可以被用于预测故障。所得的接入点故障预测模型可以提供未来的接入点故障的概率。

图1A图示了根据本公开的示例的包括Wi-Fi接入性能管理系统102的环境100。系统102可以包括对不同的网络类型的连接，包括公共交换电话网络(PSTN)104、万维网(WWW)或接入网络106、因特网108、路由器110a-b、接入点112a-b和无线设备114a-f。

无线设备114a-f(即，接入点客户端)可以包括个人数字助理(PDA)、移动电话、平板电脑、膝上型计算机和其他无线移动设备。以示例的方式而非以限制的方式，无线设备114a-c和无线设备114d-f可以使用各种射频(RF)协议(诸如全球移动通信系统通用分组无线服务(GSM GPRS)、演进数据传输(EV-DO)、蓝牙、Wi-Fi、长期演进(LTE)、3G、4G等等)连接到接入点112a和接入点112b以访问无线局域网(WLAN)。即，接入点112a-b可以向无线设备114a-f提供对有线以太网网络的无线接入。

根据示例，接入点112a可以连接到路由器110a并且接入点112b可以连接到路由器110b，以向无线设备114a-f提供对因特网108的接入。路由器110a-b可以提供附加的内置安全性，诸如防火墙。接入点112a-b可以例如并入路由器110a-b作为单个设备或提供为分离的设备以给无线设备114a-f提供对因特网108的接入。因此，根据示例，接入点112a-b可以为对因特网108的接入提供无线至有线的连接并且可以是无线“热点”，诸如蓝牙或公共场所中的Wi-Fi接入点。根据示例，接入点中的每一个可以包括接收指令并且根据指令本地设定可控制的参数的控制器。因特网108可以例如通过使用传输控制协议/网际协议(TCP/IP)的网关具有对PSTN 104、WWW106和WLAN智能服务器的各种连接。

系统102可以是台式计算机、膝上型计算机、智能电话、计算平板电脑或任何类型的计算设备。系统102可以例如关于与路由器110a-b、接入点112a-b和无线设备114a-f有关的网络提供Wi-Fi接入点性能管理。系统102可以例如通过网络设备116提供Wi-Fi接入点性能管理，网络设备116可以包括例如路由器、交换机、集线器等等。

系统102可以包括数据聚合器118，其由硬件处理器(例如，硬件处理器2002)执行以对来自数据源的海量数据(例如，实时和/或所存储的数据)进行聚合、概括和执行缺失值处理以及统计和功能富集，其可以包括设备生成的会话数据、接入点位置和性能数据、无线LAN网关数据和接入点、节点和核心(core)健康数据。

设备生成的会话数据可以表示从连接到网络的无线设备114a-f所获得的Wi-Fi会话记录。Wi-Fi会话数据可以包括客户端侧测量的会话级信息(诸如信号强度、会话开始时间、会话持续时间、所传送的数据、连接带宽等等)并且可以从源(诸如在无线设备114a-f上执行的客户端软件(即，机器可读指令))接收。Wi-Fi会话数据可以例如通过对唯一标识符(例如，基本服务集标识(BSSID)或服务集标识(SSID))使用结构化查询语言(SQL)与接入点位置和性能数据、无线LAN网关数据和接入点、节点和核心健康数据结合。

接入点位置数据可以被描述为与接入点的位置(纬度和经度)、空中类型(室内/室外)等等有关的数据并且可以从诸如主文件(master file)的源接收。

接入点简档数据可以被描述为接入点硬件和软件信息、安装数据、接入点服务日期、所连接节点的信息等等并且可以从诸如主服务日志的源接收。

无线LAN网关数据可以被描述为包括登录时间、隧道激活、用户在线数等等的网关日志并且从诸如单独的网关日志的源接收。

接入点和节点数据可以被描述为通过ping接入点和节点所生成的周期性报告、健康检查日志等等并且可以从诸如网络探针的源接收。

统计富集可以被描述为用以生成更有意义的数据元素(例如，四小时窗口内的接入点的客户端连接的数目、一天期间从接入点所传送的总数据、过去两至三天期间的延时变化速率、吞吐量、下载数据等、过去两至三天期间的平均延时、平均吞吐量、平均下载数据等、对建模数据的缺失值处理-针对样本的中值、异常值处理-大于针对分析的99％百分数的上限值等等)的原始数据元素的富集并且可以从统计主题专家接收。

功能富集可以被描述为用以包括附加信息的接入点连接数据的富集并且可以从功能主题专家接收，所述附加信息可以促进性能管理，诸如“最佳延时操作频带”、“最佳吞吐量范围”、“客户端软件”、“障碍物诸如现场的植物、建筑物”等等。

数据聚合器118可以基于聚合、概括和缺失值处理性能，生成会话分析记录。会话分析记录可以包括具有接入点、无线LAN网关、节点和核心的健康信息的经富集的会话级数据。关于经富集的会话级数据，数据的富集可以允许变量被转换以彼此更精确地对齐。例如，富集过程可以包括移除具有不完整数据(例如，缺失延时、吞吐量、信号强度值等等)的记录、将吞吐量值(例如，以bps为单位所测量的)缩放到mbps以与信号强度和延时度量可比较、以及添加来自其他源(例如，核心的健康数据、无线LAN网关数据等等)的变量。富集会话数据可以提供待捕获和待处理的网络状况的完整视图以例如用于实现本文所描述的技术的预测能力并且用于解释网络问题的所有可能方面。除诸如吞吐量、延时和信号强度的度量外，会话分析记录的示例可以包括也可以采集和分析的其他会话级因素，诸如当日时间、接入点位置、会话加密、用户设备配置、隧道服务器配置、域名系统(DNS)服务器等等。接入点ID或无线LAN网关主机名称可以添加到用于分析的会话分析记录，例如以分析无线LAN网关性能对网络的影响。这是因为无线LAN网关的某些配置可能负面地影响性能。接入点可以定位在网络连接的用户端处。由用户发送到外部网络(例如，因特网)的任何数据可以从接入点行进到节点，节点进而经由“回程”连接到网络核心。核心健康信息可以与该网络核心的性能度量有关。无线接入点可以被描述为通过一系列节点和网关连接到回程的连接端点。接入点的性能可以依赖于整个网络基础设施的最佳操作。

数据聚合器118还可以生成设备会话数据，其可以通过复杂基本服务集标识(BSSID)映射技术映射到数据源。会话分析记录可以包括在会话发生时的接入点、节点、WLAN网关等等的参数和设置。如果在随后阶段注意到性能下降，则可以比较性能降级之前和之后的会话分析记录以标识什么参数已经改变(即，也许WALN网关上的软件版本更新了等等)以便促进根本原因的标识。基于专业知识，登录时间、信号强度、吞吐量和延时可以被标识作为对可视化网络洞察重要的参数。

由硬件处理器所执行的洞察发生器120可以通过基于设备体验度量、环境和回程对接入点和/或区域的实时性能的监视、次优性能的趋势的标识和第一级根本原因分析的性能，提供例如针对服务操作中心的洞察生成和问题标识。而且，洞察发生器120可以通过提供针对Wi-Fi终端用户设备顾客体验、接入点环境健康以及接入点基础设施和核心基础设施健康的实时洞察和性能趋势而提供例如针对服务操作中心的洞察生成和问题标识。

如本文所公开的，洞察发生器120可以提供基于角色的可视化配置，用于网络操作中心以促进关注网络正常运行时间以及用于服务操作中心以促进关注网络用户体验。洞察发生器120可以提供用户体验的接入点级可视化配置。洞察发生器120可以生成趋势视图(例如，针对预定持续时间的多个决策树，如本文所公开的)以促进发生故障节点的根本原因分析。而且，洞察发生器120可以生成区域聚合视图以促进低执行区域的标识和发生故障节点的根本原因分析，以及嵌入式决策树以标识次优性能的驱动器。洞察发生器120还可以通过使用预测分析回归模型提供针对预防与校正维护的实时接入点基础设施健康和洞察以预测接入点的次优性能而提供例如针对网络操作中心的洞察生成和问题标识，并且通过关于网络相关问题的自动决策树提供根本原因分析。

由硬件处理器所执行的性能监视器和预测器122可以例如针对网络操作中心实现机器学习，以便基于例如来自预定的过去持续时间(例如，过去两天)的数据来预测接入点次优性能(例如，基于高延时)，以及实现关于历史事件的根本原因分析以确定接入点次优性能的驱动器。

如本文所公开的，性能监视器和预测器122可以生成决策树模型124，以生成用于根本原因分析的针对预定时间间隔(例如，每隔六个小时)的统计决策树以便使用由数据聚合器118所分析的数据而标识问题。可以通过例如使用递归分区执行根本原因分析。性能监视器和预测器122还可以例如提前一天使用端到端数据维度(例如，设备、环境、接入点、核心数据等等)实现用于接入点故障预测的针对接入点故障预测模型126的逻辑回归。

可以向网络操作中心用户提供性能监视器和预测器122的输出，以标识所部署的网络中的可能疑难/问题。例如，根据如本文所描述的会话分析记录，决策树模型124可以通过对跨不同的会话变量的节点进行分区来标识可能根本原因。如果标识了可能的根本原因，则网络操作中心用户可以通过分析决策树容易地标识根本原因。类似地，网络操作中心用户可以将无线接入点的预测性能可视化并且注意该预测性能是否低于可接受的标准。性能监视器和预测器122的输出的示例可以包括以决策树格式的针对欠佳节点性能的可能的根本原因(例如，无线LAN网关处的高长登录事件、接入点的固件、无线LAN网关的类型等等，如本文参考图4和6-8所描述的)。性能监视器和预测器122的输出的另一示例可以包括以后八至二十四小时内的接入点的欠佳性能的概率，如本文参考图5和9-14所描述的。

由硬件处理器所执行的模型部署器128可以提供与发生故障节点的根本原因分析有关的决策树模型124以及与接入点的故障预测有关的接入点故障预测模型126的部署。例如，模型部署器128可以针对服务操作中心用户提供以标识接入点、区域和/或回程性能中的异常趋势，并且将这样的异常趋势通知给网络操作中心用户。在该方面，网络操作中心用户可以使用实时监视和机器学习和/或根本原因分析工具以矫正与异常趋势有关的问题。而且，模型部署器128可以在与异常趋势有关的问题的解决后，提供与发生故障节点的根本原因分析有关的决策树模型124以及与接入点的故障分析有关的接入点故障预测模型126的结果的跟踪。

根据示例，模型部署器128可以接收性能监视器和预测器122的输出并且自动地(即，在没有人类干预的情况下)矫正由输出所标识的任何问题。例如，一旦开发决策树模型124和接入点故障预测模型126，则可以通过模型部署器128部署模型。对于每天而言，接入点故障预测模型126可以通过根据针对前几天(例如，前两天)所确定的数据对接入点故障预测模型126进行评分来提供针对下一天的接入点的欠佳性能的概率。关于决策树模型124，可以使用例如针对过去六个小时的会话分析记录数据以例如六个小时的间隔在图形用户界面显示上刷新决策树。在该方面，模型部署器128可以基于先前的问题场景使用优先化的问题的预定列表和/或机器学习以确定哪些根本原因和潜在的问题已经由决策树模型124和接入点故障预测模型126标识，并且实现校正动作以矫正问题。校正动作的示例可以包括固件升级、将流量重新路由到另一节点、接入点和/或相关联的组件的重新设置、替换预期故障的接入点等等。

如本文所描述的，系统102的元件可以是存储在非暂态计算机可读介质上的机器可读指令。额外地或者备选地，系统102的元件可以是硬件或机器可读指令和硬件的组合。而且，应当理解，系统102可以包括附加元件，并且在不脱离系统102的范围的情况下，可以移除、组合和/或修改本文所描述的元件中的一个或多个。

图1B图示了根据本公开的示例的针对系统102的架构流程图。

参考图1A和1B，在块140处，数据聚合器118可以对来自数据源的数据(例如，实时和/或所存储的数据)进行聚合、概括和执行缺失值处理以及统计和功能富集，其包括例如设备生成的会话数据、接入点位置和性能数据、无线LAN网关数据和接入点、节点和核心健康数据。

在块142处，数据聚合器118可以基于聚合、概括和缺失值处理性能，生成会话分析记录。

在块144处，洞察发生器120可以通过基于设备体验度量、环境和回程对接入点和/或区域的实时性能的监视、次优性能的趋势的标识以及第一级根本原因分析的性能，来提供例如针对服务操作中心的洞察生成和问题标识。

在块146处，性能监视器和预测器122可以例如针对网络操作中心实现机器学习，以便基于例如来自预定的过去持续时间(例如，过去两天)的数据来预测接入点次优性能(例如，基于高延时)，以及实现关于历史事件的根本原因分析以确定接入点次优性能的驱动器。

在块148处，模型部署器128可以针对服务操作中心用户提供以标识接入点、区域和/或回程性能中的异常趋势，并且将这样的异常趋势通知给网络操作中心用户(例如，在块150处)。在该方面，在块152处，网络操作中心用户可以使用实时监视和机器学习和/或根本原因分析工具以矫正与异常趋势有关的问题。而且，在块154处，模型部署器128可以在与异常趋势有关的问题的解决后，提供与发生故障节点的根本原因分析以及与接入点的故障预测有关的模型的结果的跟踪。

图2图示了根据本公开的示例的针对服务操作中心的区域和回程网络性能的图形用户界面显示。

参考图1A和2，图2的“区域记分卡”和“回程记分卡”显示可以表示基于来自路由器110a-b、接入点112a-b和/或无线设备114a-f的异构数据的实时聚合的显示的示例，以用于促进与该数据有关的洞察。如本文所公开的，基于专业知识，在200处，延时、登录时间、信号强度(即，开始RSSI)和吞吐量可以表示对于可视化网络洞察而言重要的(即，高度相关的)参数。延时、登录时间、信号强度和吞吐量的度量可以被选择为生成与图2的“地区10中的吞吐量”显示类似的显示。在202处，洞察发生器120可以生成不同区域水平的洞察。对于每个地区而言，显示可以包括网络性能相对(vis-a-vis)延时、登录时间、信号强度和吞吐量。为了对网络性能进行区分，在204处的不同的彩色标记(例如，红色、琥珀色、绿色等等)可以指示相应的度量质量。例如，在204处的不同的彩色标记可以被用于突出具有顾客不满意的地区(例如，通过使用红色)。在206处，可以针对在208处所选择的时间窗显示吞吐量水平(例如，在后20％、中值和前20％)。

关于网络的回程侧，网络正常运行时间和服务正常运行时间可以显示在210处，以促进对问题是否归因于回程处的服务停机或问题是否完全具有不同的根本原因的跟踪。在该方面，可以在210处显示度量的历史趋势(例如，针对地区10的接入点/核心健康)。

图2的显示可以特定于所选择的地区和日期和/或日期窗口组合(例如，在208处)。根据示例，图2的显示在六十天处可以是默认的。还可以基于200处的度量、202处的区域等等的选择改变206处的显示。被标识为“地区记分卡”和“回程记分卡”的地图视图可以包括日常性能。被标识为“地区10中的吞吐量”和“地区10中的AP/核心健康”的视图可以表示历史趋势视图。

关于图2的显示，用户可以对图形进行向下挖掘以获得更多信息以及取得不同的比较。例如，当研究吞吐量问题时，用户可以向下挖掘并且查看该受影响地区的吞吐量关于时间的趋势直方图。这将允许用户标识何时问题开始。用户可以将区域彼此比较(例如，查看哪个是执行最好的、是限于一个区域的影响等等)。用户可以执行接入点类型比较(例如，哪个接入点是最好的、是所影响的一个接入点类型等等)。关于接入点类型，可以经由固件升级来升级接入点以解决特定性能问题。有时，固件升级可能导致关于性能的其他未文档化的问题。在该方面，跟踪接入点硬件和固件可以促进降级的网络性能的潜在原因的解决。用户还可以执行接入点类型和固件比较(例如，是比另一个更好的一个接入点软件版本和/或受问题影响)。用户还可以执行WLAN网关比较(例如，是比另一个执行更好的一个WLAN网关等等)。

图形用户界面显示-洞察发生器120

图3图示了根据本公开的示例的针对服务操作中心的接入点地理和性能洞察的图形用户界面显示。

参考图1A和3，在接入点向下挖掘级别(例如，基于图2的选项212的选择)，洞察发生器120可以通过在地理位置窗口302中绘制接入点112a-b相面对的经度信息和纬度信息(例如，参见图3处的300)中的每一个生成洞察。在例如300处所显示的信息可以表示不同层级(例如，国家、地区、区域、区县等等)处的性能的概要以促进不同阈值处的性能的可视化(例如，基于颜色编码、圈大小等等)。

洞察发生器120可以生成性能窗口304以显示关于吞吐量、延时和/或信号强度(和/或登录时间)的因变量的洞察以对接入点的网络性能进行区分(例如，可以将1ms至50ms之间的延时分类在“低”范围内，而可以将延时＞250ms分类在“高”范围内)。因此，洞察发生器120可以基于从数据聚合器118所接收的实时接入点数据，确定表现欠佳的接入点。表现欠佳的接入点可以是分类在“高”延时范围中的接入点。

根据示例，如在306处所示，基于性能窗口304的左面板上的图例，吞吐量性能可以由接入点的圈的大小描绘，延时性能可以由接入点的圈的颜色描绘，并且在邮政编码地区上平均的信号强度可以由针对接入点的邮政编码域的颜色描绘。可以缩放、摇摄性能窗口304，并且可以通过使用性能窗口304的右面板上的过滤控制对来自不同的区域的接入点进行比较。

图3的地图图表(表示为“接入点地理位置”和“接入点性能”)可以通过使用地图和过滤控制来缩放、摇摄、一起比较不同的区域等等。用户可以从地理窗口302的右面板上的多个区域中选择区域(例如，区域1)以可视化所选择的区域中的接入点。而且，用户可以从性能窗口304的右面板上的多个类别中选择位置类别(例如，商业/生意)。根据示例，性能窗口304可以然后显示在区域1中属于商业/生意位置类别的接入点性能的经缩放的视图。基于该功能性，可以视觉地描绘与延时、登录时间、信号强度和吞吐量有关的数据以促进对其理解。

关于图3，图3的视图可以表示“单一虚拟管理平台”，其中，来自许多系统的信息可以集合在单个屏幕中以因此消除对于用户登录多个系统的需要。在某些情况中下，对于用户可能存在要查看的太多图形，通过将点指配给图形中的特定事件(即，登录花费超过两秒＝1点)并且然后确定在给定时间段期间的点的数目(针对服务器X的一天内的点数)，可以针对可接受的点数设定阈值。例如，绿色＝0至3，黄色＝3至10，红色＝10+...等等。基于这一分解，与查看可能不易于译解的图形相反，用户可以查看服务器的颜色以标识哪个服务器应当更详细地查看。还可以随时间使点的数目趋向以取得对于人类观察者不明显的性能降级的理解。例如，当观察原始图形时，第1天的64点、第2天的66点、第3天的69点之间的差异可能未由用户容易地看到，但是以直线绘制时，示出清晰的增加，其潜在地暗示了可以解决的性能降级。

图4图示了根据本公开的示例的针对网络操作中心的发生故障节点分析的图形用户界面显示。

参考图1A和4，洞察发生器120可以通过提供高级可视化(例如，如本文关于图2和3所公开的)来生成洞察以让用户(诸如服务操作中心用户)向下挖掘表现欠佳的接入点。在该方面，关于与表现欠佳的接入点有关的可能方案，洞察发生器120可以生成洞察以给网络操作中心用户提供统计和/或高级建模方案，以对数据执行机器学习操作、分析针对任何问题(例如，发生故障节点)的根本成因或原因以及致力于基于接入点故障预测，解决和/或优化所标识的这样的问题。

关于发生故障节点的根本原因分析，性能监视器和预测器122可以恒定地(或以预定的时间间隔)监视网络节点的性能。网络节点配置(例如，固件、位置等等)的任何改变或其他因素(诸如有线LAN网关事件等等)可以引起不同的节点以不同的方式运行。如本文所公开的，根据示例，性能监视器和预测器122实时更新的决策树(例如，在400处)以提供高效的诊断方式，诊断为何例如以预定的颜色诸如红色(例如，在402处，其中红色被描绘为实线边界)标记的某些节点没有与以另一颜色诸如绿色(例如，在404处，其中绿色被描绘为虚线边界)标记的其他节点一样良好地运行。对于图4的示例而言，由于以每隔六小时间隔刷新决策树，因而滞后0(Lag0)可以包括关于最新六小时的数据的决策树，滞后1可以包括关于先前六小时间隔的决策树等等。随后，可以显示较旧的6小时间隔决策树以用于分析。图4中所描绘的每个节点可以表示所有会话以及与会话有关的所有属性。例如，在406处的节点可以表示100％的会话以及与会话有关的所有属性，诸如延时、吞吐量、设备配置等等。然后，基于根据特定变量(例如，Pri_events)的高延时会话对低延时会话，在406处的节点可以在402和404处划分。因此，决策树可以基于针对时间间隔的统计上最重要的变量对数据进行划分。对于该示例而言，在402处，针对时间间隔的统计上最重要的变量可以包括接入点的固件。在404处，针对时间间隔的统计上最重要的变量可以包括主无线LAN网关和辅无线LAN网关的制造是否相同并且具有特定类型的确定。以这种方式，参考图4，根本原因分析可以及时地给网络操作中心用户提供关于网络将如何对将采取的校正动作作出反应的输入。例如，基于固件更新，新决策树可以由性能监视器和预测器122生成以及时地给网络操作中心用户提供关于网络将如何对固件更新作出反应的输入。

图5图示了根据本公开的示例的针对网络操作中心的接入点故障预测的图形用户界面显示。

参考图1A和5，关于接入点故障预测，性能监视器和预测器122可以基于例如特定接入点上的连接的历史成功率，统计预测特定接入点何时可能故障(例如，导致100％故障的连接)。在该方面，洞察发生器120可以生成洞察以使用例如过去四十八小时(或另一过去的持续时间)的历史连接质量信息来给网络操作中心用户提供不同的接入点可以如何例如在以后二十四小时(或另一未来的持续时间)内执行的图形视图。在该方面，参考图5，接入点可以例如以红色(被指示为图5中的圈)标记以指示以后二十四小时内(例如，被示出为图5中的500处的“坏的”)的非常高的故障可能性，并且可以要求立即注意(例如，固件升级、有源负载管理、设备替换等等)。还可以给网络操作中心用户提供选项以在502处选择评估的特定日(例如，针对下一天接入点故障预测的“天+1”)。

决策树模型124的设计和开发、部署和实施

如本文所描述的，可以基于生成决策树的机器学习来执行发生故障节点的根本原因分析。决策树中的数据的第一划分可以表示针对发生故障节点的初级原因，并且数据的进一步的划分可以表示针对发生故障节点的进一步的原因。因此，决策树中的所有规则的组合可以提供针对问题的根本原因的洞察。

发生故障节点的根本原因分析可以包括针对决策树模型124的模型设计和开发、决策树模型124的部署和决策树模型124的实施。针对决策树模型124的模型设计和开发可以包括变量标识和选择、数据清理和预处理、决策树模型124对所要求的变量的迭代以及决策树模型124的统计评估。决策树模型124的部署可以包括针对预定的持续时间(例如，最后四十八小时的数据)的决策树模型124的实施以标识高延时的根本原因。关于决策树模型124的部署，基于如本文所公开的基于热图(heat map)的决策树，可以标识针对高延时的不同原因的组合。另外，关于决策树模型124的部署，决策树模型124可以将例如离接入点的距离、固件和无线LAN网关类型等等描绘为针对高延时的初级原因。决策树模型124的实施可以包括针对预定的持续时间的预定数目的决策树的创建(例如，针对以六小时时间间隔的过去四十八小时的八个决策树)。这样的一系列决策树可以促进与何处和什么将引起高延时有关的趋势的标识。

图6图示了根据本公开的示例的用于预测针对发生故障节点的根本原因分析的连接延时的自变量的表。

参考图1A和6，关于针对发生故障节点的根本原因分析的模型设计和开发，为了标识针对预定的持续时间和预定的时间间隔(例如，针对以六小时时间间隔的过去四十八小时)的高延时的根本原因，性能监视器和预测器122可以迭代地生成决策树模型124以解释高延时的根本原因。

关于针对决策树模型124的数据准备和验证，性能监视器和预测器122可以准备会话级数据。各种性能变量可以被包括在数据集的清除中。例如，可以从数据集移除变量(诸如标识(ID)变量和“null”变量)。而且，可以从数据集移除具有与因变量(例如，延时)相对没有相关性或相对不重要的相关性的变量。数据可以包括关于性能指示器的变量，诸如延时、信号、带宽和硬件类型诸如网关、固件、电缆调制解调器模型(CM_模型)。参考图6，如果针对会话的延时大于预定值(例如，延时＞200)，则可以将因变量Latency_Flag分类为“1”，并且否则，可以将Latency_Flag分类为“0”。参考图6，如果存在网关类型的改变，则可以创建诸如Primary_Eq_Secondary的计算变量以标识延时的改变。

关于针对决策树模型124的变换变量的创建，基于针对决策树模型124的数据准备和验证，如本文所公开的，变量的剩余列表可以包括全部与延时显著地有关的变量，并且包括可以放置到决策树模型124中的清晰的趋势。而且，变量的剩余列表可以包括针对异常值已经处理(例如，在最小值和最大值处被低限和高限)的变量，并且可以将缺失值以标准化变量保留，其可以输入方程而没有误差。可以使用逻辑回归模型导出方程。例如，如本文所公开的，图13包括针对方程的所有变量。方程可以基于客户端基础设施设置和可用数据而改变。

关于针对决策树模型124的变量选择，图6中所列出的变量2-14可以被认为是由预测性能监视器和预测器122用于预测连接延时的自变量。参考图6，自变量可以包括Primary Event、Secondary Event、Primary Eq Secondary、Type of Operating System、AP_ACCOUNT_STATUS、CM_LAST_POLL、CM_MODEL、Combined_rating、State、FIRMWARE、Primary_rating、SSID_ENABLED和WLGW_TYPE。自变量2-14可以被描述为图6中所示。关于图6的自变量2-14，基于决策树模型124的多次迭代，可以根据统计检测丢弃自变量中的数个自变量。本文所公开的机器学习技术可以基于每个变量的统计显著性以及将数据划分为因变量的同类组的能力而标识变量。

参考图6，接入点可以被配置为包括主无线LAN网关和辅无线LAN网关。在主无线LAN网关是繁忙的情况下，接入点可以将数据分组重定向到辅无线LAN网关。主事件变量可以包括如针对该特定会话在主无线LAN网关处所测量的长登录事件的数目。类似地，辅事件变量可以包括针对该会话在辅无线LAN网关处的长登录事件的数目。无线LAN网关可以具有不同的类型。例如，如果特定无线LAN网关将发生故障，则相同类型的所有网关也可能发生故障。在会话具有两个相同类型的无线LAN网关的情况下，接入点可能不能够避免这样的性能降级的影响。相反，在第一类型的网关将引起欠佳网络性能的情况下，包括不同类型的主无线LAN网关和辅无线LAN网关的另一接入点可以将分组路由到另一类型的网关。

关于决策树模型124，性能监视器和预测器122可以使用递归分区(Rpart)以建造决策树模型124并且将决策树模型124表示为决策树(例如，参见图4的决策树的示例)。可以通过首先确定最好地将数据划分为两组的单个自变量来生成决策树。性能监视器和预测器122可以将数据分离为两组(即，以形成两个子组)，并且然后将数据划分过程独自地应用到每个子组，继续递归地要么直到子组达到最小大小要么直到不能做出进一步的改进。根据示例，最小大小可以表示数据集大小的0.4％，并且没有进一步的改进可以表示没有针对两个分支的事件率的显著差异。

性能监视器和预测器122可以使用决策树模型124结合热图以绘制决策树(例如，如图4中所示，其中，决策树使用不同的颜色绘制)。决策树中的每个节点如本文所公开的基于例如颜色编码被标识，决策树可以促进针对高延时的原因的理解。决策树可以被用于突出针对预定的持续时间(例如，针对过去四十八小时)的高延时的源和/或原因。根据基于热图的决策树，性能监视器和预测器122可以标识引起高延时的不同原因的组合。

根据示例，洞察发生器120可以生成多个决策树的显示(例如，针对四十八小时持续时间每隔六小时确定决策树的针对决策树模型124的示例的八个决策树)。八个决策树的组成针对每个六小时时间窗可以是完全不同的(或决策树中的一些决策树可以是类似的)，因为可以存在针对决策树中的一些决策树的高延时时段和针对其他决策树的低延时时段，其可以更改决策树的深度和结构。

根据示例，决策树可以包括预定的深度(例如，具有七的深度，如图4中所示)，并且根节点被计算为深度零。决策树模型124可以被用于创建具有规则的决策树，其可以使用热图由洞察发生器120绘制。

图7图示了根据本公开的示例的针对发生故障节点的根本原因分析的决策树模型。

参考图1A和7，关于图7的决策树模型124，可以以预定的时间间隔(例如，每隔6小时)刷新决策树(即，可以生成新决策树)。可以针对如本文参考图6所公开的十四个最重要的预测器存储针对最新时间间隔(例如，过去6小时)的会话级数据。如果刷新与发生故障节点的根本原因分析有关的数据，则可以更新所有决策树。

图8图示了根据本公开的示例的针对发生故障节点的根本原因分析的决策树。

参考图1A和8，图7的决策树模型124可以被用于生成如图8中所示的决策树(其可以使用热图由洞察发生器120绘制)。参考图7和8，根据示例，如图7中的700处所示，与主事件有关的自变量可以确定主事件的数目是否小于二十二。如图8中的800处所示，该自变量的评估可以对应于802和804处的决策树节点。以这种方式，可以针对如图7中所示的所评估的其他自变量来确定图8的决策树中的其他节点。可以在图7的决策树模型124中的702处标识实际被用于决策树构建的变量。关于图7和8，可以基于数据的可用性改变数据和/或列。

接入点故障预测模型126的设计和开发、部署和实施

如本文所公开的，关于接入点故障预测，逻辑回归方程可以提供针对每个接入点的得分(如本文关于图13所描述的)。该得分可以被用于预测接入点的故障。例如，具有最高得分的接入点的前5％可以被认为是高故障概率，其中，5％的阈值可以基于客户端基础设施故障率而改变。

接入点故障预测可以包括针对接入点故障预测模型126的模型设计和开发、接入点故障预测模型126的部署和接入点故障预测模型126的实施。针对接入点故障预测模型126的模型设计和开发可以包括数据准备和验证、变换变量的创建、关于所要求的变量的接入点故障预测模型126迭代、关于开发样本的最终模型设计和适配以及统计检查。接入点故障预测模型126的部署可以包括接入点故障预测模型126的后统计评估、使用预定的持续时间(例如，过去两天)的实际数据以预测未来(例如，下一天)接入点健康、以诸如R的编程语言的接入点故障预测模型126的开发以及如果接入点上的会话＞50％(或另一用户定义的百分比)是坏的，则将接入点指定为“坏的”。接入点故障预测模型126的实施可以包括例如针对Day-1、Day-0和Day+1的接入点健康的显示的生成以及不同层级(例如，地区、区域等等)的接入点健康的显示的生成。

图9图示了根据本公开的示例的用于确定针对接入点故障预测的接入点故障预测模型的初始运行输出。

参考图1A和9，关于接入点故障预测模型126，性能监视器和预测器122可以迭代地生成接入点故障预测模型126，并且接入点故障预测模型126的目标包括使用针对预定的过去持续时间的数据(例如，过去两天的数据)提前预测针对预定未来持续时间(例如，一天)接入点健康。

关于数据准备和验证，性能监视器和预测器122可以以与本文关于决策树模型124所公开的类似方式执行数据准备和验证。根据示例，性能监视器和预测器122可以使用用于分析的针对预定的持续时间(例如，三个月)的数据，以生成接入点故障预测模型126。为了训练接入点故障预测模型126，根据示例，可以使用其中已经在Day-1(即，前一天)和Day-0(即，当前日期)接收至少两个会话并且已经在Day+1(例如，跟随当前日期的下一天)接收四个会话的接入点。根据示例，如果超过50％的会话(或另一用户定义的百分比的会话)是坏的，则接入点可以被认为是“坏的”。在该方面，性能监视器和预测器122可以标识因变量(例如，BAD AP)并且分析其与用于预测的所有自变量的关系。根据示例，在图13中列出重要的自变量和预测器。对于存在于数据集中的所有条目而言，因变量(例如，BAD AP)可以映射到每个自变量。除性能变量外，可以创建多个变换变量以准确地预测接入点性能。

关于针对接入点故障预测模型126的模型迭代，性能监视器和预测器122可以生成误差矩阵和接受者工作特性(ROC)曲线以分析接入点故障预测模型126的稳定性和鲁棒性。在该方面，性能监视器和预测器122可以例如通过检查自变量的所有可能组合，确定最准确地预测故障的最佳适配模型。不同的变量可以被包括和/或被排除在接入点故障预测模型126的每次迭代中，以确定是否观察到任何改变并且与前次迭代相比接入点故障预测模型126操作得如何。

参考图1A和9，图示了用于确定接入点故障预测模型126的初始运行输出的示例。在该方面，图10图示了根据本公开的示例的针对图9的接入点故障预测模型的初始运行输出的误差矩阵。

参考图1A、9和10，关于用于确定接入点故障预测模型126的初始运行输出，如在900处所示的0.1638(在0至1的标度上)的相对低的伪R方可以被用于得出以下结论：以其当前形式的接入点故障预测模型126在将来在预测“坏的”接入点中可能是相对不准确的。

参考图1A和11，图示了根据本公开的示例的用于确定接入点故障预测模型126的另一运行输出(例如，第20个运行输出)的示例。在该方面，图12图示了根据本公开的示例的针对图11的接入点故障预测模型的另一运行输出的误差矩阵。

参考图1A、11和12，关于用于确定接入点故障预测模型126的另一运行输出，如在1100处所示的0.6022(在0至1的标度上)的相对较高的伪R方可以被用于得出以下结论：以其当前形式的接入点故障预测模型126在将来在预测“坏的”接入点中可能仍然是相对不准确的。例如，与图9的接入点故障预测模型126相比较，图11的接入点故障预测模型126可以包括两个新变量(在1102处的AP_Tunnel Type和AP_COS type)的使用，其中，这两个变量可以改进接入点故障预测模型126的准确度和稳定性。基于由逻辑回归技术所确定的统计显著性，可以选择变量(在1102处的AP_Tunnel Type和AP_COS type)，其中，AP_Tunnel Type可以表示接入点隧道的制造，并且AP_COS可以表示接入点服务等级。图11的接入点故障预测模型126可以以近似50％准确度预测“坏的”接入点(即，两个所预测的接入点中一个将实际上是“坏的”)。

参考图1A和13，图示了根据本公开的示例的用于确定接入点故障预测模型126的又一运行输出(例如，第50个运行输出)的示例。在该方面，图14图示了根据本公开的示例的针对图13的接入点故障预测模型的又一运行输出的误差矩阵。

参考图1A、13和14，关于用于确定接入点故障预测模型126的又一运行输出，如在1300处所示的0.7924(在0至1的标度上)的高的伪R方可以被用于得出下结论：以其当前形式的接入点故障预测模型126在将来可以准确地预测“坏的”接入点。例如，与图9和11的接入点故障预测模型126相比较，图13的接入点故障预测模型126可以包括变量(在1302处的change_Rx、change_BANDWIDTH、change_LATENCY、AP_Tunnel_Flag和AP_COS_Flag)的使用，其中，这些变量可以改进接入点故障预测模型126的准确度和稳定性。基于由逻辑回归技术所确定的统计显著性，可以选择在1302处的变量。针对图13的接入点故障预测模型126所使用的变量可以表示更改变量，其捕获从Day_0到Day_1的度量值的改变。在性能监视器和预测器122的数据探索期间，这些变量可以显现与因变量的强相关。图13的接入点故障预测模型126可以以近似90％准确度预测“坏的”接入点(即，十个所预测的接入点中九个将实际上是“坏的”)。针对逻辑模型的R方是0.79，其中，具有大于0.7的R方的模型可以被认为是针对部署的可接受的模型。

图15图示了根据本公开的示例的针对图13的接入点故障预测模型的训练数据集的接受者工作特性曲线。而且，图16图示了根据本公开的示例的针对图13的接入点故障预测模型的测试数据集的接受者工作特性曲线。

参考图1A、15和16，图13的接入点故障预测模型126可以以高准确度预测至少三个“坏的”接入点中的两个。在该方面，图15和16的接受者工作特性曲线可以以高准确度通常准确地预测“坏的”接入点。

图17图示了根据本公开的示例的针对网络操作中心的主网络节点、辅网络节点、发生故障节点分析和接入点故障预测的图形用户界面显示。

参考图1A和17，针对在1700处的主网络节点、在1702处的辅网络节点、在1704处的发生故障节点分析和在1706处的接入点故障预测的图形用户界面显示可以表示可以由洞察发生器120生成的组合视图。例如，针对在1700处主网络节点的和在1702处的辅网络节点的图形用户界面显示可以被提供用于接入点和节点的健康监视，其中，指示器(诸如不同的颜色)可以被用于在每个主节点和辅节点处连接的连通(pingable)的接入点的实时百分比。主节点可以被描述为连接到无线LAN网关的有线网络的一部分。主节点还可以以树形网络拓扑格式连接到辅节点。辅节点可以连接到接入点/家庭网络。在1704处的针对发生故障节点分析的图形用户界面显示可以提供节点和接入点层级的决策树以将导致欠佳性能和可能的顾客体验降级的原因隔离。而且，在1706处的针对接入点故障预测的图形用户界面显示可以基于例如接入点性能的预定的先前天数(例如，两天)提供故障预测。

图18和19相应地图示了根据示例的针对Wi-Fi接入点性能管理的方法1800和1900的流程图。方法1800和1900可以以示例而非限制的方式以在上文参考图1A-17所描述的而在系统102上实现。可以在其他系统中实践方法1800和1900。

参考图1A-18并且特别地图1A和18，在块1802处，方法1800可以包括接收(例如，通过性能监视器和预测器122)与多个无线接入点112a-b有关的会话分析记录142。

在块1804处，方法1800可以包括分析(例如，通过性能监视器和预测器122)与多个无线接入点112a-b有关的会话分析记录142以确定与多个无线接入点112a-b中的至少一个有关的至少一个发生故障节点的根本原因，并且预测多个无线接入点112a-b中的至少一个的故障。

在块1806处，方法1800可以包括生成(例如，通过洞察发生器120)与与多个无线接入点112a-b中的至少一个有关的至少一个发生故障节点的根本原因的确定以及多个无线接入点112a-b中的至少一个的故障的预测有关的至少一个图形用户界面显示或至少一个报告。

根据示例，与与多个无线接入点112a-b中的至少一个有关的至少一个生成故障节点的根本原因的确定有关的至少一个图形用户界面显示或至少一个报告可以包括决策树(例如，参见图4)，决策树标识与多个无线接入点112a-b中的至少一个有关的至少一个发生故障节点的根本原因。

根据示例，决策树可以包括颜色编码(例如，参见图4)以标识与多个无线接入点112a-b中的至少一个有关的至少一个发生故障节点的不同的延时范围。

根据示例，与多个无线接入点112a-b中的至少一个有关的至少一个发生故障节点的根本原因可以基于(即，根据所列出的因素中的至少一个、因素的某种组合或排他性地根据因素的列表而确定的)以下中的至少一个：与作为主会话的多个无线接入点112a-b中的至少一个有关的无线LAN网关上的事件的数目的确定、与作为主会话的多个无线接入点112a-b中的至少一个有关的无线LAN网关上的事件的数目的确定、主无线LAN网关与主无线LAN网关是否相同的确定以及安装在多个无线接入点112a-b中的至少一个上的固件的类型的确定。

根据示例，与多个无线接入点112a-b中的至少一个无线接入点的故障的预测有关的至少一个图形用户界面显示或至少一个报告可以包括相对于与多个无线接入点112a-b中的至少一个有关的经度信息和纬度信息的多个无线接入点112a-b中的至少一个无线接入点的绘图(例如，参见图5)。多个无线接入点112a-b中的至少一个无线接入点的绘图可以包括颜色编码以标识多个无线接入点112a-b中的至少一个无线接入点的故障的不同类型的预测。

根据示例，与多个无线接入点112a-b中的至少一个的故障的预测有关的至少一个图形用户界面显示可以包括选项(例如，在502处)以选择针对当前持续时间和未来持续时间的多个无线接入点112a-b中的至少一个的性能状态。

根据示例，方法1800还可以包括聚合(例如，通过数据聚合器118)来自与多个无线接入点112a-b中的至少一个有关的多个数据源的数据以生成会话分析记录142。多个数据源可以包括以下中的至少一个：设备生成的会话数据，其表示从连接到多个无线接入点112a-b中的至少一个的多个无线设备所获得的Wi-Fi会话记录；无线LAN网关数据，其表示与多个无线接入点112a-b中的至少一个有关的网关日志；以及接入点、节点和核心健康数据，其表示与多个无线接入点112a-b中的至少一个有关的健康检查日志。

根据示例，性能监视器和预测器122可以通过实施递归分区以确定生成决策树的决策树模型124，确定与多个无线接入点112a-b中的至少一个有关的至少一个发生故障节点的根本原因，所述决策树标识与多个无线接入点112a-b中的至少一个有关的至少一个发生故障节点的根本原因。

根据示例，性能监视器和预测器122可以通过从多个可能的自变量中标识与与多个无线接入点112a-b中的至少一个有关的至少一个发生故障节点的延时显著地有关的自变量(例如，参见图7)的缩减集合来实施递归分区，以确定生成决策树的决策树模型124，该决策树标识与多个无线接入点112a-b中的至少一个有关的至少一个生成故障节点的根本原因，并且使用所标识的自变量的缩减集合以确定决策树模型124来生成标识与多个无线接入点112a-b中的至少一个有关的至少一个发生故障节点的根本原因的决策树。

根据示例，性能监视器和预测器122可以实施递归分区以确定决策树模型124以生成决策树，其通过从多个可能的自变量中标识将来自会话分析记录142的数据(参见图4和8)划分为两组的自变量，并且将数据划分应用到两组中的每组直到满足预定的条件(例如，最小大小)，决策树标识与多个无线接入点112a-b中的至少一个有关的至少一个发生故障节点的根本原因。

根据示例，性能监视器和预测器122可以通过实现与多个无线接入点112a-b有关的会话分析记录142的预定的持续时间(例如，过去三个月)的机器学习，基于与多个无线接入点112a-b有关的会话分析记录142的预定的持续时间的机器学习来分析与多个无线接入点112a-b有关的会话分析记录142的另一预定的持续时间(例如，Day-1和Day-0)并且基于与多个无线接入点112a-b有关的会话分析记录142的另一预定的持续时间的分析来预测针对与另一预定的持续时间有关的未来预定的持续时间(例如，Day+1)的多个无线接入点中的至少一个的故障。

根据示例，未来预先确定的持续时间(例如，Day+1)可以表示没有与多个无线接入点112a-b有关的可用的会话分析记录142的持续时间。

根据示例，性能监视器和预测器122可以通过实施逻辑回归以确定预测多个无线接入点112a-b中的至少一个的故障的接入点故障预测模型126，来预测多个无线接入点112a-b中的至少一个的故障。

根据示例，性能监视器和预测器122可以分析与多个无线接入点112a-b有关的会话分析记录142，以通过以下操作来预测多个无线接入点112a-b中的至少一个的故障：确定与多个无线接入点112a-b中的至少一个有关的会话的百分比是否小于会话质量度量(例如，＞50％(或另一用户定义的百分比)的接入点上的会话是坏的)，并且响应于与多个无线接入点112a-b中的至少一个有关的会话的百分比小于会话质量度量而将多个无线接入点中的至少一个指定为故障的。

根据示例，性能监视器和预测器122可以分析与多个无线接入点112a-b有关的会话分析记录142，以通过以下操作来预测多个无线接入点112a-b中的至少一个的故障：分析与故障的无线接入点有关的因变量(例如，因变量(例如，BAD AP))与与多个无线接入点112a-b中的至少一个有关的多个自变量的关系，并且根据多个自变量迭代地确定准确地映射到与故障的无线接入点有关的因变量的自变量的集合。

根据示例，方法1800还可以包括基于第二决策树，通过将第二决策树与表示在与多个无线接入点112a-b中的至少一个的属性(例如，固件、OS、主事件、辅事件等等)有关的修改之前与多个无线接入点112a-b中的至少一个有关的至少一个发生故障节点的第一决策树相比较，来跟踪(例如，通过模型部署器128)与多个无线接入点112a-b中的至少一个的属性有关的修改的结果。

参考图1A-17和19并且特别地图1A和19，在块1902处，方法1900可以包括与多个无线接入点112a-b有关的会话分析记录142。

在块1904处，方法1900可以包括分析与多个无线接入点112a-b有关的会话分析记录142以确定与多个无线接入点112a-b中的至少一个无线接入点有关的至少一个发生故障节点的根本原因。

在块1906处，方法1900可以包括生成至少一个图形用户界面显示或至少一个报告，其包括标识与多个无线接入点112a-b中的至少一个无线接入点有关的至少一个生成故障节点的根本原因的决策树。

根据示例，针对Wi-Fi接入点性能管理的方法可以包括：接收与多个无线接入点112a-b有关的会话分析记录142，以及分析与多个无线接入点112a-b有关的会话分析记录142以预测多个无线接入点112a-b中的至少一个的故障。而且，针对Wi-Fi接入点性能管理的方法可以包括：通过相对于与多个无线接入点112a-b中的至少一个无线接入点的经度信息和纬度信息绘制多个无线接入点112a-b中的至少一个，来生成与多个无线接入点112a-b中的至少一个的故障的预测有关的至少一个图形用户界面显示或至少一个报告，并且对多个无线接入点112a-b中的至少一个无线接入点的绘图进行编码(例如，通过颜色)以标识多个无线接入点112a-b中的至少一个的故障的不同类型的预测。

图20示出了可以与本文所描述的示例一起使用的计算机系统2000。计算机系统可以表示包括可以在服务器或另一计算机系统中的组件的通用平台。计算机系统2000可以用作用于系统102的平台。计算机系统2000可以通过处理器(例如，单个或多个处理器)或其他硬件处理单元执行本文所描述的方法、功能和其他过程。这些方法、功能和其他过程可以被实现为存储在计算机可读介质上的机器可读指令，其可以是非暂态的，诸如硬件存储设备(例如，RAM(随机存取存储器)、ROM(只读存储器)、EPROM(可擦可编程ROM)、EEPROM(电可擦可编程ROM)、硬盘驱动器和闪速存储器)。

计算机系统2000可以包括处理器2002，其可以实现或执行本文所描述的方法、功能和其他过程中的一些或全部的机器可读指令。可以通过通信总线2004传递来自处理器2002的命令和数据。计算机系统还可以包括主存储器2006(诸如随机存取存储器(RAM))，其中，针对处理器2002的机器可读指令和数据可以在运行时间期间驻留，以及辅数据存储2008，其可以是非易失性的并且存储机器可读指令和数据。存储器和数据存储是计算机可读介质的示例。存储器2006可以包括Wi-Fi接入点性能管理器2020，其包括在运行时间期间驻留在存储器2006中并且由处理器2002执行的机器可读指令。Wi-Fi接入点性能管理器2020可以包括图1A-图17中所示的系统102的元件。

计算机系统2000可以包括I/O设备2010，诸如键盘、鼠标、显示器等等。计算机系统可以包括用于连接到网络的网络接口2012。可以在计算机系统中添加或替代其他已知电子组件。

本文已经描述和图示什么是示例连同其变型中的一些变型。本文所使用的术语、描述和附图仅以图示的方式阐述并且不旨在作为限制。许多变型在主题的精神和范围内是可能的，其旨在由以下权利要求和其等价方案限定，其中，除非另外指示，否则所有术语旨在以其最宽的合理的意义。