无线网络可以涉及多层级(tier)有线网络设备/装置，诸如基于射频(rf)信息进行操作的交换机、路由器、控制器、接入点、工作站等。每个单独的网络设备在被部署于服务领域中时，都可以在给定的服务区域内发射服务信号以提供无线网络服务。
可以在诸如速度、语音、信号强度、信道利用率(utilization)、信道干扰等很多方面对无线网络服务质量进行测量。这些度量可以被统称为rf数据。将rf数据投影到静态二维空间上可以被称为rf重叠(overlap)。
无线服务的质量受静态因素(例如楼层高度、信号障碍等)以及动态因素(例如无线客户端的数量、互联网行为等)的影响。动态环境模式(诸如客户端漫游或服务例程等)也会影响网络服务质量。
附图说明
图1是根据示例的包括可视化引擎的计算系统的框图。
图2是根据示例的包括可视化指令的计算系统的框图。
图3是根据示例的包括可视化引擎的计算系统的框图。
图4是根据示例的包括播放/暂停界面的可视化的图示。
图5是根据示例的包括静态重叠和曲线图的可视化的图示。
图6是根据示例的包括在从一个接入点漫游到另一个接入点时的rf信息以及客户端的交互的图示。
图7是根据示例的包括被显示在多个静态重叠中的rf信息的图示。
图8是根据示例的基于将rf信息的动态特性可视化的流程图。
具体实施方式
由于诸如网络客户端消耗不同的数据速率、从一个地方漫游到另一个地方的影响以及以其他方式将不可预测的影响引入无线网络等因素，无线网络服务质量可能变化。无线网络服务质量也可能因诸如网络客户端的数量、客户端与接入点之间的距离、无线网络中接入点的传输功率、信道干扰、物理障碍等因素而降低。这些行为和因素可以动态地改变无线网络服务强度水平的形状。结果，对于任何服务供应商来说都不太可能在无线网络的任何给定位置及时间处以精确的水平来保证稳定的服务质量。这就解释了为什么没有一家领先的互联网供应商宣布下限服务质量水平。事实上，最低服务水平保证是一个非常具有挑战性的问题。
为了解决这些问题，本文所描述的示例实施方式可以提供历史rf数据进展，以将无线网络的特性(诸如服务质量等)可视化，这些特性广泛地包括速度、连接性、吞吐量以及漫游不稳定性。以这种方式，本文所描述的示例可以提供实时和历史的无线网络rf数据/信息的数据可视化。这种可视化可以揭示动态因素对网络服务质量的影响，以便用于分析无线网络的动态方面，诸如间歇性网络连接性问题等。可视化还可以在宏观水平上被用于网络规划、服务质量(qos)分析，以及趋势分析。
图1是根据示例的包括可视化引擎130的计算系统100的框图。计算系统100还包括重叠引擎110和存储引擎120。重叠引擎110与静态重叠112以及时间段114相关联。存储引擎120与多个静态重叠122相关联。可视化引擎130与可视化132相关联。计算系统100可以是例如与用于执行本文所描述的各种引擎的功能的网络管理软件(或其他网络配置/监视软件)相关联的服务器。
网络服务质量可能会受到静态因素和动态因素的影响。针对诸如距离、高度、办公室材料、障碍物等静态因素很好地定义了信号衰减理论。然而，动态因素(例如，漫游、信道干扰、负载平衡等)的影响未被很好地定义，并且本文所描述的示例实施方式使得能够对网络质量以及其他度量的转变(transition)进行观察，从而认识到动态因素对网络服务的影响并将该影响可视化。
通过随时间推移将时间序列维度中的rf重叠数据相关联，示例实施方式使得能够对历史rf数据进展进行可视化及分析。例如，可以绘制一系列静态rf重叠快照，并且随时间推移在视觉上进行动画化。这种跟踪服务质量随时间推移的变化的能力可以揭示服务质量的转变方面(transitionalaspect)，该转变方面先前被隐藏(例如，当瞬态问题可能不在给定分析的特定时间处表露时)。随时间推移生成服务覆盖质量变化的时间序列使得例如能够对网络服务的服务覆盖质量进行分析。因此，可以实现改进的故障排除和对网络服务质量的动态行为的理解。
重叠引擎110用于生成静态重叠112，该静态重叠112可以被生成为用于给定时间段114的无线网络的射频(rf)信息的等值线图(contourmap)。因此，重叠引擎110可以针对间隔的持续时间来例行地计算要被存储(例如，在无线网络的airwavetm服务器中)用于历史趋势的每站点的rf重叠信息。重叠引擎110是可定制的，以调节将被用于生成给定重叠112的无线供应商的rf信息的捕获间隔。而且，重叠引擎110是可定制的，以调节将在生成给定重叠112时使用的无线消费者的rf信息的检查间隔。
在一些示例实施方式中，重叠引擎110可以通过使用可定制的值(诸如多久拍摄一次给定特征的快照)来周期性地进行操作。这种可定制的值可以具有缺省设置，诸如每十分钟的缺省等。另一个可定制的值是多久从网络设备获取一次数据。这种缺省值可以由重叠引擎110例如通过使用系统服务来周期性地检查可用存储空间和服务器资源来确定，该可用存储空间和服务器资源可以被用于调节缺省值(例如，当存储可用时减少拍摄快照之间的间隔，并且当存储变满时增加该间隔)。
重叠引擎110也可以自动调节这些值。例如，重叠引擎110可以根据将被可视化的所选重叠112的类别来自动地识别多久捕获一次rf信息。如果重叠类别涉及频繁改变的特性，则重叠引擎110可以增加捕获rf信息的频率(例如，将缺省的三十分钟间隔改变为代替地使用一分钟的间隔)。重叠引擎110还可以根据无线网络的应用环境的类别来自动地识别多久捕获一次rf信息。例如，如果环境涉及低的客流量(foottraffic)或网络客户端设备的其他移动，则重叠引擎110可以降低捕获rf信息的频率。重叠引擎110还可以考虑与无线网络的使用相关联的商业特征。例如，在具有固定的班级安排以及携带网络客户端设备的学生的移动的学校校园应用环境中，重叠引擎110可以使用三十分钟的rf信息捕获间隔。相反，机场应用环境可能涉及网络客户端的更多的随机移动，其中重叠引擎110可以将机场应用与短得多的间隔(例如五分钟)的使用相关联。可以预先自定义重叠引擎110以包括不同商业应用的列表，并且响应于对给定应用的选择而使用相对应的建议的间隔。因此，重叠引擎110可以利用定制捕获间隔114来进行操作，该定制捕获间隔114对于学校环境相对于(vs.)机场环境相对于体育场环境是不同的。即使不同的环境涉及相同的网络客户端/人的原始数量以及无线接入点，这些因素也可以为无线网络产生极大变化的动态特性。在漫游时，人体可能会干扰rf环境，并且由于更频繁地从一个接入点漫游到下一个接入点而引入了复杂性。
存储引擎120存储由重叠引擎110生成的、与多个时间段114相对应的多个静态重叠122。例如，存储引擎120可以在时间段114之后从重叠引擎110中接收给定的静态重叠112，并且存储该静态重叠112来累积静态重叠122的集合，以用于历史趋势目的。
可视化引擎130用于基于生成动画可视化132来将rf信息的动态特性可视化，以表示动态特性的历史趋势，该动画可视化132示出rf信息随时间推移的进展。例如，可视化132用于在视觉上跟踪无线网络的服务质量随时间推移的变化，该变化可以在视觉上揭示由于无线网络的服务质量随时间推移的变化而出现和消失的间歇性覆盖盲区(coveragehole)。在没有这样的历史趋势信息的情况下，如果在缺乏历史进展的给定网络测试的时间期间没有表露出问题，则临时性覆盖盲区(或其他间歇性网络问题)可能被忽视。
网络管理员可以容易地使用可视化132的历史rf数据进展，以便更好地规划网络设备的新部署。通常，为了评估多个网络接入点及其部署，网络管理员需要对服务区域加以评定。尽管可以识别诸如环境衰减影响、障碍物影响以及干扰影响等静态物理因素，但是更加难以查明网络消耗行为以及其他动态因素。历史rf数据进展的示例实施方式可以提供用于更好地理解网络消费模式的数据挖掘方法，甚至考虑广泛变化的行为(例如，机场终端相对于体育场相对于学校校园等)。
如本文所描述的，术语“引擎”可以包括用于实现与所公开的示例一致的功能的电子电路。例如，引擎110、120和130等表示硬件设备(例如，处理器和/或存储器)与用于实现与所公开的实施方式一致的功能的编程的组合。在示例中，用于引擎的编程可以是存储在非暂时性机器可读存储介质上的处理器可执行指令，并且用于引擎的硬件可以包括用于执行那些指令的处理资源。诸如计算系统100等示例系统(例如，计算设备)可以包括和/或接收用于存储计算机可读指令集合的有形的非暂时性计算机可读介质。如本文所使用的，处理器/处理资源可以包括用于执行处理器可执行指令的一个或多个处理器(例如在并行处理系统中)。存储器可以包括可由处理器寻址以便执行计算机可读指令的存储器。计算机可读介质可以包括：诸如随机存取存储器(“ram”)等易失性和/或非易失性存储器、诸如硬盘、软盘和/或磁带存储器等磁性存储器、固态驱动器(“ssd”)、闪存、相变存储器等。
图2是根据示例的包括可视化指令230的计算系统200的框图。计算系统200还包括处理器202、重叠指令210、存储指令220、分析指令240、以及用于与rf信息206进行交互的行为足迹指令250。
在一些示例中，当指令210-250由处理器202执行时所实施的操作可以与诸如图1的引擎110-130以及其他引擎(图1中未具体示出)等引擎的功能相对应。因此，在图2中，当重叠指令210由处理器202执行时所实施的操作可以与重叠引擎110(图1)的功能相对应。类似地，在存储指令220和可视化指令230由处理器202执行时所实施的操作可以分别与存储引擎120的功能和可视化引擎130(图1)的功能相对应。当分析指令240和行为足迹指令250由处理器202执行时所实施的操作可以与分析引擎的功能和行为足迹引擎(未在图1中具体示出)的功能相对应。
如上面关于图1所阐述的，各种引擎可以包括硬件和编程的组合。这些组件可以以多种方式来实现。例如，编程可以是存储在有形的非暂时性计算机可读介质204上的处理器可执行指令，并且硬件可以包括用于执行那些指令210-250的处理器202。处理器202可以例如包括一个或多个处理器。这样的多个处理器可以集成在单个设备中或分布在多个设备上。计算机可读介质204可以存储程序指令，当该程序指令由处理器202执行时，实现图1的系统100。介质204可以与处理器202集成在同一设备中，或者它可以与该设备和处理器202分离并且可以由该设备和处理器202进行访问。
在一些示例中，程序指令可以是安装包的一部分，当该安装包被安装时可以由处理器202执行以实现系统100。在这种情况下，计算机可读介质204可以是诸如cd、dvd、闪存驱动器、或由服务器所维护的存储器等便携式介质，安装包可以从该服务器下载并安装。在另一示例中，程序指令可以是已安装的应用程序或多个应用程序的一部分。这里，介质204可以包括诸如硬盘驱动器、固态驱动器等集成存储器。虽然在图2中，介质204包括指令210-250，但是一个或多个指令可以远离介质204而定位。相反，尽管图2示出了与介质204分开定位的rf信息206，但是rf信息206可以存储并包括在介质204中。
计算机可读介质204可以提供易失性存储，例如，用于执行指令的随机存取存储器。计算机可读介质204还可以提供非易失性存储，例如，用于存储的硬盘或固态盘。图2的组件可以存储在任何类型的计算机可读介质中，无论是易失性的还是非易失性的。存储在介质204上的内容可以包括图像、文本、可执行文件、脚本、或者可以由以下所阐述的示例所使用的其他内容。例如，介质204可以包含可以由引擎110-130使用的配置信息或其他信息，和/或用于提供控制的指令210-250，或其他信息。
图3是根据示例的包括可视化引擎330的计算系统300的框图。如上面关于图1所解释的，计算系统300还包括重叠引擎310和存储引擎320。重叠引擎310与静态重叠312以及时间段314相关联。存储引擎320与多个静态重叠322相关联。可视化引擎330与可视化332相关联。计算系统300还包括分析引擎340和行为足迹引擎350。分析引擎340包括标识342，并且行为足迹引擎350包括行为模式352。
分析引擎340可以应用无监督学习方法，以自动地识别rf信息随时间推移的进展中的异常。例如，分析引擎340可以应用数据聚类、维度降低或其他无监督机器学习技术来对重叠和/或可视化执行模式识别，提供与可由机器学习检测的偏差或其他值得注意的事件相关联的网络异常的标识342。由无线网络生成的数据可以被认为是无监督数据，对该无监督数据可以使用聚类方法来对数据进行分类并且搜索数据中的模式或集群。在一些替代示例实施方式中，分析引擎可以被用于量化服务质量，以便通过根据不同的无线电资源管理(rrm)方案监视同信道干扰rf信息随时间推移的进展来比较不同的rrm方案。这种比较使分析引擎能够基于对重叠进行分析并且产生用于给定重叠的覆盖分数来识别哪个rrm方案产生最少填充的可视化。
行为足迹引擎350可以基于由可视化332指示的大量客户端随时间推移而引起的漫游足迹(例如，教室的变化、登机等)和/或基于由可视化332指示的服务覆盖随时间推移的转变，来识别行为模式352。例如，行为足迹引擎350可以识别网络客户端的漫游模式及其对由网络接入点提供的服务覆盖的影响，以确定服务覆盖随时间推移的移动。类似的方法可以被用于识别由于嵌入式指令(例如，设备配置、os版本、rrm等)引起的服务覆盖随时间推移的转变。
图4是根据示例的包括回放/暂停界面434的可视化432的图示。可视化432还包括回放控件中的时间线滑块436，以显示各种静态重叠412a-412c的动画。
可视化432可以提供关于例如具有无线网络部署的建筑物中的感兴趣的楼层的信息。回放界面被设置于图的下方。响应于选择播放/暂停界面434，可视化432可以回放rf重叠412a-412c的动画，从而可视化由时间线滑块436指示的所选间隔内的rf重叠的变换。在播放历史rf数据进展的可视化432时，暂停/恢复是可用的，并且通过将滑块界面436移动到给定时间点来进行搜索。
可视化432示出热图历史回放的示例。热图重叠等值线通过信号截止(signalcutoff)(例如，以分贝(db)为单位测量的-75、-65、-55、-45db)来呈现。颜色代码有助于将服务质量可视化，其中红色代表强信号，而没有颜色代表服务信号弱于例如-95db的不良点(poorspot)。
图5是根据示例的包括静态重叠512a-512c和曲线图538的可视化532的图示。可视化532还包括记录界面535和时间线滑块界面536。多个静态重叠512a-512c表示在重叠可视化532的动画的整个回放中的各个时间的时间上的快照。
记录界面535使得能够与各种引擎(例如，存储引擎)进行交互以记录用于给定无线网络的rf信息(例如，图5中所示的网络安装的楼层平面图)。该界面可以允许指定多个小时来收集和记录用于给定时间段的历史rf信息。在替代示例中，引擎可以与可用存储空间相对应地记录用于未确定的(例如，不明确的)时间段的数据。示例实施方式可以基于可用存储空间来自动地调节诸如捕获间隔信息(例如，一秒钟间隔)和数据点的数量(网络的五百个房间)等存储因子。当存储被用尽时，可以在记录会话期间动态地调节这种信息。
分析引擎(例如，图3的分析引擎340)可以被用来对包含在诸如重叠5q2a-c等多个静态重叠中的多个热图的视觉覆盖进行量化。该信息可以被可视化引擎用来创建定量的曲线图538，其中该曲线图中的每个点表示用于给定静态重叠512a-512c的、与由滑块536指示的时间点和/或曲线图538上的x轴坐标相对应的视觉覆盖的量。
曲线图538可以显示用于重叠512a-512c的视觉覆盖相对于时间的定量方面。这种信息可以被用于比较由不同无线电资源管理(rrm)方案生成的结果。例如，通过根据不同rrm方案来监视同信道干扰rf信息随时间推移的进展，由可视化引擎所产生的曲线图538由此例如基于沿着y轴实现最低累积点来识别哪个rrm方案产生最少填充的可视化，该最低累积点与曲线图538中所示的曲线下方的最低区域相对应。
更具体而言，图5示出示例曲线图538和重叠512a-512c，该重叠512a-512c可以被用于量化用于无线电资源管理(rrm)的同信道干扰。同信道干扰是大区域内的无线网络中的挑战，在该大区域中许多相邻的接入点可以使用相同的信道频率。当相邻的接入点使用相同的信道频率时，这导致该频率的冲突，被称为“运行中断(outage)”。该运行中断可能降低重叠区域内的服务质量，直到接入点中的一个改变其频率以避免冲突为止。该问题被认为是动态的，因为它可能受到噪声以及现场的其他动态干扰的影响，并且因为接入点布局遭受变化(例如，通过添加/去除/替换接入点)。对动态性质的进一步贡献在于建筑材料遭受变化，并且因此影响各种频率下的服务。可以使用诸如某些自适应无线电管理协议等各种不同的有效的动态rrm方案。图5中示出的示例方法可以被用于通过在一段时间内监视给定方法并且(例如，利用示例分析引擎)分析重叠快照512a-512c随时间推移的运行中断的数量来比较不同的rrm方法。这样的信息使得能够随时间推移而收集信道数据rf信息进展，以使用曲线图538来相对于时间观察同信道干扰区域。在一些实施方式中，优选的rrm方法将是使得其在绘制的曲线图下方的区域最小化的方法。
基于由分析引擎进行分析以识别将要绘制在用于比较不同类型的rf数据的曲线图上的点的值，可以提供其他这样的曲线图(例如，与各种其他类型的重叠/可视化相对应，诸如图7中所示的那些)。
图6是根据示例的包括rf信息606和行为模式652的图示。rf信息606可以映射到静态重叠612的二维快照。
网络设备的给定集合(诸如图6中所示的接入点等)可以发射服务信号，这些服务信号一起形成用于覆盖给定服务区域的rf信息606的无线“画布(canvas)”。服务强度在接入点周围很强并且随着距离而分散。客户端网络设备可以消耗无线网络服务，该客户端网络设备被表示在rf信息606画布中，好像该设备被“放置”在所比喻的画布的顶部上，并且根据它们消耗的网络服务越多则它们对服务画布产生的偏差就越深来显示。
无线网络服务质量受到网络客户端未以稳定速率来消耗网络服务这一事实的影响。此外，网络客户端经常从一个地方漫游到另一个地方。这样的行为会动态地改变网络服务强度水平的形状，类似于画布上加权球体(weightedsphere)的移动。结果，对于服务供应商而言不太可能在无线网络中的任何给定位置和时间处都维持服务质量的精确水平。此外，服务质量还因为诸如网络客户端的数量、网络客户端与接入点之间的距离、传输功率、信道干扰、物理障碍等其他因素而劣化。
本文所描述的示例实施方式可以通过识别并存储服务质量画布(或其他rf信息)的变化来将rf数据进展可视化，如同随时间推移它由于随时间推移网络中的网络设备信息的交换而“起波纹(rippled)”。因此，与优化给定网络设备相比，可以改善网络的“整个生态系统”的质量。
用于识别历史rf数据进展的示例实施方式可以帮助对网络进行故障排除和/或发现网络的“行为足迹(footprint)”。网络质量的“行为足迹”可以被识别为从客户端漫游或服务覆盖随时间推移的转变中所暗示的模式(例如，参见上文关于图1所阐述的应用环境的类别，以及例如学校校园相对于机场的行为)。本文描述的示例实施方式可以将所收集的历史rf数据进展与其他挖掘数据(例如，航班时刻表、下课时间表、网络防火墙规则等)相关联，以发现专用于个体环境的甚至更为复杂的行为足迹。
在这些原理的示例应用中，本文所描述的示例实施方式可以被用于检测覆盖盲区问题。客户环境可以包括处于“重启循环”的接入点(ap)。已被关闭的(多个)ap可能产生覆盖盲区，但重启循环可能是间歇性的以在一些时间关闭覆盖盲区并且在其他时间打开覆盖盲区。因此，如果在ap已经重启后覆盖正好良好时执行网络诊断，则可能遗漏覆盖盲区。然而，本文所描述的示例实施方式能够实现随时间推移上升和下降的历史网络覆盖的可视化，从而导致检测到间歇性网络覆盖盲区。
这种间歇性覆盖盲区示例可以通过将网络rf信息与未由网络具体生成的其他信息(诸如学校校园客户端流量路径和外部班级出勤时间表信息等)相关联而被进一步增强，以随时间推移而识别附加站点行为模式。因此，覆盖历史可以与在无线网络范围内的教室的出勤期间携带网络客户端的用户的行为模式相对应地示出在星期一、星期三和星期五的上午8:00和上午9:00之间的覆盖盲区。这为网络覆盖盲区实现附加的解决方案，例如使课程表重叠以最小化消耗网络资源的网络客户端的数量，或在该时间段内安装网络设备以增加容量(或增加用于覆盖教室的现有网络设备的功率)以覆盖网络覆盖盲区。
由本文所描述的示例收集的数据的类型可以被认为是机器学习环境中的无监督数据。因为数据是无监督的(例如，不与特定度量相关联以识别何处的处于隔离的给定数据点是期望或不期望的)，并且由于无监督数据的性质(远超过单个群组的数据点或小群组的数据点的大数据流)，机器学习(诸如数据聚类方法)可以被用于识别诸如网络覆盖盲区和/或行为模式等问题。此类行为模式可以包括网络工程师无法从审计日志或其他网内数据源中识别出的极不相关的原因，例如景观工作人员在执行高压窗户清洁之前去除网络ap。可以通过使用本文所描述的示例方法来识别网络问题的这种原因，以将网络性能随时间推移的变化与外部行为/时间表相关联，从而对影响网络覆盖的行为事件进行故障排除。例如，行为足迹引擎可以基于例如由来自可视化引擎的可视化所指示的随时间推移的漫游模式和/或基于由可视化所指示的服务覆盖随时间推移的转变来识别行为模式。因此，示例计算系统可以通过将rf信息随时间推移的进展与不是由无线网络生成的数据源(例如，教室时间表、飞机起飞时间等)相关联，通过行为足迹引擎来识别行为模式。
图7是根据示例的包括在多个静态重叠712a-712h中所显示的rf信息的图示。rf重叠被示为在给定时间处无线接入点的群组/网络的服务领域内的覆盖质量的2d图形表示。在替代示例中，重叠可以被表示为3d图形表示。为了生成给定的rf信息重叠712a-712h，重叠引擎可以将服务区域划分为单元网格，并且计算单元的相应信息。作为示例，对于热图重叠712a，重叠引擎可以识别各个接入点对单个网格单元的网络服务强度衰减影响。给出截止值(例如，以db、mbps等为单位)的集合，可视化引擎可以在服务区域内生成等值线的集合以创建重叠712a。重叠还可以通过使用从客户端连接收集到的网络客户端的聚合度量(例如丢包、传输的字节、数据速率等)来进行枚举。可以使用各种技术来收集信息，并且信息可以随时间推移由存储引擎存储，以用于随时间推移而形成可视化。
可视化引擎可以随时间推移对rf重叠度量(例如重叠712a-712h的度量)进行动画处理，以强调动态环境以及使用行为对无线服务质量的影响。因此，动画化的可视化可以捕获转变模式，该转变模式可能以其他方式而在给定时间不可见，或者可能没有在静态图表或表格或日志文件中示出。这样的可视化提供易于理解的信息，并且不需要有经验的管理员手动尝试将来自复杂审计日志的历史rf数据相关联，以手动尝试寻找任何rf异常。如图7中所示，示出动画可视化的时间片，然而每个重叠将被可视化为动画化的重叠，该动画化的重叠示出随时间推移的变化，并且可以基于播放/暂停以及时间线滑块界面而被回放(例如，参见图4的可视化432)。
通常，热图重叠712a可以将无线网络服务的信号强度覆盖质量可视化。客户端设备离接入点越近，它可以接收的信号质量就越好。速度重叠712b可以将无线网络服务的数据传输质量(例如，mbps)可视化。信道利用率重叠712c可以将广播时间(airtime)的使用可视化并示出广播时间使用速率覆盖，从而指示在给定时间处网络多么饱和以及因此如何避免过度使用。信道重叠712d可以将信道干扰可视化并且示出无线电信道冲突图。当多个接入点在接近的频率范围下发射信号时发生信道干扰。这导致信号阻塞和/或抵消，该信号阻塞和/或抵消在信号被阻塞的区域中导致较差的服务。信道重叠对信号被堵塞的区域进行测量，并且因此重叠区域越大，服务质量就越差。
客户端健康状况重叠712e可以将客户端广播时间相对于接入点应当采用以推送客户端数据的理想广播时间的比率可视化。50％的客户端健康状况意味着接入点采用的时间是应采用以推送客户端数据(例如，将客户端数据重新传输到目的地)的时间的两倍。语音重叠712f可以将覆盖该区域的服务无线电的数量可视化。在服务范围内有多个接入点的区域中，服务无线电的数量增加。更高数量的服务无线电通常指示良好的服务。但是，不良的信道设计可能导致无线电区域中的高数量的信道干扰(参见信道重叠)。ucc重叠712g可以将统一通信和协作(ucc)流量可视化，并且apprf重叠712h可以经由应用射频流量来将数据使用以及使用中的应用可视化。ucc重叠712g和apprf重叠712h可以被用于跟踪应用和ucc性能，以便进行故障排除、规划和资产跟踪。
这样的示例可视化可以由可视化引擎来呈现，包括呈现多种不同类型的可视化重叠。这种重叠的可视化可以表征例如与重叠712a-712h的类型相对应的不同类型的rf信息之间的关系。此外，可以将来自客户端设备的重叠与来自接入点或其他非客户端网络设备的重叠进行重叠和/或组合，以支持复杂的网络分析。例如，分析与信道利用率重叠712c相重叠的apprf重叠712h，以观察新防火墙配置的影响。信道重叠712d与客户端健康状况重叠712e的重叠可以被用于执行同信道干扰分析。
参考图8，示出了根据本公开的各种示例的流程图。该流程图表示可以与参考前面的附图所讨论的各种系统和设备结合使用的过程。虽然以特定顺序与特定过程来示出，但是本公开并不旨在如此限制。相反，明确预期的是，各种过程可以以不同顺序发生和/或与所示过程不同的其他过程同时地发生，并且可以省略一些过程(例如，如虚线所示的框850)。
图8是根据示例的基于将rf信息的动态特性可视化的流程图800。在框810中，重叠引擎用于生成静态重叠作为用于给定时间段的无线网络的射频(rf)信息的热图。例如，重叠引擎可以生成信道利用率重叠作为用于给定时间段的时间上的快照。在框820中，存储引擎用于存储由重叠引擎生成的多个静态重叠，该多个静态重叠与多个时间段相对应。例如，存储引擎可以随时间的流逝而收集多个静态信道利用率重叠，以构建重叠如何随时间推移变化的历史集合。在框830中，分析引擎用于对包含在多个静态重叠中的多个热图的视觉覆盖进行量化。例如，分析引擎可以针对多大程度地完全覆盖重叠中的给定的一个来分配例如与诸如图5的曲线图538等曲线图上的位置相对应的数值，其中更高覆盖与y轴上的更高位置相对应，直到与重叠的100％的视觉覆盖相对应的1.0的覆盖值。在框840中，可视化引擎基于生成动画可视化来将rf信息的动态特性可视化，以示出动态特性的历史趋势，该动画可视化示出多个静态重叠随时间推移的进展以及视觉覆盖随时间推移的进展。例如，可视化引擎可以生成重叠快照随时间推移的进展的动画，根据时间线滑块和播放/暂停界面通过快照来协调回放。在框850中，可视化引擎可以生成视觉覆盖相对于时间的曲线图。例如，由分析引擎获得的覆盖信息可以通过可视化引擎被可视化为诸如图5的曲线图538等曲线图。这种曲线图可以被用于基于曲线图的给定曲线下方的区域，在视觉上识别出多个情况中的哪一个提供了最大或最小的覆盖。
本文所提供的示例可以以硬件、软件或两者的组合来实现。示例系统可以包括处理器和存储器资源，该处理器和存储器资源用于执行存储在有形非暂时性介质(例如，易失性存储器、非易失性存储器和/或计算机可读介质)中的指令。非暂时性计算机可读介质可以是有形的，并且具有存储于其上的计算机可读指令，该计算机可读指令可由处理器执行以实现根据本公开的示例。
示例系统(例如，包括计算设备的控制器和/或处理器)可以包括和/或接收有形非暂时性计算机可读介质，该有形非暂时性计算机可读介质用于存储一组计算机可读指令(例如，软件、固件等)，以执行以上以及所附权利要求中所描述的方法。例如，系统可以执行指令，以指示可视化引擎将rf信息的动态特性可视化，其中引擎(多个)包括用于执行本文所描述的指令的硬件和/或软件的任何组合。如本文所使用的，处理器可以包括一个或多个处理器(例如在并行处理系统中)。存储器可以包括可由处理器寻址的存储器，以用于执行计算机可读指令。计算机可读介质可以包括诸如随机存取存储器(“ram”)等易失性和/或非易失性存储器、诸如硬盘、软盘和/或磁带存储器等磁性存储器、固态驱动器(“ssd”)、闪存、相变存储器等。