互联网数据爆炸的时代，就是大数据的时代，大量看似无序、没有规则的数据流，当样本数量足够大，能够覆盖大多数据的时候，有序的规律就会出现。用大数据的规律对无序的数据进行分析、统计和分类，这些看似无序的数据便会成为容易被解读，且有价值的数据，这便是数据存在的意义，也是大数据的精髓所在。区域中找不到无线网络-
无线网络优化及运维的相关话题也算是老生常谈了，那么大数据算法在无线网络优化的工作上又能起到什么作用呢？接下来我们讲述大数据在做实际无线网络优化的案例中能提供哪些分析方法和优化思路。
首先简单介绍一下我使用的工具“无线信息快速统计工具”，实际上这个小工具比较简单主要是用来收集数据并进行分析可以得到如下图Excel表格，如图1，采集的数据内容比较全面，从无线控制器、AP、终端等方面收集到了大量参数信息，该Excel表格只代表某一个时间段的信息，想要得到24h的运行信息，我们可以设置工具30分钟或1h收集一次，间隔越短更能够代表无线网络的运行状况和走势。影响无线网络的环境因素和参数繁多，包括空口环境、设备运行状态、终端类型、有线网络侧，很多因素需要综合判断和分析，想要得到当前无线网络当前运行状态就需要去分析和提取更多有价值的数据。区域中找不到无线网络-
图1
区域中找不到无线网络，案例是某公司的办公大楼，涉及1100个AP，终端数约25000个，客户描述办公楼内不定时的出现个别终端掉线、上网卡顿等情况出现，需要对三栋大楼系统性做无线网络优化，以改善无线网络使用体验。面对如此多的终端个数，逐个AP分析寻找问题效率低下，从整体上分析没有针对性，客户提议选择重点楼层作为样板点，重点分析并优化，如果效果明显，其他区域效仿样板楼层的优化方案，以此类推到整栋大楼。
样板楼层的筛选是有讲究的，选择对象必须具备代表性，且是属于使用体验较差的楼层，表面上看似简单的问题实际上需要反复的数据收集和分析论证才能拿出具有说服力的结果。采用工具在工作时间段内每格1小时收集一次数据，每次采集的数据按照AP信道利用率高低进行排名，筛选信道利用率超过50%的AP，并将被筛选出来的AP进行统计所属楼层，然后根据被统计出来的楼层出现次数再次进行排名，这样便得到了三栋楼中在工作时间段出现信道利用率超过50%以上的AP数量最多的楼层。得到如下图2的A10层的所有AP的射频口channelbusy变化柱状图，优化后同样收集该数据，优化前后效果便一目了然，如图3优化后A10层的channelbusy明显降低。
图2
图3
区域中找不到无线网络，当然我们做无线网络优化的评判标准不仅仅参考信道利用率这一个参数，采取更多数据进行分析，才能把网络现状分析到极致。我们知道在无线网络中终端接受到AP的信号强度RSSI的值直接取决于终端的使用效果。在这里要特别强调一下，AC上看到的RSSI值代表AP接收到终端的信号强度大小，调整AP的功率是没法改变RSSI值大小的，理论上应该是调整终端的发射功率，然而终端发射功率一般情况下是不能被更改的，所以在RSSI值过低的情况下，措施上应该是减少AP与终端的距离，或是拿走AP
与终端之间的障碍物，或是增补AP数量等方法来改善RSSI的值。该公司办公场景复杂，每一片区域的结构和格局都大不相同，导致终端与AP之间的距离有远有近，从视觉上直观判断距离是不是太远，不如直接用数据说话来得可靠，同样应用数据统计分析的算法进行优化，收集
AC上所有终端RSSI信息值，并进行排序，筛选RSSI值小于30的所有终端，如图4，统计这些终端关联在哪些
AP上并进行排名，得到如图5的数据之后，很容易看出哪些AP上关联弱信号的终端最多，通过AP命名可以统计出这些AP大部分集中在一层，再结合一层实际AP部署位置和环境进行AP的增补来改善终端RSSI信号强度。
图4
图5
区域中找不到无线网络，在实际优化中可以应用到大数据的思路进行分析统计的方法还有很多，如收集每一层AP关联终端数量总和，判断哪些区域属于高密区域；通过FTP下载、关联时延进行排名确定哪些区域无线网络性能低下；通过员工对无线网络体验的调查问卷了解到哪些区域使用效果差。将多项分析结果综合到一起判定分析必能将整个办公楼中最典型最痛点的问题和区域找出来。大数据就是数据越多，越全面，得到的分析结果越具备说服力和代表性。以上优化思路希望为大家在今后的无线网络优化工作中提供帮助，也希望大家能够提出更多有创意的无线优化思路和手段为客户提供更高质量的无线网络。区域中找不到无线网络-
