Marvis Actions:バックエンド運用に関するインサイト

予測ベースラインからの偏差。LSTM ベースのモデルは、サイト全体の認証の成功または失敗イベントのベースラインを設定します。

このモデルでは、問題の重大度が考慮され、このMarvisアクションが生成されます。重大度とベースラインからの偏差が高いほど、観測された期間内にこのアクションを生成するモデルの信頼度が高くなります。

予測ベースラインからの偏差。LSTMベースのモデルは、サイト全体の動的ホスト構成プロトコル(DHCP)の成功または失敗イベントのベースラインを設定します。

このモデルでは、問題の重大度が考慮され、このMarvisアクションが生成されます。重大度とベースラインからの偏差が高いほど、観測された期間内にこのアクションを生成するモデルの信頼度が高くなります。

予測ベースラインからの偏差。LSTMベースのモデルは、サイト全体のアドレス解決プロトコル(ARP)の成功または失敗イベントのベースラインを設定します。

このモデルでは、問題の重大度が考慮され、このMarvisアクションが生成されます。重大度とベースラインからの偏差が高いほど、観測された期間内にこのアクションを生成するモデルの信頼度が高くなります。

予測ベースラインからの偏差。LSTM ベースのモデルは、サイト全体のドメイン生成アルゴリズム (DNS) の成功または失敗イベントをベースライン化します。

このモデルでは、問題の重大度が考慮され、このMarvisアクションが生成されます。重大度とベースラインからの偏差が高いほど、観測された期間内にこのアクションを生成するモデルの信頼度が高くなります。

1 台または複数の AP がローカルでアップまたはダウンしている(クラウド接続の損失のみ)。

モデルは相関して、APがダウンしている原因、つまり、問題の原因がスイッチ、サイト、地域、またはISPの停止のいずれであるかを特定します。

デバイスがオフラインになったときに通知を受け取る場合は、デバイスのアップまたはダウンイベントに対してインフラストラクチャアラートを設定し、しきい値を指定します。

APまたは無線は、自動回復後も繰り返し動作不能なままです。

1 つまたは複数の AP のファームウェア バージョンと、サイト設定で構成されたバージョン コンプライアンス設定のファームウェア バージョンの違い。

影響の大きいエリアの 1 つの AP または複数の AP に関連するすべてのクライアントから繰り返し低い RSSI が報告されたことが原因で、SLE ベースラインの異常。

このモデルでは、屋外APや建物の出入り口に設置されたAPの場合、問題の再発とフリンジパターン認識を考慮します。

このモデルでは、異常の強さを考慮して、ユーザーに影響を与えるカバレッジホールの問題を示すMarvisアクションが生成されます。異常指数が強い場合、モデルは異常指数が弱い場合よりも速くアクションを生成します。このモデルは、複数のデータのバッチを検証して、カバレッジホールの問題がないかAPを特定します。

季節性ではない容量制約が繰り返し長期化するAPによって引き起こされるベースラインの異常。

このモデルでは、異常の強さを考慮して、ユーザーに影響を与える容量の問題を示すMarvisアクションが生成されます。異常指数が強い場合、モデルは異常指数が弱い場合よりも速くアクションを生成します。このモデルは、データの複数のバッチを検証して、容量の問題がないかAPを特定します。

設定ミスや設定不正が原因で発生したネットワークループによりトリガーされたAPでのリフレクションイベント。

リフレクションイベントは、APが送信したパケットを同じVLANまたは異なるVLANで受信したときに発生します。

リフレクション イベントは、サイト イベントのほぼ直後に生成されるため、これらのイベントを監視して、生の統計ベースの追跡を行うことができます。

VLAN が欠落している AP によって報告されたアップリンク ポートの統計情報。

このアクションは、2 つ以上の AP からのデータを関連付けて、クライアントが使用するアクティブな VLAN が AP ポートにないかどうかを判断します。この相関関係は、VLANがサイト全体のどのクライアントによっても使用されていない場合に、 Missing VLAN アクションが生成されるのを防ぐのに役立ちます。

スイッチポートで自動ネゴシエーションの失敗が報告されました。

スイッチポートと接続されたデバイス間のMTU不一致。報告された統計情報は、ポートのエラーを示しています。

このモデルでは、Marvisアクションを生成する重大度と時間が考慮されます。MTU不一致が大きいほど重大度が高くなり、Marvisアクションの生成が速くなります。

意図的または非意図的にトポロジーにループが導入され、スパニングツリープロトコル(STP)トポロジーの変更が急速かつ反復される。

このモデルでは、STP トポロジ変更イベントを入力特徴量として使用し、重大度と時間を考慮します。各期間におけるSTPトポロジー変更の頻度が高いほど、検出は速くなります。

また、より遅いペースで長時間イベントを発生させるループも、Marvisアクションをトリガーします。

トランク ポートとして設定されたポートでの一貫したポート バウンス。

モデルでは、頻度と時間が考慮されます。ポート フラップの頻度が高いほど、問題の重大度が高くなります。長時間発生する遅いポートフラップの場合、モデルは数時間または数日以内にポートフラップを検出します。

監視対象期間中の平均 CPU 使用率が一貫して 90% を超えている。

モデルでは、問題の頻度と期間が考慮されます。監視対象データセットのすべてのサンプルの平均 CPU 使用率が高いことを示す統計は、ユーザーに影響を与える重大な問題を示しています。このモデルは、このような問題に対してMarvisアクションを迅速に生成します。

アクセス ポート上のエンド デバイスのトラフィック パターンの突然の逸脱。

このモデルでは、繰り返される季節的なトラフィックパターンに対して誤検知は生成されません。また、推論のために類似したエンドポイント間のトラフィックパターンも考慮されます。

.

このMarvisのアクションは自動運転です ポート スタックの問題が検出されると、ポートは自動的にバウンスされ、エンドポイントが再び運用可能になります。

このモデルでは、ポートの自動バウンス後にエンドポイントが動作を再開できない場合、またはポートのスタックの問題が複数回再発した場合にのみ、アクションが生成されます。

.

予測されたトラフィックパターンからのブロードキャストおよびマルチキャストフレームカウンターの偏差。

このモデルは、各スイッチまたはスイッチポートのトラフィックパターンのベースラインを数日ごとに設定します。このアクションでは、 長短期記憶 (LSTM) ベースのモデルを使用します。

このモデルは、問題の重大度に基づいてこのMarvisアクションを生成します。監視対象期間全体にわたって続く強い偏差の場合、モデルはアクションを迅速に生成します。モデルでは、マイナーで長期的な偏差に対するアクションの生成に時間がかかる場合があります。

識別されたアップリンク ポート間の MTU、VLAN、モード、またはデュプレックスの不一致。

WANエッジポートと接続されたデバイス間のMTU不一致。このモデルは、ポートの特定のエラーを示す報告された統計情報を調べます。

このモデルでは、このMarvisアクションを生成する重大度と時間が考慮されます。MTU不一致が大きいほど重大度が高くなり、アクションは特定の期間内に生成されます。

高遅延、パケットドロップ、輻輳、ARPやDHCPなどのネットワークサービス障害がWANポート統計で報告され、ベースライン動作の変化を示しています。

重大度の高い問題と判断された問題は、重大度の低い問題よりも早く一覧表示されます。

以下のパスのいずれかでピアパスがダウンしている問題:

• スポークから特定のハブに向かうパス

• ハブで終端するパス

すべてのポート アップまたはポート ダウンのシナリオでアラートを取得する必要がある場合は、生アラートのクリティカル ポート監視アラートをサブスクライブします。

重大度の高い問題と判断された問題は、重大度の低い問題よりも早く一覧表示されます。

プライマリ パーティションとバックアップ パーティションでの Junos OS バージョンの違い

クライアントがネットワークの認証と接続に失敗し続ける。監視期間中、持続的な障害が継続的に観察されます。

トリガー時間は、サイト、つまり、クライアントの数と相関する同時障害によって異なります。

アクセス ポートとして設定されたポートの一貫したポート アップまたはポート ダウン イベント。

モデルでは、問題の頻度と期間が考慮されます。ポート フラップの頻度が高いほど、問題の重大度が高くなります。長時間発生する遅いポートフラップの場合、モデルは数時間または数日以内にポートフラップを検出します。