当 Wi-Fi 遇上 AI
Cisco AI-Enhanced RRM 全景指南

🔍 NDP 的工作方式

每台 Cisco AP 都会周期性地发送 NDP 帧——一种专门用于射频测距的广播报文。

• 始终以最大功率、最低速率发送，目的是让信号传播得尽可能远，被尽可能多的邻居听到。
• 与 Beacon 不同，NDP 提供一致的射频距离测量——不受 AP 当前功率和 Beacon 速率设置的影响。因此 RRM 获得的是真实可靠的邻居关系数据。
• 所有活跃信道都会被扫描，每 180 秒内完成全部信道的 NDP 收发循环。
• NDP 报文包含：发送方 AP 的信道、功率、天线增益、RF Group 哈希、加密密钥等关键信息。

🧠 天花板一：只有「短期记忆」，没有「历史智慧」

传统 RRM 运行在 WLC 上，每次 DCA 运行只抓取最近 10 分钟的射频快照。 它无法存储也无法分析历史数据。这意味着——它不知道「今天下午 2 点的干扰是每天都有的会议室高峰， 还是突然出现的异常」。对于何为「正常」，它毫无概念。

📄 来源：ai-enhanced-rrm-dg.pdf — "RRM on the controller has always been limited to viewing the current conditions as the data storage requirements were quite high." 以及 BRKEWN-3413.pdf — "Snapshot [15 mins]"。

⚙️ 天花板二：50+ 个射频参数，全靠人工经验

RF Profile 中包含信道列表、功率范围、DCA 灵敏度、TPC 阈值、FRA 阈值、数据速率、信道带宽等 50 多个射频旋钮。每一个参数的「最优值」取决于具体站点的 AP 密度、建筑材料、客户端类型， 是一门需要深厚 RF 专业知识的手艺。配置不当轻则性能打折，重则引发级联信道变更、网络震荡。

📄 来源：BRKEWN-3413.pdf — "Manual [50+ RF Savvy knobs]"；ai-enhanced-rrm-dg.pdf — AI RF Profile 配置流程描述。

🏢 天花板三：无法按站点差异化管理

在同一台 WLC 下，传统 RRM 的 RF Profile 是全局共享的。但现实中，同一栋楼的不同楼层可能有完全不同的 AP 密度和客户端负载， 不同地理位置的建筑物有不同的忙时（纽约办公室的上午 9 点 vs. 上海办公室的上午 9 点）。 传统 RRM 无法做到按站点级别的精细化管理。

📄 来源：BRKEWN-3413.pdf — "No [Cannot Segment within WLC]"。

📊 天花板四：可视化和故障排查复杂

传统 RRM 的仪表盘（MR Dashboard）只能以列表视图展示，不能按站点分组， 无法直观看到「哪栋楼的射频状况最差」。排障需要依赖 CLI 命令和 WCAE 工具手动导出、解析数据—— 这对大多数网络管理员而言门槛极高。

📄 来源：BRKEWN-3413.pdf — "Complex [Difficult to visualize from the dashboard]"。

⏰ 天花板五：不懂「忙时」，优化可能在最糟糕的时间触发

传统 RRM 是纯响应式的——它检测到环境变化就会尝试优化，不管此刻是否正值业务高峰。 信道变更会导致 AP 射频重启（CAPWAP Reset），在忙时发生可能影响数百用户的连接体验。

📄 来源：BRKEWN-3413.pdf — "No [Reactive optimizations]"；ai-enhanced-rrm-dg.pdf — Busy Hour Sensitivity 功能描述。

✅ 从复杂排障到一屏掌控

AI-Enhanced RRM 附带一个全功能的 RRM Control Center（控制中心）仪表盘， 内置了等效于 WCAE 工具的射频分析能力。管理员可以在一个页面上看到：

• RRM 性能评分（0-100，综合同频干扰、邻频干扰、占空比）
• 邻居密度指标（NDM）（–70 dBm 以上的强邻居数量）
• RRM 变更记录（哪台 AP、何时、做了什么变更、效果如何）
• 同频干扰详情（每台 AP 的 CCI 影响评分、趋势变化）
• AI 洞察建议（配置优化建议，一键可应用到 AI RF Profile）

🧩 为什么不是「一次优化所有 AP」？

在传统 RRM 中，DCA 算法使用「成本度量排序 → 最差 AP 优先 → 解决其 1 跳和 2 跳邻居 → 移除已处理 AP → 重复」的流程。 这种全局串行处理在大规模网络中可能引发级联变更——改善了 AP-A 的信道，却恶化了远处 AP-Z 的环境， 导致 AP-Z 也需要变更，进而影响更多 AP，如同多米诺骨牌。

AI-Enhanced RRM 引入了「集群（Cluster）」概念：算法将射频网络动态划分为多个局部集群， 每个集群内的 AP 彼此射频可达、相互影响。优化在集群内部进行， 集群之间的影响被天然的射频隔离所抑制——这就像把一个大型十字路口分解为多个小型环岛， 每个环岛独立调度，互不干扰。

📄 来源：ai-enhanced-rrm-dg.pdf — "Network-wide holistic Optimizations are performed by the RRM Resource Analytics Engine, which focuses on dynamically created groups of radios (Clusters) to optimize local performance without falling victim to the pitfalls of greedy optimizations leading to cascading network changes."

📊 能力一：RRM Control Center（控制中心仪表盘）

Control Center 是 AI-Enhanced RRM 的「驾驶舱」，所有射频健康状态一屏可见。 页面顶部有三个焦点选择器：时间跨度（24小时 / 7天 / 14天）、 频段选择（2.4 / 5 / 6 GHz）、AI RF Profile 选择。

📌 Summary Bar（概览栏）

顶部一行「大标题」级别的核心指标：

• RRM Performance Score（0-100 分）：综合同频干扰、邻频干扰、占空比计算，100 分为最优。
• 同频干扰 AP 百分比：有多少 AP 射频正在遭受严重的同频干扰。
• RRM 变更次数：最近周期内 AI 做了多少次信道/功率/FRA 调整。
• 邻居密度指标（NDM）：在 –70 dBm 以上的「强邻居」平均数量，分为四个等级：

Connectivity 指标：显示最近一次 RRM 运行期间的平均客户端 SNR（信噪比）， 直接反映终端用户的连接体验质量。

📄 来源：ai-enhanced-rrm-dg.pdf — Summary Bar / Headlines 章节，NDM 计算与分级说明。

🧠 能力二：AI 驱动的可操作洞察（Insights）

这是 AI-Enhanced RRM 与传统 RRM 最本质的差异之一。经过约一周的初始学习期后， AI 会开始生成针对你的网络的具体优化建议。

洞察覆盖的维度：

• 忙时（Busy Hour）校正：AI 观察实际客户端流量模式，可能建议调整你最初配置的忙时窗口。 （生成条件：最低/最高客户端数量差值 ≥ 5，且必须有活跃流量——休眠客户端不计入。）
• 发射功率建议：基于 14 天功率分布趋势和客户端 SNR 反馈，建议调整 TPC 参数。
• 信道带宽建议：根据同频干扰与吞吐量的权衡，建议 DBS 的最优信道宽度。
• DCA 设置建议：信道列表、灵敏度等参数的优化建议。
• AP 密度提示：当某区域 NDM 过高时，提示可能的过密部署问题。
• SNR 优化：识别客户端 SNR 持续偏低的 AP，提供改善建议。

洞察的工作流：

📄 来源：ai-enhanced-rrm-dg.pdf — Insights 章节全文；BRKEWN-3413.pdf — "AI-RRM Insights" 与 "Comparative Analytics"。

📈 能力三：射频性能多维度监控组件（Widgets）

Control Center 内置一组深度分析组件，每个组件都支持「Latest（最新）」和「Trend（趋势）」两种视图， 并可导出为 CSV 文件。

📄 来源：ai-enhanced-rrm-dg.pdf — 各 Widget 描述；BRKEWN-3413.pdf — "RF Health ingredients" 与 "Channel Utilization breakdown"。

🧪 能力四：RRM 模拟器（Simulator）—— 变更前的「沙盘推演」

在真实网络上做射频变更，就像在高速公路上换轮胎——你需要一个安全的方式预览后果。 RRM Simulator 正是这样一个「数字孪生」工具。

模拟器的三大能力：

1. 模拟射频环境对变更的响应——例如将 DBS 从 40 MHz 改为 80 MHz 后，同频干扰如何变化。
2. 分析特定时间段内变更的影响——可以选择忙时或空闲时段分别模拟。
3. 以量化统计展示结果——RRM 健康评分、CCI 变化、利用率变化、RRM 变更次数全部对比呈现。

使用流程：

📄 来源：ai-enhanced-rrm-dg.pdf — RRM Simulator 完整流程（Step 1-5）。

⏰ 能力五：忙时感知与灵敏度分级（Busy Hour）

忙时功能确保 RRM 优化不会在业务最繁忙的时候「添乱」。它不是简单地「忙时停止优化」， 而是一套精细的分级控制机制。

Low 灵敏度下的「关键变更」定义：

• DFS 雷达事件（必须立即离开受影响信道，这是法规要求）
• ED-RRM（事件驱动 RRM，如检测到严重射频干扰源）
• RF Jammer（射频干扰器检测）
• 来自附近 Rogue AP 的持续性严重同频干扰

📄 来源：ai-enhanced-rrm-dg.pdf — Busy Hour 定义与三级灵敏度说明；BRKEWN-3413.pdf — "Enhanced Busy Hour" 描述。

🌐 能力六：同行对比分析（Comparative Analytics）

这是 AI 云平台独有的能力——它不仅分析你自己的网络，还能将你的射频健康评分 与全球范围内规模相近、密度类似的同行网络进行匿名对比。

你可以清晰地看到：在同类型网络中，你的 2.4 GHz / 5 GHz / 6 GHz 射频性能处于什么分位—— 是领先者还是有提升空间。这种「外部参照系」是本地运行的传统 RRM 永远无法提供的视角。

📄 来源：BRKEWN-3413.pdf — "Same network RF Comparison: AutoRF (before) vs AI-RRM (after)" 及 "Peer networks Comparison"。

🖥️ Catalyst Center 版本

📡 Catalyst 9800 WLC 版本

📶 Access Point 版本（部分示例）

📄 完整支持列表见 ai-enhanced-rrm-dg.pdf — Table 1 & Table 2。涵盖从 Aironet 1540 到 CW9179 全系列。

🔑 Step 1：启用 AI Network Analytics 和 AI-Enhanced RRM

路径：System → Settings → Cisco AI Analytics

1. 开启 AI Network Analytics 总开关
2. 开启 AI-Enhanced RRM 子开关
3. 选择最近的云集群（Cloud Cluster）用于数据存储
4. 确认云连接状态为绿色，点击 Enable

🔑 Step 2：启用 Device Controllability

路径：System → Settings → Device Controllability

勾选 「Enable Device Controllability」 并保存。 这是因为 Catalyst Center 需要代管 WLC 上的 RF Profile 和 RF Tag 配置—— 如果不启用此项，Catalyst Center 无法向 WLC 推送 AI RF Profile。

🔑 Step 3：选择部署模式并创建 AI RF Profile

从 Catalyst Center v2.3.7.4 开始，AI-Enhanced RRM 提供了全新的简化工作流， 支持两种部署模式：

📝 基础设置

🔧 服务开关（至少启用 1 项）

必须至少启用 DCA、TPC、FRA、DBS 中的一项，否则站点无法加入 AI-Enhanced RRM 服务。

⚙️ 高级设置

• DCA 高级配置：信道列表选择、DCA 灵敏度阈值（Low 5dB / Medium 15dB / High 20dB for 5 GHz）、是否考虑外部 AP 干扰（Foreign AP）、是否考虑负载（Load）。
• DBS 高级配置：信道宽度选择（20/40/80/160 MHz）。
• TPC 高级配置：最小/最大功率范围、TPC 阈值（默认 –67 dBm）。
• 数据速率支持：各频段的最低/最高支持速率。

💡 如果你不确定高级参数如何设置——保持默认值即可。AI-Enhanced RRM 上线后会通过 Insights 建议最优配置。 这正是「即使使用默认设置部署，AI 也会推荐最优配置」的核心价值。

🚨 关键规则：同一 WLC 下的所有建筑必须全部选中

AI-Enhanced RRM 是在 WLC 级别全局启用的——每台控制器只能运行一种 RRM 算法 （传统 RRM 或 AI-Enhanced RRM，二选一）。一旦启用 AI-Enhanced RRM， 该控制器管理的所有 AP 都必须纳入 AI RRM 服务。

如果你在站点选择步骤中遗漏了同一 WLC 下的某些建筑，这些未选中站点的 AP 将：

• ❌ 不会接收任何 RRM 服务（既没有传统 RRM，也没有 AI RRM）
• ❌ 保持在默认静态值上，不参与任何信道/功率计算
• ❌ 可能严重影响整体射频环境质量

解决方案：当工作流弹出警告「更多站点未被选中」时，选择「Select more Locations」返回添加。 v2.3.7.4/5 版本每次最多选择 20 栋建筑——如果 WLC 管理超过 20 栋建筑，需分批操作。

⚠️ RF Tag 重叠问题与解决方案

如果多栋建筑的 AP 共享了 WLC 上同一个 RF Tag，系统会弹出警告。 RF Tag 重叠的后果是：这些建筑必须使用相同的 AI RF Profile（包括相同的忙时设置）， 且无法按站点独立应用 AI Insights。

三种解决方案（推荐但非必须）：

1. CLI 模板法：工作流生成新 RF Tag 名称和 CLI 模板，直接复制到 WLC 的 Config Terminal 执行。
2. CSV 静态标记法：下载包含 AP MAC、Policy Tag、Site Tag、新 RF Tag 的 CSV 文件， 在 WLC 上通过 Configuration → Tags → AP → Static 上传。 注意 WLC 的单次上传限制为 20KB，大文件会被自动分割为多个 CSV 的 ZIP 包。
3. 规则标记法：下载 AP MAC 列表 CSV，导入到 WLC 的 Location/Filter Based Tagging 规则中。

完成 RF Tag 修改后，回到 Catalyst Center 对 WLC 执行「Resync Device」， 然后在工作流中刷新——警告应消失。

🚀 部署

1. 在 Summary 页面审核所有配置后，点击 Next 进入 Config Preview。
2. 系统显示将推送到 WLC 的所有配置：修改 RF Group Leader、添加各频段 RF Profile、修改 RF Tag 上的 Profile 绑定。
3. 下载备份文件：系统提供 RF_profile_backup CSV， 记录当前 AP 到 RF Profile 的映射关系。请务必保存此文件——日后如需回滚，此文件是恢复原始配置的唯一依据。
4. 选择「Now（立即）」或「Schedule（排期）」执行部署。
5. 部署完成后，在 Tasks 页面查看进度直至成功。

✅ 验证清单

↩️ 回滚步骤

1. 进入 Design → Network Settings → Wireless → RF Profiles → AI RF Profile 选项卡。
2. 点击目标 AI RF Profile 的 「…」→ Unassign Location。
3. 系统自动选中同一 WLC 下所有受影响的建筑（因为 RRM 是 WLC 级别全局的）。
4. 选择回退方式：
   • 选择一个 Basic RF Profile（从 Network Settings 中已有的传统 Profile 中选择）
   • 上传备份 CSV（部署时下载的 RF_profile_backup 文件）——恢复原始 AP 到 Profile 的映射
   • 仅关闭 AI RRM，保留当前 RF 配置（Without Device Provisioning 模式专用——只撤销 RF Group Leader 变更）
5. 审核 Summary 后应用配置。
6. 验证：WLC 上的 RF Group Leader 应恢复为控制器自身的 IP。

📊 启用前后实测对比（Cisco 实验室，20+ AP 网络）

📄 来源：BRKEWN-3413.pdf — "Same network RF Comparison: AutoRF (before) vs AI-RRM (after)"。 对比标准：相同网络（20+ AP），按 AP 密度分桶对比启用前后的平均周 RF Health Score。

🌍 同行网络对比

Cisco AI Cloud 将 AI-RRM 网络与规模、流量、AP 密度相似的同行 AutoRF 网络进行匿名对比。 结果显示：在所有 AP 密度类别中（从低密度到超高密度）， AI-RRM 网络的射频健康评分均显著优于 AutoRF 对照组。 高密度网络的改善最为明显——这恰恰是最需要智能射频管理的场景。

📄 来源：BRKEWN-3413.pdf — "Peer networks Comparison: AutoRF vs AI-RRM"。

🏟️ 极端场景验证：全部 AP 同信道压力测试

Cisco 测试团队故意将所有 AP 配置到同一信道上——这是一个极端的最差初始状态。 启用 AI-Enhanced RRM 后，约 1 小时内算法自动将所有 AP 重新分配到不同信道上， 实现了频谱的均匀分布。这验证了 AI RRM 的自动初始化和收敛能力—— 即使从「归零」状态出发，它也能快速自主恢复到健康状态。

📄 来源：ai-enhanced-rrm-dg.pdf — Utilization per Channel 和 AP Radios per Channel 章节中的极端测试描述。