无线终端的漫游行为完全由终端自行控制，AC与终端在漫游检测和决策阶段缺乏协同与交互——这是传统智能运维系统在无线漫游场景下的核心痛点。H3C这份技术白皮书提出了一套“云端-网络端”协同的AI漫游解决方案：基于真实终端漫游大数据，通过AI学习构建特定空口环境下的漫游参数特征和终端个体特征，实现从“群体画像”向“个体画像”的升级，从“所有网络同一套策略”向“差异化漫游引导策略”的跃迁。

传统智能运维系统在无线漫游方面存在三重问题。无线终端的漫游行为完全由终端自行控制，AC与终端缺乏协同与交互，导致漫游效果不理想。传统方案缺乏基于终端粒度的漫游事件详细数据展示，无法精细分析单个终端的漫游行为。同时，缺乏基于设备粒度的漫游统计数据展示，难以从全局视角及时掌握整体网络漫游状况。

动态调整漫游策略——通过高精度运动状态检测，实时感知终端状态，动态调整漫游策略，减少无效漫游切换。精细化终端个体画像——以终端个体为粒度建模，为每一台终端设备构建唯一画像，实现从“群体画像”向“个体画像”的升级。漫游策略差异化——同一终端在不同网络中可采用差异化的漫游引导策略。漫游引导智能化——新网络可继承优化后的基线漫游引导策略，实现“开局即最佳”。漫游数据可视化——集中展示终端事件、漫游轨迹、漫游收益及漫游问题。

设备侧开启协同漫游功能后，通过学习大量漫游数据生成当前网络的网络特征和个体终端画像，指导终端漫游，同时将学习结果上传至Cloudnet平台。新部署的无线网络连接至Cloudnet后，云端向设备侧下发网络特征基准和终端画像作为漫游引导基线策略，设备侧根据当前网络运行状态下的漫游数据不断微调基线引导策略以达到最佳状态。

由于无线空口环境的特征，终端在静止状态下的信号强度也可能出现较大且不可预期的波动。AI漫游通过采集终端静止状态下的RSSI数据，提取关键特征，生成静止状态的RSSI波动模型，实时监测终端RSSI，根据实际波动情况与模型的偏离程度判断终端是否处于运动状态。当终端RSSI波动幅度超过模型设定阈值时，即可判定终端正在移动。

AI漫游连续运行超过七天后，Cloudnet平台计算四项收益指标——平均耗时、平均漫出信号强度、平均漫入信号强度、达标率（正常漫游次数/总漫游次数），并以“今天平均值、七天收益、历史收益”三个时间维度展示。系统以五分钟为最小粒度绘制漫游收益曲线，趋势线上升表示漫游网络体验提升。