Resumen Técnico: FM4WiFi: Flow Matching para la Coordinación de Multi-AP en Despliegues Densos de Redes Beyond Wi-Fi 8

1. Planteamiento del Problema

La evolución de las redes Wi-Fi está transitando de un acceso a canales competitivo y aleatorio hacia una operación estrechamente coordinada entre Puntos de Acceso (AP), una transición encarnada en el próximo estándar Wi-Fi 8 de Coordinación Multi-AP (MAPC). Sin embargo, la especificación actual de MAPC restringe la cooperación a pares de APs, lo que limita fundamentalmente las ganancias de rendimiento alcanzables en despliegues densos (por ejemplo, estadios, almacenes industriales).

El desafío específico abordado es la Reutilización Espacial Coordinada (Co-SR), donde múltiples APs transmiten simultáneamente a potencia reducida para mitigar la interferencia. Una Co-SR efectiva requiere la selección y configuración conjunta de:

1. Grupos de APs: Qué APs transmiten simultáneamente.
2. Selección de Estaciones: Qué estaciones (STAs) sirven estos APs.
3. Parámetros de Wi-Fi: Índices de Modulación y Codificación (MCS) y niveles de potencia de transmisión.

Las soluciones existentes para la programación de Co-SR no logran escalar a despliegues de toda la red (más de 30 APs) debido a:

• Sobrecarga de Señalización: Dependencia excesiva de informes globales de RSSI/SINR.
• Complejidad Computacional: Los métodos basados en solvers y los enfoques de Aprendizaje por Refuerzo (RL) sufren un crecimiento exponencial en el tiempo de computación o en los pasos de convergencia a medida que el tamaño de la red aumenta.
• Rigidez: Los métodos tradicionales de RL suelen depender de espacios de acción fijos y precomputados que no pueden adaptarse a topologías no vistas sin reentrenamiento.
• Suposiciones Idealizadas: Muchos enfoques desacoplan la selección de MCS o asumen valores de MCS perfectos, fallando en capturar la interacción entre la gestión de interferencias y las tasas de datos alcanzables.

2. Metodología: El Pipeline FM4WiFi

Los autores proponen FM4WiFi, un pipeline de aprendizaje automático generativo diseñado para producir configuraciones de alta calidad de Co-SR en un solo paso de inferencia. El sistema opera de forma offline para el entrenamiento y online para la inferencia, constando de tres componentes principales:

A. Representación de Grafo y Autoencoder

La red Wi-Fi se modela como un grafo no dirigido $G=(V, E)$, donde los vértices representan APs y STAs, y las aristas representan los enlaces de transmisión y las relaciones de interferencia.

• Características: Las aristas portan un vector de características de 7 atributos que incluye RSSI, tipo de enlace, estado de actividad, estado de selección, índice MCS, potencia de transmisión y probabilidad de éxito.
• Autoencoder GNN: Un Autoencoder de Redes Neuronales de Grafos (GNN) basado en el marco de Redes Neuronales de Paso de Mensajes (MPNN) aprende representaciones latentes compactas ($z_e \in \mathbb{R}^{d_z}$) del estado de la red. Utiliza una arquitectura de Autoencoder Variacional (VAE) con una novedosa pérdida de mezcla categórica para manejar eficazmente atributos heterogéneos (continuos, categóricos y valores "N/A"). Esto permite que el modelo generalice a través de grafos de diversos tamaños y topologías.

B. Modelo Generativo de Flow Matching (FM)

En lugar de buscar en un espacio de acción fijo, FM4WiFi trata la configuración de Co-SR como una tarea de generación condicional.

• Mecanismo: Un modelo de Flow Matching aprende un campo de velocidad de tiempo continuo en el espacio latente del autoencoder. Está entrenado para mapear una muestra de ruido a una configuración latente objetivo condicionada por observaciones recientes de la red (contexto).
• Entrenamiento: El modelo minimiza la diferencia entre la velocidad predicha y la velocidad objetivo a lo largo de una trayectoria de interpolación lineal entre el ruido y los datos.
• Inferencia: Las configuraciones se generan resolviendo una Ecuación Diferencial Ordinaria (ODE) mediante el método de Euler, partiendo del ruido y evolucionando hacia una configuración válida en muy pocos pasos (por ejemplo, 6 pasos). Esto permite la generación paralela de cientos de configuraciones candidatas.

C. Modelo Sustituto de Tasa de Datos

Para evaluar los candidatos sin acceso a una red en vivo o a un gemelo digital computacionalmente costoso, se emplea un modelo sustituto.

• Función: Este modelo actúa como un gemelo digital aprendido, prediciendo la tasa de datos efectiva agregada esperada para una configuración dada.
• Arquitectura: Refleja la estructura de FM y genera un Modelo de Mezcla Gaussiana (MDN) para capturar la distribución de las posibles tasas de datos.
• Selección: Los candidatos generados por el modelo FM son puntuados por el modelo sustituto, y se seleccionan los mejores-$k$ configuraciones para su ejecución.

D. Flujo de Trabajo de Inferencia

1. Codificación de Contexto: El controlador central codifica las observaciones recientes de la red (RSSI, resultados) en un contexto latente.
2. Generación de Candidatos: El modelo FM genera $N_{cand}$ (por ejemplo, 128) configuraciones candidatas en paralelo.
3. Evaluación: El modelo sustituto califica todos los candidatos.
4. Decodificación y Ejecución: Los mejores-$k$ (por ejemplo, 8) candidatos se decodifican en decisiones de programación explícitas (pares AP-STA, MCS, potencia) y se aplican a la red.

3. Contribuciones Clave

• Primer Pipeline Generativo para Co-SR: Introduce un marco que aprende la distribución de configuraciones de alta calidad offline y las genera online, yendo más allá de los enfoques de búsqueda o de espacio de acción fijo de RL.
• Optimización Conjunta: Optimiza de forma única la agrupación de APs, la selección de estaciones, el MCS y la potencia de transmisión simultáneamente dentro de un solo modelo, eliminando la necesidad de suposiciones de MCS idealizadas presentes en trabajos previos.
  además de la potencia de transmisión.
• Escalabilidad y Velocidad: Demuestra la capacidad de generar programas en menos de 1 segundo para redes con más de 30 APs, una escala donde los baselines analíticos y de RL se vuelven intratables.
• Robustez Dinámica: Capaz de adaptación inmediata a cambios de topología, unión de estaciones y movilidad mediante la regeneración activada por eventos sin necesidad de reentrenamiento, contrastando con los métodos de RL de espacio de acción fijo.
• Reproducibilidad y Testbed: Proporciona código de código abierto para el pipeline y la generación de datasets, junto con el primer testbed experimental de código abierto sobre dispositivos comerciales (COTS) para evaluar Co-SR.

4. Resultados de la Evaluación

Los autores evaluaron FM4WiFi a través de extensas simulaciones y un testbed de hardware en el mundo real.

• Escalabilidad: En escenarios residenciales (grillas de AP de hasta 5x6), FM4WiFi escala a más de 30 APs con inferencia de sub-segundo. En contraste, H-MAB (un baseline de sondeo de vanguardia) falla en converger dentro de los presupuestos de tiempo más allá de 16 APs, y los solvers analíticos (T-Optimal, F-Optimal) se vuelven computacionalmente prohibitivos (tomando minutos u horas).
• Rendimiento:
  • Escenarios Estáticos: FM4WiFi con su propia selección de MCS iguala o supera a H-MAB en escalas medianas a grandes y se mantiene dentro de un 7% del límite teórico superior (F-Optimal) en escalas grandes.
  • Escenarios Dinámicos: En pruebas de movilidad (estaciones moviéndose, reasociándose), FM4WiFi mantiene un throughput estable (680–760 Mbit/s en escenarios empresariales) mediante la regeneración de configuraciones ante cambios de topología. H-MAB falla en converger en estos entornos dinámicos, permaneciendo significativamente más bajo.
  • Espacio Abierto: FM4WiFi iguala el rendimiento de H-MAB en redes pequeñas de espacio abierto (2–5 APs) cuando ambos usan MCS oracle, confirmando la capacidad del modelo generativo para aprender la distribución de la solución subyacente.
• Validación Experimental: En un testbed de 6 APs COTS, FM4WiFi operó zero-shot en una topología no vista, superando a los baselines simples de round-robin y "all-at-once". Aunque H-MAB eventualmente logró un mayor throughput, requería un periodo de convergencia, mientras que FM4WiFi proporcionó un alto rendimiento inmediato.

5. Significado y Reivindicaciones

El artículo afirma que FM4WiFi aborda la barrera fundamental de la escalabilidad en el Wi-Fi coordinado. Al reformular la programación de Co-SR de un problema de búsqueda combinatoria a un problema de generación condicional, el método desacopla el tiempo de inferencia del tamaño de la red.

Los autores posicionan este trabajo como un paradigma de "aprender una vez, desplegar en cualquier lugar". A diferencia de los métodos que requieren aprendizaje por despliegue o que luchan con topologías no vistas, FM4WiFi aprovecha el entrenamiento offline en diversos escenarios para generalizar a nuevos y complejos despliegues instantáneamente. La importancia radica en permitir la coordinación a nivel de red para sistemas Beyond Wi-Fi 8, donde la densidad de APs hace que los mecanismos de coordinación tradicionales sean ineficaces.

Los autores reconocen modestamente las limitaciones: el sistema requiere un controlador central con backhaul cableado y aceleración de hardware; es un método estocástico sin garantías de QoS deterministas; y el predictor sustituto introduce errores de aproximación. Sin embargo, sostienen que el enfoque ofrece un camino prometedor para problemas de capa MAC donde los espacios de acción son demasiado grandes para ser enumerados y los entornos son demasiado diversos para el aprendizaje por despliegue.