Riepilogo Tecnico: FM4WiFi: Flow Matching per la Coordinazione Multi-AP in Deployment Densi di Reti Beyond Wi-Fi 8

1. Definizione del Problema

L'evoluzione delle reti Wi-Fi si sta spostando da un accesso ai canali competitivo e casuale verso un'operazione strettamente coordinata tra gli Access Point (AP), una transizione incarnata nello standard imminente Wi-Fi 8 per la Multi-AP Coordination (MAPC). Tuttavia, l'attuale specifica MAPC limita la cooperazione alle coppie di AP, limitando fondamentalmente i guadagni di prestazione ottenibili in deployment densi (ad esempio, stadio o magazzini industriali).

La sfida specifica affrontata è il Coordinated Spatial Reuse (Co-SR), dove più AP trasmettono simultaneamente a potenza ridotta per mitigare l'interferenza. Un Co-SR efficace richiede la selezione e la configurazione congiunta di:

1. Gruppi di AP: Quali AP trasmettono simultaneamente.
2. Selezione delle Station: Quali stazioni (STA) questi AP servono.
3. Parametri Wi-Fi: Indici di Modulation and Coding Scheme (MCS) e livelli di potenza di trasmissione.

Le soluzioni esistenti per lo scheduling Co-SR non riescono a scalare su deployment a livello di rete (30+ AP) a causa di:

• Overhead di Segnalazione: Forte dipendenza dalla segnalazione globale di RSSI/SINR.
• Complessità Computazionale: I metodi basati su solver e gli approcci di Reinforcement Learning (RL) soffrono di una crescita esponenziale del tempo di calcolo o dei passi di convergenza all'aumentare della dimensione della rete.
• Rigidità: I metodi RL tradizionali spesso si affidano a spazi di azione pre-calcolati e fissi che non possono adattarsi a topologie non viste senza un nuovo addestramento.
• Assunzioni Idealizzate: Molti approcci scindono la selezione dell'MCS o assumono valori MCS perfetti, fallendo nel catturare l'interazione tra la gestione dell'interferenza e i tassi di dati raggiungibili.

2. Metodologia: La Pipeline FM4WiFi

Gli autori propongono FM4WiFi, una pipeline di machine learning generativo progettata per produrre configurazioni Co-SR di alta qualità in un singolo step di inferenza. Il sistema opera offline per l'addestramento e online per l'inferenza, ed è composto da tre componenti principali:

A. Rappresentazione a Grafo e Autoencoder

La rete Wi-Fi è modellata come un grafo non orientato $G=(V, E)$, dove i vertici rappresentano AP e STA, e gli archi rappresentano i link di trasmissione e le relazioni di interferenza.

• Feature: Gli archi trasportano un vettore di feature a 7 attributi che include RSSI, tipo di link, stato di attività, stato di selezione, indice MCS, potenza di trasmissione e probabilità di successo.
• GNN Autoencoder: Un Autoencoder basato su Graph Neural Network (GNN), basato sul framework Message Passing Neural Network (MPNN), apprende rappresentazioni latenti compatte ($z_e \in \mathbb{R}^{d_z}$) dello stato della rete. Utilizza un'architettura VAE con una nuova perdita categorica mista (mixture categorical loss) per gestire efficacemente attributi eterogenei (continui, categorici e valori "N/A"). Ciò consente al modello di generalizzare su grafi di diverse dimensioni e topologie.

B. Modello Generativo Flow Matching (FM)

Invece di cercare in uno spazio di azione fisso, FM4WiFi tratta la configurazione Co-SR come un compito di generazione condizionale.

• Meccanismo: Un modello di Flow Matching apprende un campo di velocità a tempo continuo nello spazio latente dell'autoencoder. È addestrato per mappare un campione di rumore verso una configurazione latente target, condizionata dalle osservazioni recenti della rete (contesto).
• Addestramento: Il modello minimizza la differenza tra la velocità predetta e la velocità target lungo un percorso di interpolazione lineare tra rumore e dati.
• Inferenza: Le configurazioni vengono generate risolvendo un'equazione differenziale ordinaria (ODE) utilizzando il metodo di Eulero, partendo dal rumore e procedendo verso una configurazione valida in pochissimi step (ad esempio, 6 step). Ciò consente la generazione parallela di centinaia di configurazioni candidate.

C. Predittore del Tasso di Dati Surrogato

Per valutare i candidati senza accedere a una rete live o a un digital twin computazionalmente costoso, viene impiegato un modello surrogato.

• Funzione: Questo modello agisce come un digital twin appreso, prevedendo il tasso di dati effettivo aggregato per una data configurazione.
• Architettura: Specchia la struttura del backbone FM e produce un Mixture Model di Gaussiana (MDN) per catturare la distribuzione dei possibili tassi di dati.
• Selezione: I candidati generati dal modello FM sono valutati dal surrogato, e i top-$k$ candidati vengono selezionati per l'esecuzione.

D. Workflow di Inferenza

1. Codifica del Contesto: Il controller centrale codifica le recenti osservazioni della rete (RSSI, esiti) in un contesto latente.
2. Generazione dei Candidati: Il modello FM genera $N_{cand}$ (ad esempio, 128) configurazioni candidate in parallelo.
3. Valutazione: Il modello surrogato valuta tutti i candidati.
4. Decodifica ed Esecuzione: I top-$k$ (ad esempio, 8) candidati vengono decodificati in decisioni di scheduling esplicite (coppie AP-STA, MCS, potenza) e applicati alla rete.

3. Contributi Chiave

• Prima Pipeline Generativa per Co-SR: Introduce un framework che apprende la distribuzione di configurazioni di alta qualità offline e le genera online, andando oltre gli approcci di ricerca o di RL a spazio d'azione fisso.
• Ottimizzazione Congiunta: Ottimizza unicamente l'raggruppamento degli AP, la selezione delle stazioni, l'MCS e la potenza di trasmissione simultaneamente all'interno di un singolo modello, eliminando la necessità delle assunzioni idealizzate sull'MCS presenti nel lavoro precedente.
• Scalabilità e Velocità: Dimostra la capacità di generare schedule in meno di 1 secondo per reti con oltre 30 AP, una scala in cui gli existing baselines analitici e di RL diventano intrattabili.
• Robustezza Dinamica: Capace di adattamento immediato a cambiamenti di topologia, join di stazioni e mobilità tramite rigenerazione triggerata da eventi senza necessità di ri-addestramento, in contrasto con i metodi RL a spazio d'azione fisso.
• Riproducibilità e Testbed: Fornisce il codice open-source per la pipeline e la generazione del dataset, insieme al primo testbed sperimentale open-source su dispositivi commerciali (COTS) per valutare il Co-SR.

4. Risultati della Valutazione

Gli autori hanno valutato FM4WiFi attraverso estese simulazioni e un testbed hardware reale.

• Scalabilità: Negli scenari residenziali (fino a griglie di AP 5x6), FM4WiFi scala a oltre 30 AP con inferenza sub-secondaria. Al contrario, H-MAB (un baseline di probing allo stato dell'arte) non riesce a convergere entro i budget temporali oltre i 16 AP, e i solver analitici (T-Optimal, F-Optimal) diventano computazionalmente proibitivi (richiedendo minuti o ore).
• Prestazioni:
  • Scenari Statici: FM4WiFi con la propria selezione MCS eguaglia o supera H-MAB su scale medie-grandi e rimane entro il 7% del limite teorico superiore (F-Optimal) su larga scala.
  • Scenari Dinamici: Nei test di mobilità (stazioni in movimento, ri-associazione), FM4WiFi mantiene un throughput stabile (680–760 Mbit/s in scenari enterprise) rigenerando le configurazioni in seguito ai cambiamenti di topologia. H-MAB fallisce nella convergenza in questi ambienti dinamici, rimanendo significativamente più basso.
  • Spazio Aperto: FM4WiFi eguaglia le prestazioni di H-MAB in piccole reti in spazio aperto (2–5 AP) quando entrambi utilizzano un oracle MCS, confermando la capacità del modello generativo di apprendere la distribuzione della soluzione sottostante.
• Validazione Sperimentale: Su un testbed COTS a 6 AP, FM4WiFi ha operato in modalità zero-shot su una topologia non vista, superando i baseline semplici di round-robin e "all-at-once". Sebbene H-MAB abbia eventualmente raggiunto un throughput maggiore, richiedeva un periodo di convergenza, mentre FM4WiFi ha fornito prestazioni elevate immediate.

5. Significato e Rivendicazioni

Il paper sostiene che FM4WiFi affronti la barriera fondamentale della scalabilità nella coordinazione Wi-Fi. Riformulando lo scheduling Co-SR da un problema di ricerca combinatoria a un problema di generazione condizionale, il metodo scinde il tempo di inferenza dalla dimensione della rete.

Gli autori pongono questo lavoro come un paradigma "impara una volta, distribuisci ovunque". A differenza dei metodi che richiedono un apprendimento per ogni deployment o che faticano con topologie non viste, FM4WiFi sfrutta l'addestramento offline su scenari diversificati per generalizzare istantaneamente a nuovi e complessi deployment. La significatività risiede nel rendere possibile la coordinazione a livello di rete per i sistemi Beyond Wi-Fi 8, dove l'elevata densità di AP rende inefficaci i meccanismi di coordinazione tradizionali.

Gli autori riconoscono modestamente i limiti: il sistema richiede un controller centrale con backhaul cablato e accelerazione hardware; è un metodo stocastico senza garanzie deterministiche di QoS; e il predittore surrogato introduce errori di approssimazione. Tuttavia, affermano che l'approccio offre una strada promettente per i problemi del livello MAC dove gli spazi di azione sono troppo grandi per essere enumerati e gli ambienti sono troppo diversificati per un apprendimento specifico per deployment.