Resource-Efficient WiFi CSI Sensing via Exploiting the Age of Samples

기술 요약: 샘플의 연령(Age of Samples) 활용을 통한 자원 효율적 WiFi CSI 센싱

문제 정의

WiFi 채널 상태 정보(CSI) 센싱은 웨어러블 장치 없이도 인간의 활동과 신원을 추론할 수 있는 강력한 기술이다. 그러나 기존의 고정밀 모델들은 일반적으로 조밀하고 규칙적이며 높은 비율의 CSI 샘플링을 가정한다. 실제 시나리오, 특히 IEEE 802.11bf에서 통합 감지 및 통신(ISAC)이 표준화됨에 따라, 센싱은 데이터 통신과 공존해야 한다. 이러한 공존은 가용할 수 있는 타임 슬롯의 비율을 제한하는 엄격한 **평균 센싱 예산(average sensing budget)**을 부과한다. 또한, 패킷 손실과 트래픽 기반의 불규칙성은 비균일한 샘플링 간격을 초래한다.

희소하거나 불규칙한 CSI를 다루는 기존 방식은 크게 세 가지 범주로 나뉜다:

1. 재구성(Reconstruction) 방식: 추론 전 희소한 데이터로부터 조밀한 CSI를 복구하려고 시도하며, 이는 계산 복잡성을 높이고 재구성 오류를 유발할 수 있다.
2. 자원 선택(Resource-selection) 방식: 부반송파(subcarrier)나 안테나를 가지치기하지만, 시간적 샘플링 속도는 무시하는 경우가 많다.
3. 시간 인지 어텐션 모델 (예: UniFi): 절대적 타임스탬프를 임베딩하고 데이터를 균일한 그리드 상으로 보간한다. 그러나 이러한 방법들은 평균 센싱 예산에 따른 정확도를 명시적으로 평가하지 않으며, 정보의 연령(Age of Information, AoI)—샘플이 캡처된 이후 경과된 시간—을 학습 가능한 특징으로 활용하지 않는다.

결과적으로, 상당한 계산 오버헤드 없이 엄격한 자원 제약 조건 하에서 샘플의 신선도(freshness)를 명시적으로 고려하는 센싱 프레임워크가 필요하다.

방법론

시스템 모델 및 샘플링 제약 조건

저자들은 $T$개의 이산 타임 슬롯으로 구성된 측정 세션 내에서 문제를 정식화한다. 평균 센싱 예산 $\alpha \in (0, 1]$는 CSI 샘 samples가 획득되는 타임 슬롯의 비율을 제한한다. 두 가지 고정된 샘플링 정책이 서로 다른 실제 환경을 모델링하기 위해 고려된다:

• 결정론적(Deterministic, 누적/Bresenham) 정책: $M$개의 센싱 슬롯을 세션 전체에 걸쳐 거의 균등하게 분산시키며, 이는 예약된 전용 센싱을 모델링한다.
• 확률적(Stochastic, 베르누이) 정책: 확률 $\alpha$로 독립적으로 슬롯을 샘플링하며, 이는 무작위 패킷 손실 및 트래픽 기반의 불규칙성을 모델링한다.

$m$번째 센싱된 프레임의 "연령(age)" $\delta(t_m)$은 결정 시점($T-1$)을 기준으로 캡처된 이후 경과된 시간으로 정의된다: $\delta(t_m) = (T-1) - t_m$. 이 지표는 MAC 계층에서 사용 가능한 제로 오버헤드 사이드 신호로 취급된다.

제안된 프레임워크: 연령 인지형(Age-Aware) WiFi 센싱

저자들은 샘플의 신선도를 모델 학습에 명시적으로 포함하는 저비용의 연령 인지형 프레임워크를 제안한다. 아키텍처는 다음과 같이 구성된다:

1. 패킹된 관측값(Packed Observation): 오래된 프레임을 센싱되지 않은 슬롯까지 유지하는 대신, 입력은 각 연령(age)이 태깅된 $M$개의 패킹된 센싱 프레임 세트 $X = \{(X(t_m), \delta(t_m))\}_{m=1}^M$이다.
2. CSI 인코더: 패킹된 CSI 텐서(안테나 $\times$ 부반송파 $\times$ 프레임)를 처리하여 동작 콘텐츠 임베딩($e_{csi}$)을 생성하는 합성곱 신경망(CNN)이다. 적응형 평균 풀링(Adaptive average pooling)은 모델이 가변적인 프레임 수($M$)를 수용하면서도 고정된 크기의 임베딩을 출력하도록 보장한다.
3. 연령 인코더(Age Encoder): 스칼라 연령 값 $\delta(t_m)$을 신뢰도 임베딩($e_a \in (0, 1)^d$)으로 매핑하는 경량 브랜치이다. 이는 공유 선형 레이어, 배치 정규화, 시그모이드 활성화 함수를 통해 수행되며, 이후 세션 전체에 대해 평균을 구한다. 출력값은 신선도에 따른 차원별 신뢰도 가중치를 나타낸다.
4. 곱셈 융합(Multiplicative Fusion): CSI와 연령 임베딩은 요소별(Hadamard) 곱을 통해 융합된다: $e_f = e_{csi} \odot e_a$. 이 설계는 연령을 독립적인 모달리티로 취급하는 대신, 신선도에 따른 게이트(gate)로서 작동하여 CSI 특징을 스케일링하도록 한다.
5. 분류기(Classifier): 융합된 임베딩을 클래스 점수로 매핑하는 포스트 융합 블록(ReLU, LayerNorm, Dropout)이다.

이 프레임워크는 무시할 만한 수준의 파라미터만 추가하며($d=128$일 때 단 $4d$개의 추가 스칼라), 일반적인 CSI 전용 모델과 유사한 계산 복잡도를 유지한다.

주요 기여

• 문제 정식화: 논문은 평균 센싱 예산 제약 조건 하에서의 WiFi CSI 센싱을 정식화하며, 예약된 희소 센싱과 무작위 패킷 손실을 명시적으로 모델링한다.
• 연령 인지형 아키텍처: CSI 샘플의 정보 연령(AoI)을 인코딩하고 이를 CSI 특징과 곱셈 방식으로 융합하는 새로운 저오버헤드 프레임워크를 도입한다. 이를 통해 모델이 오래된 샘플의 특징을 동적으로 감쇄할 수 있게 한다.
• 제로 오버헤드 구현: 이 접근 방식은 이미 MAC 계층에서 가용 가능한 타이밍 정보를 활용하므로, 추가적인 신호 전달이나 복잡한 재구성 단계가 필요하지 않다.
• 포괄적 평가: 제안된 방법은 두 가지 뚜렷한 작업(인간 활동 인식 및 개인 식별)에 대해 결정론적 및 확률적 샘플링 체제 모두에서 NTU-Fi 데이터셋을 사용하여 평가되었다.

실험 결과

제안된 모델은 NTU-Fi 인간 활동 인식(HAR) 및 NTU-Fi HumanID 데이터셋에 대해 평가되었다. 벤치마크 대상은 다음과 같다:

1. CSI 전용(CSI-only) 베이스라인.
2. 최첨단 시간 인지 어텐션 모델인 UniFi (mTAN).
3. Last-M 베이스라인 (가장 최근의 $M$개 프레임만 사용).

주요 결과:

• 우수한 성능: 연령 인지형 모델은 모든 샘플링 체제와 예산 수준에서 CSI 전용 베이스라인과 UniFi 벤치마크를 일관되게 능가했다.
• 저예산에서의 이점: 성능 향상은 엄격한 센싱 예산 하에서 가장 두드러졌다. 개인 식별(Person Identification) 작업에서 제안된 모델은 UniFi 방식보다 최대 10% 포인트의 향상을 달in 성과를 보였다. $\alpha=0.01$인 누적 샘플링 환경에서, 연령 인지형 모델은 80.7%의 정확도를 유지한 반면, CSI 전용 모델은 72.7%, UniFi는 68.6%로 떨어졌다.
• 시간적 범위 vs. 최신성: "누적(Accumulated)" 샘플링(시간에 걸쳐 분산됨)과 "Last-M"(끝부분에 집중됨)을 비교한 실험 결과, 단순히 최근 프레임을 사용하는 것보다 세션 전체를 커버하는 것이 더 중요하다는 것이 밝혀졌다. 동일한 프레임 수에서 누적 방식이 Last-M 방식보다 성능이 현저히 높았다.
• 작업 민감도: 연령 인지의 이점은 활동 인식보다 (보행 패턴 해상도가 필요한 시간 민감 작업인) 개인 식별에서 더 뚜렷하게 나타났다.

의의 및 주장

본 논문은 **신선도 인지 추론(freshness-aware inference)**이 CSI 가용성이 제한적이거나 불규칙할 때 정확도를 유지하기 위한 효과적이고 실용적인 접근 방식임을 주장한다. 샘플의 "연령"을 명시적으로 모델링함으로써, 제안된 프레임워크는 데이터 재구성의 지연 시간이나 복잡성 없이 자원 제약에 적응할 수 있다.

저자들은 센싱과 통신이 매체를 공유해야 하는 IEEE 802.11bf 맥락에서 이들의 접근 방식이 특히 가치 있다고 강조한다. 매우 낮은 센싱 예산(예: $\alpha=0.01$)에서도 높은 정확도를 유지할 수 있는 능력은 제안된 연령 인지 메커니즘이 희소하고 불규칙한 샘플링으로 인한 성능 저하를 효과적으로 완화함을 입증하며, 이는 실세계 ISAC 배포를 위한 자원 효율적인 솔루션을 제공한다.