Resumo Técnico: FM4WiFi: Flow Matching para Coordenação de Multi-AP em Implementações Densas de Redes Além do Wi-Fi 8

1. Declaração do Problema

A evolução das redes Wi-Fi está mudando do acesso ao canal competitivo e aleatório para uma operação estritamente coordenada entre Pontos de Acesso (APs), uma transição incorporada no futuro padrão Wi-Fi 8 de Coordenação Multi-AP (MAPC). No entanto, a especificação atual de MAPC restringe a cooperação a pares de APs, limitando fundamentalmente os ganhos de desempenho alcançáveis em implementações densas (ex: estádios, armazéns industriais).

O desafio específico abordado é o Reuso Espacial Coordenado (Co-SR), onde múltiplos APs transmitem simultaneamente com potência reduzida para mitigar a interferência. Um Co-SR eficaz requer a seleção e configuração conjunta de:

1. Grupos de APs: Quais APs transmitem simultaneamente.
2. Seleção de Estações: Quais estações (STAs) esses APs atendem.
3. Parâmetros de Wi-Fi: Índices de Modulação e Codificação (MCS) e níveis de potência de transmissão.

As soluções existentes para o agendamento de Co-SR falham em escalar para implementações em toda a rede (30+ APs) devido a:

• Sobrecarga de Sinalização: Forte dependência de relatórios globais de RSSI/SINR.
• Complexidade Computacional: Métodos baseados em solvers e abordagens de Aprendizado por Reforço (RL) sofrem com crescimento exponencial no tempo de computação ou nos passos de convergência conforme o tamanho da rede aumenta.
• Rigidez: Métodos tradicionais de RL frequentemente dependem de espaços de ação fixos e pré-computados que não conseguem se adaptar a topologias não vistas sem retreinamento.
• Premissas Idealizadas: Muitas abordagens desacoplam a seleção de MCS ou assumem valores de MCS perfeitos, falhando em capturar a interação entre o gerenciamento de interferência e as taxas de dados alcançáveis.

2. Metodologia: O Pipeline FM4WiFi

Os autores propõem o FM4WiFi, um pipeline de aprendizado de máquina generativo projetado para produzir configurações de Co-SR de alta qualidade em um único passo de inferência. O sistema opera offline para treinamento e online para inferência, consistindo em três componentes principais:

A. Representação em Grafo e Autoencoder

A rede Wi-Fi é modelada como um grafo não direcionado $G=(V, E)$, onde os vértices representam APs e STAs, e as arestas representam links de transmissão e relações de interferência.

• Características: As arestas carregam um vetor de características de 7 atributos, incluindo RSSI, tipo de link, status de atividade, status de seleção, índice MCS, potência de transmissão e probabilidade de sucesso.
• Autoencoder de GNN: Uma Rede Neural de Grafo (GNN) baseada na estrutura de Redes Neurais de Passagem de Mensagem (MPNN) aprende representações latentes compactas ($z_e \in \mathbb{R}^{d_z}$) do estado da rede. Utiliza uma arquitetura de Autoencoder Variacional (VAE) com uma nova perda categórica de mistura para lidar efetivamente com atributos heterogêneos (contínuos, categóricos e valores "N/A"). Isso permite que o modelo generalize para grafos de variados tamanhos e topologias.

B. Modelo Generativo de Flow Matching (FM)

Em vez de buscar em um espaço de ação fixo, o FM4WiFi trata a configuração de Co-SR como uma tarefa de geração condicional.

• Mecanismo: Um modelo de Flow Matching aprende um campo de velocidade de tempo contínuo no espaço latente do autoencoder. Ele é treinado para mapear uma amostra de ruído para uma configuração latente alvo condicionada a observações recentes da rede (contexto).
• Treinamento: O modelo minimiza a diferença entre a velocidade prevista e a velocidade alvo ao longo de um caminho de interpolação linear entre o ruído e os dados.
• Inferência: As configurações são geradas resolvendo uma Equação Diferencial Ordinária (ODE) usando o método de Euler, partindo do ruído e evoluindo para uma configuração válida em poucos passos (ex: 6 passos). Isso permite a geração paralela de centenas de configurações candidatas.

C. Preditor de Taxa de Dados de Surrogato

Para avaliar os candidatos sem acesso a uma rede viva ou a um gêmeo digital computacionalmente caro, um modelo de surrogato é empregado.

• Função: Este modelo atua como um gêmeo digital aprendido, prevendo a taxa de dados efetiva agregada para uma determinada configuração.
• Arquitetura: Espelha o backbone do FM e produz um Modelo de Mistura Gaussiana (MDN) para capturar a distribuição das possíveis taxas de dados.
• Seleção: Os candidatos gerados pelo modelo FM são pontuados pelo surrogato, e as top-$k$ configurações são selecionadas para execução.

D. Fluxo de Inferência

1. Codificação de Contexto: O controlador central codifica observações recentes da rede (RSSI, resultados) em um contexto latente.
2. Geração de Candidatos: O modelo FM gera $N_{cand}$ (ex: 128) configurações candidatas em paralelo.
3. Avaliação: O modelo de surrogato pontua todos os candidatos.
4. Decodificação e Execução: As top-$k$ (ex: 8) candidatas são decodificadas em decisões de agendamento explícitas (pares AP-STA, MCS, potência) e aplicadas à rede.

3. Principais Contribuições

• Primeiro Pipeline Generativo para Co-SR: Introduz um framework que aprende a distribuição de configurações de alta qualidade offline e as gera online, indo além das abordagens de busca ou de espaço de ação fixo de RL.
• Otimização Conjunta: Otimiza unicamente o agrupamento de APs, a seleção de estações, o MCS e a potência de transmissão simultaneamente dentro de um único modelo, eliminando a necessidade de premissas idealizadas de MCS encontradas em trabalhos anteriores.
• Escalabilidade e Velocência: Demonstra a capacidade de gerar agendamentos em menos de 1 segundo para redes com mais de 30 APs, uma escala onde os baselines analíticos e de RL tornam-se intratáveis.
• Robustez Dinâmica: Capaz de adaptação imediata a mudanças de topologia, entrada de estações e mobilidade via regeneração disparada por eventos sem necessidade de retreinamento, contrastando com métodos de RL de espaço de ação fixo.
• Reprodutibilidade e Testbed: Fornece código open-source para o pipeline e geração de dataset, juntamente com o primeiro testbed experimental open-source em dispositivos comerciais (COTS) para avaliar o Co-SR.

4. Resultados de Avaliação

Os autores avaliaram o FM4WiFi através de extensas simulações e um testbed de hardware no mundo real.

• Escalabilidade: Em cenários residenciais (até grades de 5x6 APs), o FM4WiFi escala para mais de 30 APs com inferência sub-segundo. Em contraste, o H-MAB (um baseline de sondagem de estado da arte) falha em convergir dentro dos orçamentos de tempo além de 16 APs, e os solvers analíticos (T-Optimal, F-Optimal) tornam-se computacionalmente proibitivos (levando minutos ou horas).
• Desempenho:
  • Cenários Estáticos: O FM4WiFi com sua própria seleção de MCS iguala ou supera o H-MAB em escalas médias a grandes e permanece dentro de 7% do limite teórico superior (F-Optimal) em grandes escalas.
  • Cenários Dinâmicos: Em testes de mobilidade (estações se movendo, reassociando), o FM4WiFi mantém um throughput estável (680–760 Mbit/s em cenários empresariais) ao regenerar configurações após mudanças de topologia. O H-MAB falha em convergir nesses ambientes dinâmicos, permanecendo significativamente abaixo.
  • Espaço Aberto: O FM4WiFi iguala o desempenho do H-MAB em redes de pequeno espaço aberto (2–5 APs) quando ambos usam oracle MCS, confirmando a capacidade do modelo generativo de aprender a distribuição da solução subjacente.
• Validação Experimental: Em um testbed COTS de 6 APs, o FM4WiFi operou zero-shot em uma topologia não vista, superando baselines simples de round-robin e "all-at-once". Embora o H-MAB tenha eventualmente alcançado um throughput maior, ele exigiu um período de convergência, enquanto o FM4WiFi proporcionou alto desempenho imediato.

5. Significância e Alegações

O artigo afirma que o FM4WiFi aborda a barreira fundamental de escalabilidade na coordenação Wi-Fi. Ao reformular o agendamento de Co-SR de um problema de busca combinatória para um problema de geração condicional, o método desacopla o tempo de inferência do tamanho da rede.

Os autores posicionam este trabalho como um paradigma "aprenda uma vez, implante em qualquer lugar". Diferente de métodos que exigem aprendizado por implementação ou que lutam com topologias não vistas, o FM4WiFi aproveita o treinamento offline em diversos cenários para generalizar para novas implementações complexas instantaneamente. A significância reside em permitir a coordenação em toda a rede para sistemas Beyond Wi-Fi 8, onde a densidade extrema de APs torna os mecanismos de coordenação tradicionais ineficazes.

Os autores reconhecem modestamente as limitações: o sistema requer um controlador central com backhaul cabeado e aceleração de hardware; é um método estocástico sem garantias determinísticas de QoS; e o preditor de surrogato introduz erros de aproximação. No entanto, eles afirmam que a abordagem oferece um caminho promissor para problemas de camada MAC onde os espaços de ação são grandes demais para enumerar e os ambientes são diversos demais para aprendizado por implementação.