AutoCompress：提升分布式无线传感应用的网络效率

《Pervasive and Mobile Computing》：AutoCompress: Improving network efficiency for distributed wireless sensing applications

无线传感中高维信道状态信息（CSI）的传输导致网络拥堵，本文提出AutoCompress框架，通过传感器和子载波选择策略（SSPOC和PWSSC算法）智能压缩CSI，实现超4000倍数据缩减、35.5%吞吐量提升及90%以上延迟降低，同时保持高分类精度。

　　

Yamini Shankar|Ayon Chakraborty

印度马德拉斯IIT计算机科学与工程系SENSE实验室

摘要

基于射频（RF）的无线传感为人类活动识别和环境监测提供了一种保护隐私且非侵入性的替代方案，相较于基于视觉的系统。然而，从多个分布式传感器传输高维的信道状态信息（CSI）会导致严重的网络拥塞，尤其是在大规模应用时。我们提出了AutoCompress，这是一个基于模型的框架，能够通过优先处理最具信息量的元素来智能压缩CSI频谱图。利用稀疏传感器布置优化分类（SSPOC）技术，AutoCompress为每个频谱图计算出元素级别的重要性分数。这些分数指导在带宽限制下的传感器-子载波选择策略，该策略通过优先加权子载波-传感器覆盖（PWSSC）算法实现。在UT-HAR数据集和基于Nexmon的真实世界测试平台上进行评估时，AutoCompress实现了平均$4000$的数据传输量减少，网络吞吐量提高了35.5%，延迟降低了$90$%——同时保持了较高的推理准确性，相比未压缩的CSI数据传输。这些结果证明了AutoCompress是一种可扩展、可解释且带宽效率高的分布式无线传感系统解决方案。

引言

基于射频（RF）的无线传感作为一种实用的人类活动识别替代方案，正逐渐受到关注。这类系统通过将通信信道本身视为传感器，提供了轻量级、非侵入性和保护隐私的监测方式[1]。在无线传输过程中，接收器可以提取诸如信道状态信息（CSI）或信道脉冲响应（CIR）等细粒度信道特征，这些特征反映了信号与周围环境的相互作用。物体和人类运动会以独特的方式干扰多径传播，导致接收信号的幅度、相位和延迟发生变化。通过被动监测这些物理层变化，可以推断出行走、跌倒或坐下等动作，而无需部署摄像头[2]、[3]、[4]、[5]、[6]。传感收发器可以涵盖传统的通信设备（如WiFi和UWB），这些设备会暴露CSI或CIR统计信息；也包括在毫米波频段运行的雷达类系统，它们可以提供周围物体的距离-方位估计。在这项工作中，我们重点关注基于WiFi的传感技术，因为它具有普遍性、低部署成本和跨平台可用性，尽管我们提出的方法也适用于其他无线传感模式。

分布式传感中的网络开销。常见的部署模式是多个WiFi传感器在本地估计CSI，并将数据卸载到附近的边缘设备（例如接入点或本地路由器）进行分类。这种架构因其简单性而具有吸引力，但由此产生的上行流量可能会迅速压垮无线信道。例如，一个2×1 MIMO接收器在1000 Hz频率下捕获64个子载波时，会产生高达2 Mbps的连续CSI流量。为了实现空间覆盖，需要多个传感器持续占用介质。随着设备数量的增加，累积的带宽使用量增加，导致网络拥塞、延迟激增以及其他网络用户的体验质量（QoE）下降。我们的测试平台测量显示，仅使用10个传感节点时，介质访问延迟平均超过30 ms，这凸显了可扩展性的瓶颈。

压缩的挑战。因此，减少CSI流量的网络开销是实现可扩展传感的关键。一种简单的方法是降低探测频率或采样率，但这可能会错过短暂或微妙的活动。更合理的解决方案是在传输前压缩CSI频谱图，理想情况下仅保留对分类最相关的信息。传统方法（如主成分分析（PCA）在压缩数据时不考虑任务相关性，常常会丢弃关键的判别特征。更高级的方法（如自动编码器）通过学习潜在表示来压缩CSI，但它们需要在传感器端配备神经编码器，在边缘端配备解码器，这对于资源受限的物联网设备来说往往是不切实际的。

最近的研究探索了类激活图（CAMs）来识别最显著的时间-频率区域以用于活动识别。原则上，这为任务感知压缩提供了一条途径。然而，CAMs计算成本较高，不适合在设备上执行。此外，其简单应用可能会导致误导。如图1所示，对CAMs应用硬阈值会显著减少数据量，但由于过度抑制了边缘信息区域，准确率会降至低至25%。这个例子表明，任务对齐的压缩必须既具有选择性又谨慎，保留足够的结构以支持稳健的推理。

我们的方法。我们提出了AutoCompress，这是一个可扩展、可解释且基于任务的CSI压缩框架，解决了上述限制。与优化重建保真度不同，AutoCompress直接将压缩与下游分类目标对齐，仅选择对推理贡献最大的时间-频率元素。与基于CAM的事后分析或自动编码器风格的潜在投影不同，我们的方法支持在资源受限的普适硬件上实时执行，并能够在边缘实现灵活、低延迟的推理。

AutoCompress通过多阶段设计实现这一目标。首先，一个轻量级的存在检测模型在无人区域本地禁用传感器，从而在传输前就减少了拥塞。其次，活跃的传感器在其频谱图上计算细粒度的重要性图，仅在给定的带宽预算内传输最具判别力的元素。第三，在发射器控制可用的情况下，可以在信息丰富的时间索引处选择性地触发CSI采集，避免冗余测量。最后，在边缘，AutoCompress支持从稀疏输入进行密集频谱图重建和直接分类，提供了跨平台的部署灵活性。

下面，我们将概述本文的贡献。

• •
  我们提出了AutoCompress，这是一个任务感知的压缩框架，仅传输对分类最关键的CSI组件，绕过了以重建为中心的处理流程。
• •
  我们证明了简单的阈值处理会损害性能，这说明了需要结构感知的、有监督的特征选择。
• •
  我们在真实世界部署和网络规模模拟中评估了AutoCompress，结果显示数据传输量减少了
  $4000$，吞吐量提高了35.5%，延迟降低了$90$%，同时准确率损失最小。我们还展示了该方法在各种环境中的通用性。

背景与动机

背景与动机

分布式无线传感涉及一个空间分散的WiFi节点网络，每个节点都会获取周围环境的本地测量数据。这些节点捕捉到由人类运动、物体移动或环境变化引起的无线信道的细粒度扰动，然后将提取的传感特征（如信道状态信息（CSI）或信道脉冲响应（CIR）传输到中央边缘设备，在我们的案例中，该设备可以是无线接入点。

方法论

如第2节所示，当多个节点将原始CSI流式传输到中央边缘设备时，分布式无线传感会遭受严重的网络拥塞。我们的测量结果（图3）表明，即使只有五个传感节点，在WiFi的CSMA-CA协议下，平均吞吐量也会下降近10 Mbps，导致实时推理的服务质量（QoS）下降。因此，减少通过无线信道传输的数据量对于实现可扩展性至关重要。

数据集与评估

我们在基准数据和真实世界数据集上评估了AutoCompress，分析了其分类准确性、重建保真度以及对网络性能的影响。我们的目标是验证AutoCompress在保持可扩展性和通用性的同时，实现了显著的压缩效果，同时准确率损失最小。

结论

在这项工作中，我们解决了分布式WiFi传感的基本可扩展性挑战：即从多个节点向中央服务器流式传输高速率CSI时的过度通信开销问题。我们提出了AutoCompress，这是一个两阶段框架，首先选择最具信息量的传感器，然后通过SSPOC应用基于重要性的压缩来降低频谱图的维度。我们还扩展了该框架，增加了时间触发功能，仅在必要时激活CSI估计。

CRediT作者贡献声明

Yamini Shankar：撰写——原始草案、方法论、形式分析、概念化。Ayon Chakraborty：撰写——审阅与编辑、验证、监督、资源协调。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。