Network-Aware Forecasting on Wireless Access Points
作者: Niloo Bahadori, Swadhin Pradhan, Peiman Amini
分类: cs.NI, cs.LG
发布日期: 2026-09-02
备注: 5 pages, 2 figures, 1 table
💡 一句话要点
提出网络感知预测方法以优化无线接入点的机器学习部署
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 无线接入点 机器学习 网络感知 预测模型 资源竞争 性能优化 边缘计算
📋 核心要点
- 现有方法在无线接入点上进行机器学习预测时面临资源竞争，导致模型性能下降。
- 论文提出通过网络感知可部署性定义，确保模型在目标AP上有效执行并满足网络服务需求。
- 实验结果表明，模型在AP上的运行速度比树莓派慢6.1至19.1倍，且在网络饱和时延迟显著增加。
📝 摘要（中文）
企业无线接入点（AP）是进行预测机器学习的有前景的平台，但其主要职责仍然是提供无线连接和网络服务。预测推断必须与数据包处理、Wi-Fi和物联网无线操作以及客户端管理共享AP的CPU和内存。这种资源竞争带来了两个风险：在代理硬件上表现良好的模型在目标AP上可能过于缓慢，而在孤立环境中适配的模型在负载下仍可能降低网络服务。本文定义了网络感知可部署性，采用两个门限：模型及其在目标AP上的执行路径的资格认证，随后在数据包服务和预测约束下验证其执行特征。基准测试显示，边缘测试平台并不能可靠地捕捉目标行为。
🔬 方法详解
问题定义：本文旨在解决在无线接入点上进行机器学习预测时，由于资源竞争导致的模型性能下降问题。现有方法在不同硬件上测试时，往往无法准确反映目标AP的实际表现。
核心思路：论文提出了网络感知可部署性这一概念，通过对模型和执行路径的资格认证，确保在目标AP上运行时不会影响网络服务。
技术框架：整体架构包括模型资格认证、执行路径验证和执行特征分析三个主要模块。首先对模型进行评估，然后在实际网络负载下验证其性能。
关键创新：最重要的创新在于定义了网络感知可部署性，并通过两个门限来确保模型在AP上的有效性，这与传统的模型评估方法有本质区别。
关键设计：在实验中，模型的执行路径和资源使用情况被详细记录，特别关注在网络饱和情况下的延迟和吞吐量变化。
🖼️ 关键图片
📊 实验亮点
实验结果显示，五种模型在AP上的运行速度比在树莓派上慢6.1至19.1倍，且在网络饱和情况下，默认执行增加了76%的p99往返时间（RTT），吞吐量降低了7.06%。
🎯 应用场景
该研究的潜在应用领域包括智能家居、企业网络管理和物联网设备的优化。通过在无线接入点上有效部署机器学习模型，可以实现更智能的网络管理和服务质量保障，提升用户体验。
📄 摘要（原文）
Enterprise wireless access points (APs) are promising platforms for predictive machine learning (ML), but their primary responsibility remains providing wireless connectivity and network services. Predictive inference must therefore share an AP's CPU and memory with packet processing, Wi-Fi and IoT radio operations, and client management. This resource contention creates two risks: a model that performs well on proxy hardware may be too slow on the target AP, while a model that fits in isolation may still degrade network services under load. We define \textit{network-aware deployability} using two gates: qualification of the model and its execution path on the target AP, followed by validation of its execution profile under packet-service and forecasting constraints. Our benchmarks show that edge testbeds do not reliably capture target behavior. Across matched artifacts and serving settings, five model implementations run 6.1--19.1$\times$ slower on an AP than on a Raspberry Pi~5, while peak memory usage differs by up to 22\%. Moreover, two forecasting foundation models of similar size differ in AP latency by 19$\times$. When serving a smaller model across 13 parallel streams at a 30~s cadence under network saturation, default execution increases p99 round-trip time (RTT) by 76\% and reduces throughput by 7.06\%. Understanding these trade-offs is essential for live deployment if we aim to use APs for both networking and ML workloads.