Wi-Fi HaLow AP能耗优化：基于吸收马尔可夫链的MAC层竞争窗口调优

1. 项目概述：为什么AP能耗优化是Wi-Fi HaLow网络的下一个关键战场

在物联网（IoT）部署中，我们常常把节能的焦点放在成千上万的传感器节点（Station, STA）上，这很自然——它们通常由电池供电，生命周期直接取决于能耗。于是，目标唤醒时间（TWT）、限制访问窗口（RAW）等机制被广泛研究和应用。然而，一个长期被忽视的“能量黑洞”正静静地矗立在网络的中心：接入点（Access Point, AP）。

无论是部署在偏远农田用于环境监测，还是安装在森林中用于火情预警，这些AP往往也面临着严苛的能源约束，它们可能依靠太阳能电池板或大容量电池组工作。传统上，AP被设计为“永远在线”的网络协调者，负责信标广播、时间同步和为休眠的STA缓存下行数据。这种角色定位使得AP无法像STA那样简单地进入深度睡眠。当AP因能量耗尽而停机时，整个网络将随之瘫痪，其后果远比单个传感器失效严重得多。

因此，优化AP的能耗，其意义不亚于优化STA。但这条路走起来并不容易。你不能直接让AP去“睡觉”，那会让所有STA失去同步；你也不能随意关闭其射频单元，那会直接切断物理连接。那么，出路在哪里？我的答案是：在媒介访问控制（MAC）层动手术，特别是优化其核心的竞争机制。

IEEE 802.11ah，即Wi-Fi HaLow，作为专为低功耗、远距离IoT设计的标准，其默认的MAC层信道访问机制是分布式协调功能（DCF）。DCF的核心是“先听后说”（LBT）和二进制指数退避（BEB）。过去几十年，从经典的Bianchi模型开始，无数研究分析了DCF在饱和流量下的性能。但IoT场景的本质是非饱和的：设备周期性唤醒，发送一个小数据包，然后迅速回归睡眠。在这种“一阵一阵”的流量模型下，基于饱和假设的传统模型已然失效。

本文分享的，正是我们针对这一痛点所进行的一次深度探索：如何利用吸收马尔可夫链（Absorbing Markov Chain）精确建模非饱和流量下的DCF竞争过程，并通过对最小竞争窗口（CWmin）这一关键参数的优化，系统性地削减AP的能耗。我们在由16个商用Wi-Fi HaLow设备组成的真实测试床上验证了该模型，最终实现了高达20.4%的AP能耗降低。这套方法不依赖任何硬件修改或物理层调整，纯粹通过MAC层参数的智慧调优，为能量受限的AP提供了一条简单而有效的生存之道。

2. 核心思路拆解：从“饱和”到“吸收”，重新审视竞争过程

要优化AP能耗，首先必须理解它的能量消耗在了哪里。通过高精度电流分析仪对AP进行实测，我们可以清晰地看到其工作状态的切换：空闲监听（Idle Listening）、数据接收（RX）、确认帧发送（TX）以及碰撞处理（Collision）。其中，空闲监听和碰撞处理是两大“能耗刺客”。

• 空闲监听：AP的射频前端保持开启，持续侦听信道，等待可能到来的数据帧。尽管没有数据收发，但电路仍在工作，产生可观的静态功耗。
• 碰撞处理：当两个或以上STA在同一时隙发射，信号相互干扰，AP无法解码任何有效数据。但在这个过程中，AP的接收机依然处于高功耗的激活状态，直到帧传输超时。这完全是一种“无效的高功耗”。

我们的核心目标，就是缩短AP处于这两种低效状态的总时间。这个总时间，我们将其定义为“接收窗口”（Reception Window, Trw），即从一次上传周期开始，到AP成功接收到最后一个STA数据包为止的整个时间区间。优化Trw，就等于优化AP的能耗。

2.1 传统饱和模型的局限与“吸收”思想的引入

经典的Bianchi模型及其众多衍生模型，都基于一个关键假设：网络是饱和的。即每个STA始终有数据要发，持续参与信道竞争。这使得模型中的竞争节点数量恒定，碰撞概率稳定，非常适合分析吞吐量等稳态性能。

但在我们的IoT场景中，情况截然不同。假设有N个STA同时被唤醒，每个STA只有一个数据包要发送。一旦某个STA发送成功，它便立即退出竞争，进入睡眠。于是，系统中的活跃竞争者数量从N开始，随着成功传输而单调递减，直至为零。这是一个典型的“吸收”过程：系统从初始状态（N个活跃STA）出发，经过一系列可能包含空闲、成功、碰撞的时隙，最终被“吸收”到终止状态（0个活跃STA）。

吸收马尔可夫链（AMC）正是描述这类过程的绝佳数学工具。它将系统的每个可能状态（即还有k个STA在竞争）定义为一个状态，状态间的转移概率由当前活跃STA的发送概率决定。一旦系统进入“所有STA传输完成”这个吸收态，过程就结束了。这完美契合了我们非饱和、一次上报的流量模型。

2.2 优化杠杆：最小竞争窗口（CWmin）

在DCF机制中，每个STA在竞争信道前，会随机选择一个介于[0, CW-1]之间的退避计数器。其中CW是当前的竞争窗口大小。首次竞争时，CW等于最小值CWmin。如果发生碰撞，CW会按二进制指数规律增大（CW = min(CWmax, CWmin * 2^碰撞次数)）。

CWmin是这个过程的“起跑线”，它直接决定了STA初始的发送欲望。

• CWmin过小（例如默认值16）：STA的初始发送概率很高，容易在初期发生大量碰撞。虽然可能快速解决少数STA的竞争，但在节点数稍多时，碰撞导致的退避和重传会急剧拉长整个竞争过程，AP不得不长时间处于接收碰撞的高功耗状态。
• CWmin过大：STA的初始发送概率很低，每个时隙很可能都是空闲的。这虽然避免了碰撞，但导致了漫长的空闲监听时间，AP的能量同样被浪费在等待上。

因此，存在一个最优的CWmin值，它能在“碰撞导致的延时”和“空闲导致的延时”之间找到精妙的平衡，使得整个接收窗口Trw最短。我们的工作，就是通过建立的AMC模型，将这个最优值准确地计算出来。

3. 吸收马尔可夫链模型构建与关键指标推导

建模的核心是将离散的、时隙化的DCF竞争过程，转化为一个可以分析求解的马尔可夫链。下面我拆解一下整个建模过程。

3.1 系统状态与单节点行为建模

在任意时隙t，系统的完整状态需要两个信息来刻画：

1. 活跃STA集合 S(t)：表示在时隙t开始时，还有哪些STA尚未成功发送。
2. 每个STA的碰撞计数器 ci(t)：记录STA i到当前时隙为止经历过的碰撞次数。这个计数器决定了它当前的竞争窗口大小：CWi(t) = min(CWmax, CWmin * 2^ci(t))。

据此，STA i在时隙t的发送概率可以近似为（这是基于Bianchi模型的经典近似）：τi(t) = 2 / (CWi(t) + 1)

这个公式直观地反映了退避机制：碰撞次数越多，竞争窗口越大，发送概率就越低，这是一种自适应的竞争缓和机制。

3.2 时隙结果分类与状态转移

在每个时隙，根据活跃STA们的发送决策，会产生三种互斥的结果：

1. 空闲时隙：没有STA发送。概率为所有STA都不发送的乘积：P_idle(t) = Π_{i∈S(t)} (1 - τi(t))。
2. 成功时隙：有且仅有一个STA发送。对于某个特定的STA i，其成功概率是它发送而其他所有STA不发送的概率。总成功概率是对所有STA求和：P_succ(t) = Σ_{i∈S(t)} [τi(t) * Π_{j≠i} (1 - τj(t))]。
3. 碰撞时隙：两个或以上STA同时发送。概率为1减去前两者：P_coll(t) = 1 - P_idle(t) - P_succ(t)。

系统的状态根据时隙结果进行转移：

• 成功：发送成功的STA从活跃集合S(t)中移除，系统状态变为S(t+1) = S(t) \ {成功STA}。其他STA的碰撞计数器不变。
• 碰撞：所有参与发送的STA的碰撞计数器加1，活跃集合S(t)保持不变。
• 空闲：所有状态保持不变。

这个过程持续进行，直到S(t)成为空集，即所有STA都成功传输完毕，系统进入吸收态。

3.3 性能指标：期望碰撞次数与期望接收窗口

我们的目标是计算两个关键指标的期望值：总碰撞次数E[Ccoll]和接收窗口时长E[Trw]。

期望碰撞次数E[Ccoll]： 这个值可以通过对每个时隙的碰撞概率进行加权求和得到，权重是该时隙系统仍未结束的概率P_remain(t)（即至少还有一个STA活跃的概率）。E[Ccoll] = Σ_{t=0}^{∞} P_coll(t) * P_remain(t)P_remain(t)可以通过递归计算：P_remain(t+1) = P_remain(t) * (1 - P_succ(t))，初始P_remain(0)=1。这个公式的含义是：系统在t+1时隙仍活跃的前提是，它在t时隙活跃，并且在t时隙没有发生成功传输（因为一旦成功，活跃节点数就减少了）。

期望接收窗口E[Trw]： 接收窗口是物理时间，但我们可以将其转化为“加权时隙数”。不同时隙类型（空闲、成功、碰撞）的持续时间不同。设一个基本空闲时隙的时长为T_slot，一次成功传输的等效时隙数为β，一次碰撞的等效时隙数为α。α和β可以根据标准规定的帧间间隔（DIFS, SIFS）、数据包传输时间、ACK时间等计算得出，在我们的实验中，通过抓包分析确定α约为50（即碰撞时长约为空闲时隙的50倍）。 那么，期望接收窗口为：E[Trw] = Σ_{t=0}^{∞} P_remain(t) * [P_idle(t)*1 + P_succ(t)*β + P_coll(t)*α]

经过数学变换（利用P_idle + P_succ + P_coll = 1以及总成功次数必为STA数量N的性质），我们可以将公式简化为：E[Trw] = Σ_{t=0}^{∞} P_remain(t) * [1 + (α-1)P_coll(t)] + 常数

这个形式非常优美。它告诉我们，E[Trw]主要由“空闲时隙”和“碰撞时隙”这两部分贡献决定，而成功传输贡献了一个固定常数。因此，优化E[Trw]的本质，就是通过调整MAC参数（这里是CWmin）来平衡空闲和碰撞的概率，使它们的加权和最小。

注意：在实际计算中，求和上限是无穷，但P_remain(t)会衰减至零。我们设置一个极小阈值（如1e-8），当P_remain(t)小于该阈值时截断求和，这在计算上完全可行且精度足够。

4. 实验验证：从理论到实测的闭环

模型再漂亮，也需要真实的实验来验证。我们搭建了一个由1个AP和最多16个STA组成的Wi-Fi HaLow测试床，所有设备均采用Morse Micro MM6108商用芯片。

4.1 实验配置与数据采集

• 硬件：AP和STA均基于树莓派4搭载MM6108模块。AP通过高精度电流分析仪（Joulescope JS220）和可编程直流电源供电，以实时捕捉其微安级的电流波动，从而精确计算能耗。
• 软件：另设一个MM6108模块工作在嗅探模式，连接运行Wireshark的电脑，捕获空口所有报文，用于精确分析碰撞次数、接收窗口时长等MAC层事件。
• 参数：固定物理层参数（MCS 3，带宽1MHz）以排除其影响。让每个STA在每个周期发送一个200字节的应用层数据包。我们变化两个关键变量：STA数量N（5, 7, 10, 12, 14, 16）和CWmin值（16, 32, 64, 128, 250）。每个配置重复实验100次取平均。

4.2 模型与实测结果对比分析

我们将模型预测的E[Ccoll]和E[Trw]与实测结果进行对比。下图展示了在不同STA数量下，变化CWmin得到的性能曲线（横轴为E[Ccoll]，纵轴为E[Trw]）。

观察与洞见：

1. 趋势高度吻合：无论是对于小规模网络（N=5,7,10）还是中大规模网络（N=12,14,16），模型预测的曲线形状与实测数据点分布的轨迹高度一致。随着CWmin增大，碰撞次数E[Ccoll]单调下降，而接收窗口E[Trw]呈现先下降后上升的凸函数关系。这说明存在一个明确的、使E[Trw]最小的最优CWmin点。
2. 模型在超小网络中的“保守性”：在N=5和7时，模型预测的碰撞次数略高于实测值。这是因为模型假设所有STA完全同步开始退避计数，而现实中由于操作系统调度、时钟微漂等因素，各STA的计数起始时刻有微小偏差。这种“不同步”反而降低了同一时刻发生碰撞的概率。我们的模型忽略了这种硬件抖动，相当于给出了一个最坏情况下的碰撞估计，这对于保证系统鲁棒性反而是有益的。
3. 最优点的捕捉：模型准确地预测了E[Trw]的拐点，即最优CWmin出现的位置。例如，在N=16时，模型和实验均指出CWmin=128是最优值，而非默认的16。

4.3 接收窗口与AP能耗的强相关性验证

这是整个研究最关键的实证环节：我们缩短Trw的理论目标，真的能降低AP的实际能耗吗？

我们将不同配置下实测的AP能耗（单位：毫焦耳mJ），与模型计算的E[Trw]和E[Ccoll]进行关联分析。结果如下图所示，每个子图中，数据点的连线代表了固定N、变化CWmin的轨迹，点上的标注即为实测能耗。

结论非常清晰：对于每一个固定的网络规模N，AP能耗的最低点，与E[Trw]的最低点完美重合。并且，E[Trw]与AP能耗呈现出高度的线性正相关。这强有力地证明了，我们的优化目标min E[Trw]是正确且有效的。通过模型优化CWmin来最小化接收窗口，可以直接、可靠地实现AP能耗的最小化。

在我们的核心实验中，当STA数量为16时，将CWmin从默认值16优化为128，使得AP的能耗降低了20.4%。这是一个非常可观的提升，对于依赖有限能源的野外AP来说，这意味着系统寿命得到了显著延长。

5. 规模化分析与实战调优指南

理论模型和实验都验证了单点优化的有效性。但在实际部署中，网络规模（STA数量）是变化的。我们利用模型，将分析扩展到了更大规模（N=20至600），揭示了更具普遍意义的规律。

5.1 网络规模对最优CWmin的影响

随着网络中STA数量的增加，竞争强度加剧。模型分析显示：

• E[Ccoll]和E[Trw]均显著增长：这是可以预见的，更多设备竞争同一信道，自然需要更多时间来解决冲突。
• 最优CWmin值急剧增大：在小型网络（N=10）中，CWmin=128可能已接近最优；但在大型网络（N=600）中，最优CWmin可能超过8192。这是因为必须通过极大地降低每个节点的初始发送概率，来避免海量碰撞导致的系统崩溃。

这揭示了一个核心原则：不存在一个“一刀切”的最优CWmin。它必须根据网络中的活跃竞争者数量进行动态调整。

5.2 给工程师的实战配置与调优指南

基于以上研究，我为在实际Wi-Fi HaLow网络中优化AP能耗的工程师们总结出以下可操作的指南：

1. 基于网络密度进行初始配置在部署网络时，应根据预期的最大并发STA数量来静态配置一个较优的CWmin。可以参考我们模型生成的如下简表进行初值选择：

2. 将“接收窗口时长”作为核心监控指标直接测量AP能耗需要专用设备，但Trw可以通过AP本地的MAC层日志或简单的嗅探分析轻松获取。你可以通过监测平均包传输延迟或信标间隔内的信道繁忙时间来间接估算它。一旦��现Trw异常增长，就意味着AP正消耗着不必要的能量。

3. 运行时动态调优策略网络状况是动态变化的。建议AP具备简单的运行时监控与调优逻辑：

• 症状诊断：
  • 如果观测到碰撞率、重传次数或ACK超时急剧增加：这强烈暗示当前CWmin设置过小，无法应对当前的竞争强度。应逐步增大CWmin（例如，按2倍递增）。
  • 如果碰撞率很低，但Trw异常漫长：这可能是CWmin设置过大，导致过多空闲时隙。应尝试逐步减小CWmin。
• 调优方法：可以采用缓慢的试探性调整。例如，每间隔一段时间（如100个上传周期），根据过去周期的平均Trw或碰撞计数，按照“爬山法”微调CWmin。调整幅度不宜过大，避免引起性能震荡。

4. 与上层调度机制协同工作在超大规模或高密度部署中，仅靠调整CWmin可能不足以应对竞争。此时，应启用IEEE 802.11ah标准内更高级的调度机制，如限制访问窗口（RAW）。RAW可以将大量STA分组，并在不同的时间窗口内调度它们访问信道，从而从根本上减少同时竞争的设备数量。我们的CWmin优化策略可以与RAW结合：在RAW划分的每个小组内部，再应用针对该组规模优化的CWmin值，实现“分组调度，组内优化”的两级节能。

6. 模型边界、未来演进与多AP挑战

没有任何模型是万能的，清楚其边界才能正确使用它。

6.1 模型的适用范围与局限

我们的吸收马尔可夫链模型针对的是严格周期性的、非饱和的、单包传输的IoT场景。每个STA唤醒、竞争、发送一个包、离开，这个过程是模型的理想假设。这在智能电表读数、环境传感器定时上报等场景中非常典型。

然而，模型在以下场景需要扩展：

• 突发流量或多包传输：如果STA有数据包队列，发送成功后可能立即有新的包加入竞争，活跃节点数不会单调减少。这需要引入排队论模型，与当前的AMC结合。
• 非同步唤醒：我们假设所有STA同时开始竞争。如果唤醒时间错开，模型需要引入异步到达过程，状态空间会变得更复杂。

这些扩展是未来研究的方向，但就解决“周期性上报”这一大类IoT核心场景而言，当前的模型已足够精确和实用。

6.2 面向未来：与IEEE 802.11bn (Wi-Fi 8) AP节能机制的融合

即将到来的Wi-Fi 8（IEEE 802.11bn）标准将首次引入**AP端节能（AP Power Save）**机制，例如计划节能（Scheduled PS），允许AP在协调好的时间内进入低功耗的“打盹”（Doze）状态。

我们的工作与这一方向高度互补。我们的模型可以作为一个精准的时序预测引擎。在AP被调度唤醒的“活跃窗口”内，我们的模型可以预测完成所有STA上行竞争所需的准确时间（即E[Trw]）。AP可以据此精确设置本次活跃窗口的时长，避免过早醒来空等或过晚休眠打断传输，从而实现更精细的节能调度。

6.3 现实世界的挑战：多AP共存与干扰

我们的研究基于单AP的孤立网络。但在真实的城市或工业环境中，多个AP可能部署在相邻信道，产生干扰。

我们初步探索了双AP共存的场景，发现干扰会严重扰乱时隙级的竞争过程：

• 信道占用增加：邻居AP的传输会被误判为信道繁忙，导致本AP下的STA冻结退避计数器，拉长Trw。
• 碰撞概率上升：隐蔽节点问题加剧，本AP无法感知邻居AP的STA发送，导致碰撞。
• 退避计数器失准：干扰导致传输失败，STA错误地增大竞争窗口，进一步降低效率。

这些干扰会直接抵消CWmin优化带来的节能收益。未来的工作需要考虑在多AP环境下，如何通过分布式协调或干扰感知的退避算法，来维持系统的能量效率。一个可能的思路是让AP间通过有线骨干网交换基本的调度信息，错开其STA群体的活跃周期，或者根据监听到的干扰强度，动态调整本BSS的竞争参数。

回顾整个项目，从发现AP能耗这一被忽视的问题，到构建吸收马尔可夫链这一精巧的数学模型，再到通过真实硬件实验验证20.4%的节能效果，最后总结出可供工程师直接使用的调优指南，这是一次完整的从理论到实践的闭环。它让我深刻体会到，在资源受限的IoT领域，有时最有效的优化并非来自颠覆性的硬件革新，而是源于对现有协议机制的深刻理解与精细化调参。这套基于模型驱动、以接收窗口为代理指标的AP能耗优化方法，为部署在荒野、农田、电网中的那些“能量饥渴”的Wi-Fi HaLow接入点，提供了一条切实可行的续命之道。