On-Device LLM for Context-Aware Wi-Fi Roaming
作者: Ju-Hyung Lee, Yanqing Lu, Klaus Doppler
分类: cs.LG, cs.AI, cs.NI, eess.SP
发布日期: 2025-05-07 (更新: 2025-05-20)
💡 一句话要点
提出一种基于设备端LLM的上下文感知Wi-Fi漫游方法，优化无线网络连接。
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: Wi-Fi漫游 大语言模型 设备端AI 上下文感知 跨层优化
📋 核心要点
- 传统Wi-Fi漫游方法依赖固定阈值或启发式规则，难以适应复杂动态环境，导致连接不稳定或频繁切换。
- 利用设备端LLM进行跨层优化，在应用层进行高级推理，实时驱动物理层/MAC层的漫游决策，实现上下文感知。
- 通过思维链提示、参数高效微调和量化等技术，优化LLM在边缘设备上的部署，实验证明优于传统方法。
📝 摘要（中文）
本文提出了一种基于设备端大语言模型（LLM）的跨层Wi-Fi漫游方案，旨在解决动态移动环境中保持无缝连接的难题。传统基于阈值或启发式的方案常常失效，导致粘滞或过度切换。该方案创新性地利用应用层的高级推理能力，通过LLM实时决策并驱动PHY/MAC层的动作。LLM负责两项任务：(i) 上下文感知的AP选择，利用结构化提示融合环境信息（如位置、时间）来选择最佳BSSID；(ii) 动态阈值调整，模型自适应地决定何时漫游。为了满足边缘硬件的延迟和资源约束，采用了思维链提示、参数高效微调和量化等优化技术。室内外数据集上的实验表明，该方法优于传统启发式和DRL基线，在漫游稳定性和信号质量之间取得了良好的平衡。研究结果表明，应用层LLM推理在未来边缘系统中对底层无线控制具有重要潜力。
🔬 方法详解
问题定义：论文旨在解决无线局域网（Wi-Fi）中漫游的挑战，即如何在动态移动环境中保持无缝连接。现有方法，如基于阈值或启发式的方案，无法有效应对复杂多变的环境，容易出现“粘滞”连接（不及时切换到更优AP）或过度切换（频繁切换AP）的问题。
核心思路：核心思路是利用设备端的大语言模型（LLM）进行上下文感知推理，从而做出更明智的漫游决策。LLM在应用层运行，可以获取更丰富的上下文信息（例如位置、时间），并根据这些信息动态调整漫游策略，克服了传统方法的局限性。
技术框架：整体框架包括以下几个主要模块：1) 上下文信息收集：收集设备的位置、时间等环境信息。2) LLM推理：LLM接收结构化的提示（prompt），结合上下文信息，执行两个任务：AP选择和动态阈值调整。3) PHY/MAC层动作：根据LLM的决策，在PHY/MAC层执行相应的漫游操作。为了满足边缘设备的资源约束，还采用了模型优化技术。
关键创新：关键创新在于将LLM引入到Wi-Fi漫游控制中，实现跨层优化。传统方法主要在PHY/MAC层进行优化，缺乏对应用层上下文信息的利用。而该论文提出的方法，通过LLM将应用层的高级推理能力引入到漫游决策中，从而实现更智能的漫游。
关键设计：为了在资源受限的边缘设备上部署LLM，论文采用了以下关键设计：1) 思维链提示（Chain-of-Thought Prompting）：引导LLM进行逐步推理，提高决策的准确性。2) 参数高效微调（Parameter-Efficient Fine-Tuning）：只微调LLM的部分参数，降低计算和存储开销。3) 量化（Quantization）：将LLM的参数量化为更低的精度，进一步降低资源消耗。具体的参数设置、损失函数和网络结构等细节在论文中进行了详细描述（未知）。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法在室内和室外数据集上均优于传统的启发式方法和基于深度强化学习（DRL）的基线方法。具体而言，该方法在漫游稳定性和信号质量之间取得了更好的平衡，减少了不必要的切换，同时保证了良好的信号强度。具体的性能提升数据在论文中进行了详细展示（未知）。
🎯 应用场景
该研究成果可应用于各种需要无缝Wi-Fi连接的场景，例如：智能家居、智能工厂、自动驾驶、移动办公等。通过提升Wi-Fi漫游的稳定性和效率，可以改善用户体验，提高生产效率，并为未来的边缘计算系统提供更智能的无线连接解决方案。该技术还有潜力扩展到其他无线通信系统，例如蜂窝网络。
📄 摘要（原文）
Roaming in Wireless LAN (Wi-Fi) is a critical yet challenging task for maintaining seamless connectivity in dynamic mobile environments. Conventional threshold-based or heuristic schemes often fail, leading to either sticky or excessive handovers. We introduce the first cross-layer use of an on-device large language model (LLM): high-level reasoning in the application layer that issues real-time actions executed in the PHY/MAC stack. The LLM addresses two tasks: (i) context-aware AP selection, where structured prompts fuse environmental cues (e.g., location, time) to choose the best BSSID; and (ii) dynamic threshold adjustment, where the model adaptively decides when to roam. To satisfy the tight latency and resource budgets of edge hardware, we apply a suite of optimizations-chain-of-thought prompting, parameter-efficient fine-tuning, and quantization. Experiments on indoor and outdoor datasets show that our approach surpasses legacy heuristics and DRL baselines, achieving a strong balance between roaming stability and signal quality. These findings underscore the promise of application-layer LLM reasoning for lower-layer wireless control in future edge systems.