`

СПЕЦИАЛЬНЫЕ
ПАРТНЕРЫ
ПРОЕКТА

Архив номеров

Как изменилось финансирование ИТ-направления в вашей организации?

Best CIO

Определение наиболее профессиональных ИТ-управленцев, лидеров и экспертов в своих отраслях

Человек года

Кто внес наибольший вклад в развитие украинского ИТ-рынка.

Продукт года

Награды «Продукт года» еженедельника «Компьютерное обозрение» за наиболее выдающиеся ИТ-товары

 

CUPID — новый метод Wi-Fi-локализации от HP Labs

+11
голос

Сегодня свободный беспроводный доступ к Интернету в публичных местах становится все больше правилом, а почти каждый человек в цивилизованной зоне имеет оборудованное Wi-Fi устройство. В то же время бизнес ищет пути монетизации Wi-Fi. Одним из способов является предоставление сервисов, базирующихся на определении местоположения клиентов (локализации) относительно ближайшей точки доступа (ТД). О том, как именно реализуется данная технология изданию рассказали Вячеслав Самойленко, менеджер категории сетевых продуктов в странах Восточной Европы из киевского офиса НР и Михаил Пикульский, архитектор сетевых решений из компании-системного интегратора ЛанТек.

Для локализации пользователя достаточно определить его расстояние до ТД и угол, под которым на нее падает Wi-Fi-излучение от смартфона. Это просто сделать в открытом пространстве, однако в помещении задача намного усложняется. Рассмотрим вкратце физические основы, на которые опираются существующие методы локализации, их ограничения, и какие усовершенствования предложила HP Labs в своей технологии Capturing User Positioning Including Direct Path (CUPID). Забегая несколько вперед, отметим, что главная идея технологии заключается в использовании Direct Path, или «прямого пути».

Оценка расстояния при помощи уравнения потерь на трассе

Электромагнитный сигнал в эфире распространяется по всем направлениям и в помещении отражается от стен, мебели и других объектов. Вследствие отражения на приемник прибывают многие копии одного сигнала, каждая копия подвергается разным задержкам и ослаблению – феномен, известный как многолучевое распространение. Определим понятие «прямой путь» (direct path) как прямую линию, соединяющую передатчик и приемник. Беспроводный сигнал состоит из прямого луча и других отраженных компонент и подвергается ослаблению при его распространении от передатчика к приемнику. Внутри помещения ослабление в основном вызывается потерями на трассе (path loss) и многолучевым отражением. Расстояние между передатчиком и приемником можно грубо определить, используя полученную приемником энергию, с помощью уравнения потерь при распространении:

PR = P0–10γlog d ,       (1)

где P0 – полученная энергия на расстоянии 1 м от передатчика, d – расстояние между передатчиком и приемником в метрах и γ – так называемая экспонента потерь на трассе (path loss exponent), которая зависит от характеристик распространения получаемого сигнала. Таким образом, определив PR и γ, из уравнения (1) можно оценить расстояние d.

Для определения полученной приемником энергии PR более ранние подходы в типичном случае использовали значение RSSI (Received Signal Strength Indicator – индикатор силы полученного сигнала). Он представляет собой суммарную энергию, полученную от всех лучей, как прямых, так и отраженных. При использовании этой величины в качестве PR необходимо будет оценить характеристики распространения всех сигналов. К сожалению, современные микросхемы Wi-Fi не предоставляют никакой специфической информации, относящейся к многолучевому случаю, что затрудняет выбор корректного значения экспоненты потерь. HP Labs показала, что вместо трудной модели на основе энергии суммарного сигнала RSSI, легче использовать только энергию прямого пути EDP (Energy of Direct Path). Так как EDP не включает энергию отраженных лучей, то она может быть надежным показателем расстояния даже в изменяющейся среде внутри зданий.

В поисках механизма для выделения прямого сигнала HP Labs обнаружила, что чипсет Atheros 9390 может экспортировать информацию состояния канала Channel State Information (CSI) из уровня PHY в драйвер. В CSI записываются задержка и ослабление различных отраженных сигналов.

CSI отображается как матрица комплексных чисел, представляющих усиление канала (channel gain) для каждой поднесущей и каждой приемо-передающей пары антенн. Посредством соответствующего обратного быстрого преобразования Фурье частотный домен CSI может быть переведен во временной домен профиля энергия—задержка power-delay profile (PDP).

PDP представляет энергии приходящих по разным путям лучей в соответствии с их задержкой. Поскольку прямой луч распространяется по кратчайшему пути, то его энергия будет, вероятно, появляться как самый первый компонент PDP. На рис. 1 показаны PDP двух разных клиентов, расположенных на равных расстояниях от ТД. Для первого клиента (рис. 1, а) прямой луч распространяется беспрепятственно и дает самую сильную компоненту. Однако для второго клиента траектория прямого пути блокирована человеком, стоящим между ним и ТД. Таким образом, его EDP слабее, чем энергия отраженных сигналов.

CUPID – новый метод Wi-Fi-локализации от HP Labs

Рис. 1. Профили энергия-задержка двух различных передач.
(а) Клиент находится на линии прямой видимости ТД, следовательно,
его прямой сигнал сильнее, чем отраженные компоненты с большей задержкой.
(б) Прямой путь блокирован, следовательно, EDP также слабее.


RSSI не может различить эти два сценария. Он будет использовать одинаковое значение экспоненты потерь для измерения расстояния обоих клиентов, что приведет к большой ошибке. В дальнейшем будет показано, что CUPID может уменьшить ошибку в определении расстояния с помощью использования только энергии прямого луча.

Оценка угла прихода сигнала

Радиосигнал от клиента беспроводной сети приходит на ТД под разными углами. Если удастся найти угол прямого пути ANDP (Angle of the Direct Path), то можно объединить с его расстоянием, что, в конечном итоге, определит локализацию клиента. Для нахождения угловой составляющей сигнала существующие алгоритмы оценки угла прихода (Angle-of-Arrival, AoA) анализируют полученный несколькими антеннами сигнал. Ключевая идея заключается в анализе фазы получаемого сигнала, значение которой изменяется линейно с коэффициентом 2π для каждой длины волны (λ) приходящего сигнала. Для упрощения объяснения рассмотрим один луч, приходящий на две антенны ТД, расположенных на расстоянии λ/2 (рис. 2).

CUPID – новый метод Wi-Fi-локализации от HP Labs

Рис. 2. (а) Сигнал, поступающий под углом Θ на ТД с двумя антеннами.
(б) Результат работы алгоритма MUSIC

Пусть луч приходит под углом Θ. До второй антенны ему нужно пройти несколько большее расстояние:

∆d= λ/2sin θ

Это приведет к запаздыванию фазы на второй антенне на величину

Δφ=2πΔd/λ

Исключая Δd из этих двух уравнений, после несложных преобразований получим

θ=arcsin (Δφ/π)

Рассуждения выше предполагали, что приходящий сигнал имеет только одну угловую компоненту. В действительности беспроводной сигнал будет распространяться по множеству путей. Алгоритм оценки AoA может идентифицировать углы многих лучей, используя несколько антенн. Соответствующий алгоритм называется MUSIC (Multiple Signal Classification) и базируется на очень сложном математическом аппарате. Результатом работы MUSIC является так называемый псевдоспектр, пример которого для рассмотренного выше случая представлен на рис. 2б. Каждый пик псевдоспектра является оценкой АоА. Множество пиков на рис. 2 обусловлено приходящими сигналами с разных направлений, включая прямые и отраженные лучи.

Однако встает вопрос, как выделить пик, который соответствует прямому пути в псевдоспектре MUSIC? Можно предположить, что высота пика пропорциональна количеству падающей на приемник энергии под соответствующим углом. Когда приемник расположен на линии видимости передатчика, сигнал по прямому пути может часто давать самую сильную компоненту. Однако внутри здания такой вариант реализуется редко. Более того, более сильный отраженный сигнал может прийти с любого случайного направления, которое может быть абсолютно не связано с углом прямого луча ANDP. В то же время CUPID должен использовать для оценки местоположения клиента только ANDP. Для этого технология использует перемещения клиента совместно с оценкой АоА, выполняемой MUSIC. К этому вопросу мы вернемся несколько позже, а сейчас рассмотрим оценку расстояния с помощью энергии прямого пути EDP.

Оценка расстояния с помощью EDP

В то время как невозможно получить характеристики многолучевого сигнала с помощью RSSI, это можно сделать посредством профиля энергия—задержка (PDP), полученного из информации CSI. Вследствие ограниченной полосы пропускания, нет возможности различить каждый луч с помощью PDP. Например, разрешение PDP для 20 МГц 802.11n OFDM составляет приблизительно 50 нс. Однако как обсуждалось выше, первая компонента PDP, вероятнее всего, принадлежит прямому сигналу. Первая компонента может также содержать несколько других отраженных лучей, которые пришли почти одновременно с прямым лучом. Однако компоненты, пришедшие позднее, соответствуют в PDP отраженным лучам, которые прошли значительно большее расстояние (на 15 м больше, чем прямой луч, вследствие разрешения 50 нс). Следовательно, эти компоненты при вычислении расстояния между передатчиком и приемником нужно отбросить. Таким образом, принимаем энергию первой компоненты как энергию прямого луча (EDP). Это хотя и не идеальное решение, но оценка расстояния на основе EDP все же более надежна, чем на RSSI, поскольку на нее намного меньше влияют отраженные лучи.

Однако EDP подвержена экранированию. Например, прямой путь между ТД и мобильным устройством может быть блокирован клиентом, стоящим спиной к ТД. В этом случае блокирование только прямого пути может не оказывать влияние на отраженные компоненты сигнала. Этот факт используется для вычисления правдоподобия линии прямой видимости (LoS) с помощью величины, обозначаемой lfactor:

lfactor= EDP/RSSI

Большое значение lfactor показывает, что полученный сигнал приходит по прямому пути, то есть линия прямой видимости открыта. С другой стороны, если прямой путь блокирован, будет наблюдаться малое значение lfactor. Таким образом, можно ожидать, что экспонента потерь будет обратно пропорциональна lfactor. На рис. 3 показаны результаты измерений экспоненты потерь γ в зависимости от lfactor для прямого пути для одной ТД и линейная аппроксимация результатов. Аналогичные результаты наблюдались и для других ТД. Измерения также показали, что линейная зависимость между γ и lfactor мало изменяется в разном окружении.

CUPID – новый метод Wi-Fi-локализации от HP Labs

Рис. 3. Результаты измерения экспоненты потерь в зависимости от lfactor

Просуммируем вышесказанное. ТД вычисляет EDP и lfactor на основании данных CSI клиентской передачи и затем использует соотношение lfactor vs. γ для выбора корректного значения γ для каждого полученного пакета. Затем ТД вычисляет расстояние до клиента из уравнения (1), принимая EDP и γ в качестве известных переменных. В исследованиях HP Labs было показано, что EDP наряду с lfactor может уменьшить среднюю ошибку оценки расстояния до 4 м по сравнению с 10 м при использовании RSSI. Итак, расстояние определено. Теперь настало время вернуться к АоА.

Как уже упоминалось выше, для оценки локализации вдобавок к расстоянию большое значение имеет угол прихода сигнала. Существующие методы АоА, в частности, MUSIC, могут оценить углы, под которыми приходит сигнал, но не могут определить, какой из этих углов соответствует углу прямого пути (ANDP). Как уже обсуждалось ранее, выбор угла по максимальному пику псевдоспектра может привести к большой ошибке в случае блокировки прямого пути. Поэтому НР Labs разработала собственную схему оценки ANDP, объединенную с MUSIC.

В ее основу положено наблюдение, что с помощью анализа значений АоА для двух разных точек, через которые перемещается пользователь, возможно определить ANDP. ТД вычисляет углы прихода с помощью MUSIC, который, в свою очередь, использует CSI полученных пакетов от мобильных устройств пользователя. Анализируя значения АоА от двух разных точек, можно обнаружить два различных сценария. В первом возможно, что хотя отраженные лучи являются более сильными в этих двух точках, их углы падения различны. Наоборот, более слабые прямые лучи более согласованы, и, следовательно, ANDP может аппроксимироваться значением АоА, которое остается стабильным в псевдоспектре (рис. 4а).

CUPID – новый метод Wi-Fi-локализации от HP Labs

Рис. 4. Псевдоспектр MUSIC от двух разных точек.
(а) ANDP стабильный в двух разных точках, однако углы
отраженных лучей разные. (б) И ANDP и углы отраженных лучей разные.


Во втором – ни пики отраженных, ни прямых лучей в псевдоспектре от двух точек не расположены близко. В этом сценарии CUPID определяет ANDP, используя навигационное счисление.

Ключевая идея объясняется с помощью рис. 5.

CUPID – новый метод Wi-Fi-локализации от HP Labs

Рис. 5. Определение ANDP с использованием перемещения клиента

Предположим, что получаемый сигнал приходит под двумя разными углами: одна компонента сигнала – по прямому пути, а вторая – отраженная. Если пользователь находится в точке А, то это будут углы ΘА2 и ΘА1 соответственно. Аналогично, для точки В это будут углы ΘВ2 и ΘВ1. Для целей объяснения предположим, что компонента сигнала, которая приходит под углом ΘА1 из точки А, падает под углом ΘВ1 из точки В и аналогично - ΘА2 и ΘВ2 для двух других компонент. Пусть расстояния от точек А и В до ТД, определенные на основе EDP, будут dA и dB соответственно. Когда пользователь перемещается из точки А в точку В, расстояние между ними РАВ может быть вычислено на основание показаний акселерометра и гироскопа его смартфона – метода, называемого навигационным счислением. Тогда изменение ANDP (ΔΘ) есть не что иное как

ΔΘ = arccos((dA2+dB2—pAB2)/2*dA*dB)

(здесь использована формула квадрата стороны треугольника, лежащей против угла Θ). Теперь мы можем определить АоА (ΘBk) как угол, который претерпел такое же изменение ΔΘ.

Для определения ANDP ТД отслеживает измеренные АоА в начальной точке и во всех последующих точках, через которые перемещается пользователь. Исследователи наблюдали, что псевдоспектры от двух соседних точек (в пределах расстояния 2-3 м) имеют сходные значения АоА. Таким образом, можно объединять попарно АоА, измеренный в точке, с ближайшим углом, измеренным в последующих точках. По мере того как пользователь перемещается, можно использовать это соответствие, чтобы отслеживать каждый АоА в псевдоспектре. АоА, который подвергается такому же угловому изменению, как луч прямого пути, и будет оценкой CUPID для ANDP. Для более точной оценки ANDP алгоритм включается только тогда, когда изменение угла ΔΘ превышает 20°. Отмечается, что использование перемещения клиента для оценки ANDP требуется только для его первого измерения. В последующем ANDP только отслеживается.

Как отмечает HP Labs, разработанная ими технология позволяет достичь точности локализации около 1—2 м без использования дополнительного оборудования.

Комментарии специалистов

(Вячеслав Самойленко, менеджер категории сетевых продуктов в странах Восточной Европы из киевского офиса НР; Михаил Пикульский, архитектор сетевых решений из компании-системного интегратора ЛанТек).

Монетизация Wi-Fi доступа в общественных местах, как показала статистика в Европе и Америке, очень низкая. Люди не хотят оплачивать доступ к сети Интернет на несколько минут для того, чтобы проверить почту либо свои странички в социальных сетях. К тому же зачастую тарифы не всегда приемлемы, а способы оплаты не всегда безопасны и удобны. И это в Европе и Америке, где жители более лояльно относятся к оплате подобных услуг. У нас же можно предположить, этот бизнес еще менее рентабельный. Поэтому необходимо переосмыслить идею монетизации беспроводных сетей в том плане, что сеть теперь должна стать фундаментом для более высококачественных сервисов, которые, в свою очередь, будут возвращать инвестиции.

Первые идеи альтернативной монетизации доступа к беспроводной сети стали услуги Hotspot. Клиенту предлагается просмотреть один или несколько рекламных роликов, после которых у клиента появляется на некоторый отрезок времени доступ в Интернет. В этом случае компания, предоставляющая доступ и владелец оборудования, зарабатывает на рекламе.

Так как по большей части клиенты используют доступ с мобильных устройств к своим страничкам в социальных сетях, то логичным является предложить аутентификацию при помощи аккаунта тех же социальных сетей. Клиент делится информацией о себе и получает доступ в сеть, а владелец получает данные о своих клиентах. При этом можно предлагать поставить «лайк» либо сделать репост странички заведения, которое предоставляет бесплатный Wi-Fi. В этом случае имеем не только информацию о клиентах, но и продвижение бренда в Интернете, а также рекламы среди друзей и знакомых клиентов. Еще больше идей для бизнеса дают беспроводные сети, если известны координаты пользователя.

Система точного позиционирования покупателя/посетителя/пользователя (нужное подчеркнуть) – это лишь часть, хотя довольно важная, комплексного решения по управлению связями с потребителями (CRM). Основой такого решения является ПО (как правило, облачное), которое предоставляет покупателям/посетителям/пользователям бесплатный доступ в сеть Wi-Fi в точках продаж в обмен на регистрацию (например, нужно указать номер телефона и имя), а также накапливает информацию/ведет статистику по всем зарегистрированным в сети Wi-Fi пользователям. В зависимости от уровня ПО могут быть реализованы следующие функции:

- предоставление доступа к сети Wi-Fi посредством регистрации;
- статистика по повторным посещениям торговых точек;
- статистика по посещению торговых точек в день/в неделю/в месяц;
- статистика по посещению торговых точек в течение рабочего дня;
- статистика по маршрутам движения потоков клиентов, а также их плотности;
- статистика по используемым посетителями смартфонов (например, можно заказать рекламную рассылку только «состоятельным» владельцам iPhone 6 J);
- составление профайлов посетителей на основе сбора информации о них в социальных сетях, истории посещений торговых точек, истории покупок и т.д. Кстати, «глубина» профайла регламентируется соответствующим законодательством о защите персональных данных в конкретной стране;
- рассылка рекламной информации (например, индивидуальных купонов со скидкой) в соответствии с программируемыми правилами. Например, при приближении покупателя/посетителя/пользователя к точке продажи (а для этого и используется система точного позиционирования) ему будет отправлен купон со скидкой на товар, который выбирается исходя из профайла этого покупателя/посетителя/пользователя.

Как правило, разработчики такого ПО делают его универсальным с точки зрения работы с оборудованием Wi-Fi от разных производителей.

Примерами такого ПО могут служить решения от компании WiComs, PurpleWiFi и ряда других.

Как же взаимодействуют ключевые элементы в подобном решении? У решения от компании HP, это происходит следующим образом:

- доступ к беспроводной сети предоставляют точки доступа (и здесь в портфолио HP очень большой выбор);
- управляются точки доступа централизованно, при помощи контроллера беспроводной сети;
- визуализацией беспроводной сети и агрегацией данных о клиентах сети (координаты, уровни сигнала, и т.д.) занимается специальный модуль программного комплекса iMC (Intelligent Management Center);
- через специальный API ПО разработчиков взаимодействует с iMC, забирает данные о клиентах сети и уже дальше обрабатывает их по своим алгоритмам.

Каковы же преимущества решений, построенных на продуктах HP?

1. Методы расчета координат используют сложную математику, что требует всего лишь более производительные «процессор-память» у точки доступа и не требует дополнительных физических компонентов (таких как дополнительные антенны либо сеть маячков Bluetooth).

2. Наличие беспроводных контроллеров доступа позволяет гибко масштабировать и эффективно управлять беспроводными сетями.

3. Взаимодействие ПО разработчика с беспроводной сетью через специальный API модуля iMC гарантирует, что при изменении в логике работы контроллера либо точек доступа, схема будет продолжать работать, и разработчику не придется, снова и снова адаптировать свое ПО.

4. Ну и самым весомым плюсом в решении являются практические реализации у многих клиентов.

+11
голос

Напечатать Отправить другу

Читайте также

 
 
IDC
Реклама

  •  Home  •  Рынок  •  ИТ-директор  •  CloudComputing  •  Hard  •  Soft  •  Сети  •  Безопасность  •  Наука  •  IoT