RuView数据架构设计：构建WiFi姿态感知系统的高效数据存储方案

架构挑战：实时WiFi姿态感知的数据管理难题

在基于WiFi的人体姿态估计系统中，数据架构面临着三重核心挑战。首先是异构数据融合问题，系统需要同时处理来自多个WiFi设备的原始信号数据（CSI）和经过神经网络处理的结构化姿态数据，这两类数据在存储格式、访问频率和生命周期上存在显著差异。其次是实时性与存储效率的平衡，高密度采样的CSI数据（每秒可达数百帧）要求存储系统具备高写入吞吐量，而姿态分析应用又需要低延迟的数据检索能力。最后是复杂查询支持，系统需要支持从多维度（时间、空间、设备、置信度）对姿态数据进行高效筛选和聚合分析。

这些挑战要求数据架构设计必须突破传统关系型数据库的局限，在保持ACID特性的同时，针对WiFi感知场景进行深度优化。

构建核心数据实体：从信号到姿态的结构化表示

设计设备实体：建立感知网络的基础元数据

设备实体作为整个感知网络的基础，需要精确记录参与姿态检测的WiFi路由器和传感器信息。

核心字段：

• mac_address: 设备唯一标识符（17字节字符串，唯一约束）
• device_type: 设备功能类型（router/sensor，非空约束）
• status: 运行状态（active/inactive/maintenance/error，检查约束）
• location_coordinates: 三维空间坐标（x,y,z浮点数组）
• network_config: 网络配置参数（JSON结构）

设计考量：采用UUID作为主键实现分布式环境下的唯一性，通过复合索引（mac_address+status）优化设备状态查询。坐标信息采用独立字段而非嵌入式JSON，便于空间范围查询。设备类型字段采用枚举约束确保数据一致性，为未来支持新型感知设备预留扩展空间。

定义会话实体：组织时间维度的数据采集单元

会话实体用于组织时间维度上的数据采集过程，是连接设备、原始信号和姿态结果的关键纽带。

核心字段：

• session_id: 会话唯一标识（UUID）
• device_id: 关联设备ID（外键约束）
• time_bounds: 时间边界（开始/结束时间戳，纳秒精度）
• configuration: 采集配置参数（JSON）
• statistics: 会话统计数据（已处理帧数、平均置信度等）
• status: 会话状态（准备/活跃/完成/中断）

设计考量：通过device_id+started_at的复合唯一约束防止重复会话，时间戳采用纳秒级精度确保时序数据的准确性。会话统计数据采用JSON类型存储，在保持查询灵活性的同时减少表字段数量，通过触发器实现统计数据的自动更新。

构建CSI数据实体：存储原始信号的时空特征

CSI（Channel State Information）数据实体是系统的"原始素材库"，需要高效存储从WiFi信号中提取的信道状态信息。

核心字段：

• csi_id: 数据记录唯一标识（UUID）
• session_id: 关联会话ID（外键）
• timestamp_ns: 采集时间戳（纳秒级）
• sequence_number: 帧序列号（设备内自增）
• signal_data: 信号数据（幅度/相位数组）
• frequency_params: 频率参数（中心频率、带宽）
• processing_state: 处理状态标记

设计考量：采用session_id+timestamp_ns+sequence_number的复合唯一约束确保数据完整性，信号数据使用PostgreSQL的FloatArray类型优化存储效率。通过分区表策略（按时间范围分区）提升大规模CSI数据的查询性能，针对timestamp_ns和processing_state建立组合索引优化数据处理流程。

设计姿态检测实体：存储结构化的人体姿态数据

姿态检测实体是系统的核心输出，需要精确记录从WiFi信号中解析出的人体姿态信息。

核心字段：

• detection_id: 检测结果唯一标识（UUID）
• session_id: 关联会话ID（外键）
• frame_metadata: 帧元数据（时间戳、帧序号）
• pose_data: 姿态数据（关键点坐标、置信度）
• confidence_scores: 多维度置信度指标
• model_version: 模型版本信息
• processing_metrics: 处理性能指标

设计考量：姿态数据采用JSONB类型存储，结合GIN索引支持高效的JSON路径查询。置信度分数单独存储为数值字段，便于排序和筛选操作。通过session_id+frame_number的复合索引优化按会话和时间顺序的查询，与CSI数据保持时间对齐以便联合分析。

优化关系模型：构建高效数据关联网络

建立实体关系网络：实现数据的有机组织

核心关系设计：

• 设备-会话：一对多关系（一个设备可创建多个采集会话）
• 会话-CSI数据：一对多关系（一个会话包含多帧CSI数据）
• 会话-姿态检测：一对多关系（一个会话产生多帧姿态结果）
• CSI数据-姿态检测：一对一关系（一帧CSI数据对应一帧姿态结果）

这些关系通过外键约束实现数据完整性，同时通过精心设计的索引策略优化关联查询性能。例如，在csi_data表上创建(session_id, timestamp_ns)的复合索引，使按会话和时间范围查询CSI数据的操作效率提升80%以上。

设计跨实体索引：加速多表关联查询

关键索引策略：

• 复合业务索引：在pose_detections表上创建(session_id, person_count, detection_confidence)复合索引，优化多条件查询
• 覆盖索引：为常用查询路径创建覆盖索引，避免表扫描
• 部分索引：对活跃会话的数据创建专门索引，提升热点数据查询速度

以下是一个跨表查询优化示例，通过合理的索引设计，将"查询特定设备在特定时间段内高置信度姿态数据"的操作从全表扫描优化为索引扫描：

-- 优化前：全表扫描多个表
SELECT p.* FROM sessions s
JOIN pose_detections p ON s.id = p.session_id
WHERE s.device_id = 'uuid' 
  AND s.started_at BETWEEN 'time1' AND 'time2'
  AND p.detection_confidence > 0.8;

-- 优化后：使用复合索引快速定位
-- 创建索引：CREATE INDEX idx_session_device_time ON sessions(device_id, started_at)
-- 创建索引：CREATE INDEX idx_pose_session_confidence ON pose_detections(session_id, detection_confidence)

实施存储策略：平衡性能与成本的技术方案

实现分层存储架构：优化存储成本与访问效率

针对不同类型数据的访问特性，实施三层存储策略：

1. 热数据层：最近24小时的CSI和姿态数据，存储在高性能SSD上，采用完整索引支持实时查询
2. 温数据层：7天内的历史数据，存储在普通HDD上，保留核心索引
3. 冷数据层：超过7天的历史数据，进行压缩归档，仅保留必要元数据

通过PostgreSQL的表空间功能实现物理存储分离，结合自动分区策略实现数据在不同存储层之间的自动迁移。

设计数据生命周期管理：自动化数据治理流程

数据生命周期策略：

• 实时处理阶段（0-1小时）：完整保留原始CSI和姿态数据，支持毫秒级查询
• 分析阶段（1小时-7天）：保留姿态数据和CSI关键特征，原始信号数据压缩存储
• 归档阶段（7天以上）：仅保留姿态数据和会话元数据，CSI数据按需求选择性归档

通过数据库作业调度系统实现自动化数据迁移和清理，同时提供API支持基于业务需求的数据保留策略调整。

应对高并发写入：优化写入性能的技术手段

写入优化策略：

• 批量写入：将CSI数据采集端的写入操作批量化，每批次处理500-1000条记录
• 异步提交：非关键数据采用异步提交模式，降低事务等待时间
• 分区写入：按时间分区的表结构使写入操作分散到不同物理文件
• 预写日志优化：调整PostgreSQL的WAL参数，平衡写入性能和数据安全性

实施这些策略后，系统可支持每台设备每秒300+帧CSI数据的持续写入，同时保持事务一致性。

保障数据一致性：构建可靠的数据质量屏障

实施约束体系：确保数据有效性与完整性

多层次约束设计：

• 类型约束：严格定义字段数据类型和长度限制
• 业务规则约束：通过CHECK约束实现业务规则，如"置信度必须在0-1之间"
• 引用完整性：通过外键约束确保实体间关系的一致性
• 唯一性约束：防止重复数据录入，如设备MAC地址和序列号的组合唯一

以下是一个完整性约束示例：

# 姿态检测结果表的约束定义
__table_args__ = (
    # 确保置信度在有效范围内
    CheckConstraint("detection_confidence >= 0 AND detection_confidence <= 1", 
                   name="check_confidence_range"),
    # 确保人员数量非负
    CheckConstraint("person_count >= 0", name="check_person_count_positive"),
    # 复合唯一约束防止重复帧
    UniqueConstraint("session_id", "frame_number", name="uq_session_frame"),
)

实现事务管理：保障关键操作的原子性

针对数据采集和处理的关键流程，设计完整的事务管理策略：

• 采集事务：确保每帧CSI数据及其关联的元数据要么全部写入，要么全部失败
• 处理事务：姿态检测结果与原始CSI数据的关联更新作为原子操作
• 会话管理事务：会话的开始、结束和状态变更操作保证一致性

通过保存点（savepoint）机制处理长事务中的部分失败场景，在保证数据一致性的同时提高系统可用性。

演进路线：面向未来的架构扩展规划

短期演进（0-6个月）：性能优化与功能完善

• 实现基于时序数据库（如TimescaleDB）的CSI数据存储扩展，提升历史数据查询性能
• 开发数据自动备份与恢复机制，增强系统可靠性
• 优化跨表查询性能，支持更复杂的多维度数据分析

中期演进（6-12个月）：架构扩展与能力增强

• 引入数据湖架构，整合多模态感知数据（WiFi、雷达、摄像头等）
• 实现分布式数据存储，支持多节点部署和负载均衡
• 开发实时数据处理流，支持姿态数据的实时分析和异常检测

长期演进（1-2年）：智能化与自适应能力

• 基于机器学习的存储策略优化，实现数据生命周期的自动调整
• 构建全球分布式数据存储网络，支持大规模部署和协同感知
• 开发数据隐私保护机制，实现敏感姿态数据的安全存储和共享

数据架构的持续演进将确保RuView系统能够适应不断增长的数据量和日益复杂的应用场景，为WiFi姿态感知技术的产业化应用奠定坚实基础。通过模块化的设计和可扩展的架构，系统能够在保持核心功能稳定的同时，灵活集成新的数据类型和存储技术。

WiFi-DensePose系统架构图：展示了从WiFi信号采集到姿态检测结果的数据流程，数据库在其中扮演着数据存储和管理的核心角色，连接原始信号处理与姿态数据应用。

通过这套数据架构设计，RuView系统实现了WiFi姿态感知数据的高效存储、管理和应用，为穿墙人体姿态跟踪技术的产业化应用提供了坚实的数据基础。架构的设计不仅满足了当前的功能需求，更通过模块化和可扩展的设计为未来发展预留了充足空间。