Toward Integrated Sensing, Communications, and Edge Intelligence Networks

Titel und Kontext

Das Paper untersucht die Konvergenz von drei Schlüsselfunktionen in zukünftigen 6G-Netzen: Integriertes Sensing und Kommunikation (ISAC), Zielorientierte Semantische Kommunikation (SemCom) und Edge Intelligence (EI). Die Autoren (Merluzzi et al.) schlagen ein Konzept für „dreifunktionalen Netze" vor, bei denen dieselbe Infrastruktur und Ressourcen gemeinsam für diese drei Dienste genutzt werden.

1. Problemstellung

Herausforderungen in zukünftigen drahtlosen Netzen entstehen durch die Notwendigkeit, Ressourcen (Zeit, Frequenz, Leistung) zwischen oft konfliktären Diensten zu verteilen:

• ISAC: Nutzt Kommunikationssignale zur Umgebungserfassung (z. B. Radar). Die Herausforderung liegt in der Aufteilung von Ressourcen zwischen Datenübertragung und Sensing (z. B. Strahlformung, Leistungsallokation).
• Edge Intelligence (EI): Erfordert die Übertragung von Daten (z. B. Kamerabilder) zu einem Edge-Server für Inferenz (z. B. Objektklassifizierung). Hier besteht ein Trade-off zwischen der Komprimierung der Daten (spart Bandbreite) und der benötigten Rechenleistung auf dem Server (höhere Komplexität für robustere Modelle bei stark komprimierten Daten).
• Der Konflikt: Die Autoren identifizieren eine Lücke in der aktuellen Forschung: Bisherige Arbeiten betrachten ISAC und SemCom oft getrennt oder fokussieren nur auf die Inferenz basierend auf Sensordaten. Es fehlt ein Ansatz, der die Verfügbarkeit und Komplexität von KI-Modellen explizit in die Ressourcenallokation einbezieht, um die Koexistenz aller drei Dienste zu optimieren.

2. Methodik und Systemmodell

Das vorgeschlagene Systemmodell basiert auf einer Full-Duplex (FD) MIMO-Basisstation (BS), die folgende Dienste parallel bedient:

• Uplink (UL): Eine Kamera sendet Inferenz-Eingabedaten (z. B. Bilder) an den Edge-Server.
• Downlink (DL) & Sensing: Die BS sendet Daten an einen Nutzer (Video-Streaming) und nutzt gleichzeitig die Echo-Signale von einem Zielobjekt zur Parameterschätzung (Monostatisches Sensing).

Zeitstruktur:
Die Zeit wird in Rahmen ($t$) unterteilt. Ein Anteil $\rho_{ul}$ wird für den Uplink (Kamera-Daten) genutzt, der Rest $\rho_{dl}$ für ISAC (DL + Sensing).

• Wichtige Einschränkung: Obwohl die BS Full-Duplex-fähig ist, wird dies nur für ISAC genutzt. Der Uplink ist orthogonal (zeitlich getrennt), da die starken Kamera-Signale die schwachen Radar-Echos überdecken und die Sensing-Genauigkeit zerstören würden.

KPIs (Key Performance Indicators):

• Inferenz-Delay ($L_{tot}$): Summe aus Übertragungsverzögerung (abhängig von Datenrate und Kompression) und Berechnungsverzögerung (abhängig vom gewählten KI-Modell).
• Ziel-Effektivität ($E_g$): Wahrscheinlichkeit, dass die Inferenz innerhalb eines maximalen Zeitlimits ($L_{max}$) eine Mindestqualität ($Q_{min}$) erreicht.
• ISAC-Metriken: Erreichbare Datenrate (DL) und die Cramér-Rao-Schranke (CRB) für die Zielwinkelschätzung (Maß für die Sensing-Genauigkeit).

Mathematische Formulierung:
Die Autoren zeigen die natürliche Kopplung zwischen den Diensten auf:

1. Die Wahl des KI-Modells bestimmt die Berechnungsverzögerung ($L_{comp}$).
2. Dies bestimmt den verbleibenden Zeitbudget für die Übertragung ($L_{comm}$), was wiederum den Uplink-Anteil $\rho_{ul}$ festlegt.
3. Da $\rho_{ul} + \rho_{dl} = 1$, wird der DL/Sensing-Anteil $\rho_{dl}$ direkt durch die KI-Entscheidung beeinflusst.
4. Dies wirkt sich direkt auf die Sensing-Genauigkeit (CRB) und die DL-Datenrate aus.

Optimierungsproblem:
Es wird ein gemischt-ganzzahliges nichtlineares Optimierungsproblem ($P$) formuliert, um:

• Die Sendeleistung der BS für ISAC zu minimieren.
• Die Genauigkeit der EI-Darstellung (Anzahl der Bits $n_b$) zu maximieren.
• Unter Berücksichtigung von Constraints für CRB (Sensing), DL-Rate und Gesamt-Leistung.

Das Problem wird optimal gelöst, indem für jede mögliche Datenrepräsentation (ganzzahlige $n_b$) ein konvexes Unterproblem gelöst wird.

3. Wichtige Beiträge

1. Konzept der dreifunktionalen Netze: Erste explizite Betrachtung der gemeinsamen Ressourcenallokation für ISAC, Kommunikation und Edge-Inferenz.
2. Compute-Awareness: Der Kernbeitrag ist die Einbeziehung der Rechenressourcen und der Verfügbarkeit von KI-Modellen in die physikalische Schicht-Optimierung. Das System wählt nicht nur die beste Übertragungsstrategie, sondern passt auch die Datenrepräsentation und das KI-Modell dynamisch an die verfügbaren Ressourcen an.
3. Analyse der Kopplung: Mathematische Herleitung, wie die Wahl des KI-Modells die physikalischen Grenzen von Sensing und Kommunikation verschiebt.
4. Optimale Lösung: Entwicklung eines Algorithmus zur optimalen Lösung des gemischt-ganzzahligen Problems, der die Trade-offs zwischen Sendeleistung, Sensing-Genauigkeit und Inferenzqualität quantifiziert.

4. Ergebnisse und Simulation

Die Simulationen basieren auf einem Szenario mit 10 GHz Trägerfrequenz, 50 MHz Bandbreite und einer 16-Element-Antennen-Array.

• Vergleich: Der vorgeschlagene „compute-aware" Ansatz wird mit einem „compute-unaware" Benchmark verglichen (der ein festes, komplexes Modell annimmt, unabhängig von den Ressourcen).
• Ergebnisse:
  • Der compute-aware Ansatz erreicht bei gleicher Ziel-Effektivität (Goal Effectiveness) deutlich geringere Sendeleistungen (bis zu 50% Reduktion im Beispiel) oder bei gleicher Leistung eine höhere Ziel-Effektivität.
  • Es zeigt sich, dass die Verwendung leichterer KI-Modelle (z. B. MobileNet mit 0,12 GFLOPs statt ViT mit 33,7 GFLOPs), wenn die Sensing-Anforderungen es zulassen, die Gesamteffizienz stark steigert.
  • Eine Lockerung der Sensing-Anforderungen (höhere CRB-Schwelle) verbessert die Trade-off-Kurve für die Kommunikation und Inferenz erheblich.
  • Die Ergebnisse belegen, dass eine isolierte Betrachtung der Dienste suboptimal ist; die gemeinsame Optimierung ist essenziell.

5. Signifikanz und Ausblick

Das Paper liefert einen fundamentalen Baustein für das Design von 6G-Netzen. Es demonstriert, dass die Trennung zwischen Kommunikation, Sensing und Computing aufhören muss.

• Praktische Relevanz: Durch die Berücksichtigung von KI-Modell-Verfügbarkeit können Netze dynamisch entscheiden, ob sie Daten stärker komprimieren und ein leichteres Modell nutzen oder mehr Bandbreite für Rohdaten und ein komplexeres Modell verwenden, je nach aktueller Netzlast und Sensing-Anforderungen.
• Zukünftige Forschung: Die Autoren sehen Potenzial in dynamischen Optimierungen, die sich an das Verhalten von Zielen anpassen, sowie in der synergistischen Nutzung von Sensing-Daten zur Verbesserung der Inferenzleistung (statt sie nur als konkurrierende Dienste zu betrachten).

Fazit: Die Arbeit beweist, dass eine „compute-aware" Ressourcenallokation entscheidend ist, um die konkurrierenden Ziele von hoher Sensing-Genauigkeit, hoher Datenrate und effizienter KI-Inferenz in gemeinsamen Infrastrukturen zu erfüllen.