通信-感知-计算-存储深度融合下的无线资源管控.pdf

1“6G通感算融合”专题！通信-感知-计算-存储深度融合下的无线资源管控周雪，张子扬，刘向南，管婉青，张海君（北京科技大学，北京10 0 0 8 3）【摘要】为满足多样化应用与极致性能需求，6 G网络将提供通信、感知、计算与存储的融合服务，实现无缝泛在连接、全域精准感知的愿景。围绕通感算存深度融合下无线资源管控研究，首先简要介绍了通感算存融合网络的产生背景和无线资源管控研究现状，并对通感算存深度融合的灵活组网架构构建与关键技术进行了阐述。进一步地，为实现通感算存深度融合下的多域资源高效管控，对移动边缘计算网络和通感一体化网络的无线资源管控关键技术进行了分析讨论，并在此基础上探讨了通信、感知、计算与存储融合下的无线资源管控相关技术难点。【关键词】6G网络；移动边缘计算网络；通感一体化网络；通感算存融合网络；无线资源管控doi:10.3969/j.issn.1006-1010.20240125-0004中图分类号：TN929.5文献标志码：A文章编号：10 0 6-10 10(2 0 2 4)0 3-0 0 2 6-14引用格式：周雪，张子扬,刘向南,等.通信-感知-计算-存储深度融合下的无线资源管控.移动通信,2 0 2 4,48(3):2 6-39.ZHOU Xue,ZHANG Ziyang,LIU Xiangnan,et al.Wireless Resource Management under the Deep Integration of Communication,Sensing,Computing,and CachingJJ.Mobile Communications,2024,48(3):26-39.Wireless Resource Management under the Deep Integration of Communication,AbstractTo meet the diverse application demands and achieve extreme performance requirements,6G networks will offer integratedservices of communication,sensing,computing,and caching,realizing the vision of seamless ubiquitous connectivity anduniversal precise sensing.This paper delves into the study of wireless resource management under the deep integrationof communication,sensing,computing,and caching(CSCC).Initially,it provides an overview of the genesis of CSCCnetworks and the current state of wireless resource management.It then elaborates on the construction of flexiblenetworking architectures and key techniques underpinning deep CSCC integration.Furthermore,to facilitate efficient multi-domain resource management in this integrated framework,we analyze and discuss key techniques for wireless resourcemanagement in mobile edge computing networks and integrated sensing and communication networks.On this basis,thetechnical challenges related to wireless resource management under the integration of communication,sensing,computing,and caching are discussed.Keywords6G networks;mobile edge computing networks;integrated sensing and communication networks;integrated communication-sensing-computing-caching networks;radio resource management0引言随着通信技术的更新选代和创新发展，虚拟现实、元宇宙、数字李生等沉浸式应用场景将逐步落地，并伴随着海量数据滋生，对未来移动网络中密集设备间的稳定通信需求带来了新的技术挑战。此外，在下一代移动通信网络中，需要对智能终端设备的位置、通信、运行收稿日期：2 0 2 4-0 1-2 5*基金项目：国家自然科学基金青年基金项目“异构联邦环境下多租户网络切片智能管理技术研究”（6 2 10 10 31）26移动通信2024年3月第3期OSID:Sensing,Computing,and CachingZHOU Xue,ZHANG Ziyang,LIU Xiangnan,GUAN Wanqing,ZHANG Haijun(University of Science and Technology Beijing,Beijing 100083,China)扫描二维码与作者交流等状态信息进行全域高精度感知，以支撑智能制造、无人驾驶、智慧医疗等极低时延业务场景。同时，大规模数据传输导致通信网络过载的问题，也对网络实时高效的计算与存储能力提出了较高要求。因此，通信、感知、计算与存储是实现未来6 G网络数字世界与物理世界自由连接和融合最重要的基础能力。为实现万物互联、多维感知和普惠智能的愿景，未来无线通信系统对网络的信息处理和感知能力提出了更高的要求，通信感知一体化（ISAC，In t e g r e t e d Se n s i n gandCommunication）受到业界和学界的广泛关注。ISAC第48 卷总第52 3期周雪，张子扬，刘向南，等：通信一感知一计算存储深度融合下的无线资源管控移动通信通过频谱共享、硬件共享、信号共享等方式，使网络在进行数据传输的同时，能够通过无线信号的发射和接收，感知目标物体的方位、距离速度等信息，或基于网络通信能力提升设备感知质量，或通过传感方法预测通信目标的移动和通信环境的变化，以优化通信管理，从而获得通信与感知能力的协作增益与融合增益。另一方面，由于海量数据的处理需求，计算与通信融合也引起了业界和学术界的极大兴趣。在6 G时代，各种智能终端设备间除了需要具备稳定的通信连接能力和精准的感知能力外，还应被赋予智能泛在的计算能力，通过对数据的分析与处理以实现各种智能决策和控制2 。从以云化技术为基础的云计算出现为网络用户提供弹性敏捷的计算服务，到移动边缘计算技术将算力向网络边缘扩展以应对海量接入的终端设备，并进一步随着算网融合趋势形成一个集中和分散统一协同的云网边端泛在化计算服务框架。计算需求将在通感融合网络中呈现指数级增长趋势，这也成为服务于通感融合网络的一个重要模块。此外，为了处理通感算网络中的巨大流量请求，需要对终端设备产生的海量数据进行合理存储，以降低基站负载和通信访问延迟，这也对网络边端侧的存储能力带来了挑战。基于以上讨论，通信、感知、计算与存储融合迫在眉睫，通感算存深度融合不仅能满足极低时延、极高能效、极大容量等6 G需求，还能促使各模块互惠增强，互利共生，成为新一代移动信息网络的发展态势。由于差异化场景对感知精度、分辨率及通信范围、速度等的需求不同，传统网络架构难以突破6 G网络多维感知、协作通信、高效计算、智能缓存的深度融合壁垒，满足各类新型业务的多样化需求。例如对于虚拟现实等沉浸式应用，需要通过头戴式设备、三维音频技术、触觉反馈技术模拟真实世界视觉、听觉和触觉精准感知，并确保高带宽和低时延连接，保证图像、声音等数据的实时传输和用户在虚拟环境中的实时交互通信。同时，用户的动作交互需要实时计算以更新虚拟环境的状态并随时响应用户输入，大量的图像、声音和场景数据需要缓存或加载到本地设备，以便在用户移动时能够无缝加载和呈现，减少网络延迟；在自动驾驶技术领域，需要车辆和路侧单元的协同感知和通信，对边缘层设备的计算能力提出要求以保证环境信息处理的实时性，并且大量传感器生成的数据需要进行存储以供后续分析和学习使用。在此背景下，呕需设计面向通信-感知-计算-存储深度融合的组网架构，以实现通信和感知的硬件共享以及算智赋能的通感数据处理与存储。为提供更优的通信-感知计算-存储多维联合服务，面向6 G通感算存深度融合的系统架构需要考虑从多个层面进行划分，并打通跨域之间的联系。多节点协作是通感算存深度融合网络需要引人的关键技术，利用多个节点进行协作通信和感知，能够突破单节点受到的工作范围和设备条件限制，提升感知精度和通信质量5。而对于多点协同情况，多个ISAC收发机可能工作在不同频段，因此呕需设计多频协同的通感算存融合网络架构，全方位提升通感效能。另一方面，在终端设备激增、资源有限、通信链路受阻、感知精度受限的通信场景下，通感算存深度融合网络趋于复杂化的特点使得有限的无线资源与多元业务间的匹配往往存在竞争、制约等多种复杂关系。为了同时支撑设备通信、环境感知和数据计算与存储多维服务，针对通感算存深度融合网络的高效资源管控显得尤为重要。针对通算融合的无线资源管控，云边协同作为一种新型计算范式，可以通过终端单元进行实时感知，并在终端、边缘和云的任何位置单独或协同处理数据，为无线网络提供更加智能高效的数据处理和计算服务。同时，为保证边缘服务器与设备间的高效通信和资源管理，移动边缘计算将结合AI实现边缘智能，为通算融合带来更多的智能计算服务和更灵活的网络部署，以满足智能应用日益增长的算力需求。针对通感融合的无线资源管控，需要考虑子载波分配、功率控制与波束赋形策略，以优化传输功率和提升通信感知的质量7。其次，面对通信和感知之间的干扰，基于通感融合方式和干扰来源确定干扰的消除方式，并且设计智能超表面（IRS,Intelligent Reflected Surface）赋能下ISAC资源分配方案，通过灵活应用IRS的相位变换来改善传播条件、提升系统容量，并实现资源的优化配置8 。针对通感算存融合的无线资源管控，通常考虑利用频谱共享、新型多址接入、缓存部署等技术来实现对通感算存网络中有限频谱资源的高效利用，并通过波束赋形技术降低信号间干扰，实现通信质量的稳定性。另一方面，在通感算存融合进程中，未来6 G网络通过各种智能传感设备对周围环境进行感知和分析以支持互联泛在的智能服务，人工智能（A I，A r t i f i c i a l In t e l l i g e n c e）技术将与网络整体空间、智能设备融合建立起环境智能9，加速了通感算存融合进程。为了应对网络中多元业务日益膨胀的计算需求，研究人员一般设计任务卸载决策将任务卸载到边缘服务器端执行，可以有效减轻通感算存融合下核心网络的负担，减轻网络能耗。同时结合缓存部署策略，利用用户设备的存储空间，设计基于移动边缘计算的设备到设备边缘缓存系统，将数据或内容存储在离用户更近的地方，用户可通过sidelink链路直接从附近用户获取所需内容，无需通过蜂窝回程链路0 ，减少了用户访问数据的时间，从而更好地提升用户服务质量。272024年3月第3期第48 卷“6G通感算融合”专题1总第52 3期安全面智能面控制面用户面本文对通感算存深度融合网络组网架构构建与关键技术突破方面进行了阐述。然后，对通感算存深度融合下的无线资源管控关键技术难点进行了分析讨论，探讨在通算融合下，如何利用云边协同技术、AI赋能移动边缘计算，解决设备计算资源不足、网络能耗和延迟等问题，实现对边缘服务器通信连接、资源调度、数据缓存等智能化管理；在通感融合下，如何设计子载波分配和功率控制策略、IRS辅助ISAC方案，改善传播条件、提升系统容量、减少干扰，实现资源配置优化；在通感算存融合下，如何利用频谱共享、波束赋形、计算卸载与缓存部署、环境智能等技术提升频谱资源利用率、保证数据安全共享、降低信号干扰等，保障网络的高速率通信、可靠感知和海量计算需求，为实现通感算存网络下的多域资源高效管控提出了重要的解决途径，给出了决策性建议。1通信-感知-计算-缓存融合组网架构云计算、移动边缘计算以及分布式AI的发展推动了计算缓存与通信感知的进一步融合。6 G通感算存深度融合网络架构将在支持无线通信和感知“多要素共享、多频段协同、多节点协作”特征基础上融人智能计算和存储的系统架构1，在进行设计时需注重整体架构的协调性和拓展性，并将云原生、虚拟化以及微服务等设计理念纳入考虑，以实现通信-感知-计算存储在资源、数据以及功能服务间的高效组织和联动。因此，聚焦通感算存融合网络的协调管理与服务优化目标，设计更合理的通感算存融计算域合组网架构并实现分布式通感算存融合系统的协调统一，确保通信、感知、计算和存储的硬件共享与高效协同中充分挖掘和发挥通感算存融合网络的潜力和优势。1.1分层多面的6 G通感算存融合组网架构6G通感算存深度融合网络架构具有协调统一、灵活拓展、弹性接人的特性，网络功能和接口协议将通过原生设计的方式支持感知、计算与存储功能，并与传统的通信功能协同，通过控制层实现资源的高效管控和智能编排，从而提供一体化服务功能及端到端的服务质量保障。面向未来通感算存融合的多样化需求与挑战，设计分层多面的6 G通感算存融合组网架构，如图1所示，实现层与面之间、资源维度到功能维度的全方位兼容与整合，满足海量终端设备在智能服务环境下接人一体化系统需求的同时保证高效地适配各类网络和计算资源，以及在大批量感知数据处理需求下维持计算和存储的准确性及数据转发的实时性。（1）层级纵向划分资源层：在6 G通感算存融合网络架构中，资源层发挥着至关重要的基础支撑作用。资源层除了包含一般无线网络所具有的计算能力、网络带宽、存储容量和通信频谱等资源之外，还需要针对感知数据处理与分析、感知辅助通信策略制定等新型任务，整合智能计算单元、数据缓存设施以及专门为加速特定业务流程而设计的异构融合硬件设备。该层不仅涵盖物理与虚拟资源统计与调度系统，确保各类资源得到优化配置，并且通过精细化控制机制实通信域感知域存储域服务层控制层功能层连接层资源层安全服务服务编排信道估计组网连接能量资源连接服务资源管控波束赋形至简协议网络资源定位服务切片管理干扰管控网络感知频谱资源AI服务算力调度数据处理信令路由算力资源备份服务容量编排隐私存储缓存接入储存资源图1分层多面的6 G通感算存多域融合框架示意图28移动通信2024年3月第3期第48 卷总第52 3期周雪，张子扬，刘向南，等：通信一感知一计算存储深度融合下的无线资源管控移动通信现对上层功能需求的底层支持和动态响应。资源层实体可以分布于云端和边缘节点、用户基站及空天地海环境中，形成立体交错、功能强大的资源配置网格，以确保从宏观到微观的全面覆盖和管控。具体到每个节点位置，则是汇聚云计算服务器群组、移动边缘计算单元以及海量支持通感算存的终端设备所共同组成的功能强大的计算簇。在上述分布式层级结构中，资源状态信息可以经由主动上传或被动检测手段获取更新，进而允许系统依据实时反馈进行自优化，并根据控制层的指令及任务负载变化情况灵活调度相应资源。此外，在资源层引人数字李生技术，使得物理计算、存储和网络资源可以被抽象成虚拟实例，在逻辑上重组形成各式各样所需配置。1）连接层：连接层负责实现智能高效的通感算存融合组网连接功能，涵盖网络状态感知、至简协议设计、全服务化调用、无状态传输和确定性转发等一系列先进技术，为智能算存与通信感知的深度融合提供了网络层面的支撑。传统雷达、无损检测和遥感等感知系统不存在网络与终端的概念，而移动通信系统具有强大的组网能力，可通过蜂窝网络大规模部署，以及基站与终端、基站和基站、基站和核心网之间的交互，进而实现连续覆盖、移动性管理、服务质量（QoS，Q u a li t y o f Se r v i c e）保障等网络能力。将感知能力和网络节点计算与存储能力引入移动通信网络、构建通感算存融合的移动网络势必会进一步发挥这种网络交互优势，实现通感算存的相互促进，将网络能力由单一传统通信维度进一步扩展到通信、感知、计算与存储相互赋能的多重维度，进而扩大网络的业务范围与提升整体性能。移动通信网络在接人网和核心网都需要具备通感算存融合能力，在接人网方面，基站和终端需要集成感知信号收发和智能计算与存储处理模块，核心网方面则需要引人感知网元负责感知的控制面和数据面，并新增其与网络数据分析功能单元之间的接口，赋能感知信息智能计算和存储处理，并支持感知业务调度、感知信息提取、感知信息处理、感知能力开放等功能。在连接层还应当考虑适配通感算存深度融合网络的协议设计，6 G拟采用的至简协议将考虑按需灵活映射的无线承载体系和算网融合的无线QoS体系，使能无线网络针对每个数据包的QoS感知，保障计算、存储融合到无线承载模型定义中，并且更加开放灵活，能够按照通感算存融合的具体业务需求进行智能调整和适应。在进行连接层的组网设计时，通信感知和计算存储的连续性需要受到重视，通信感知的节点切换、分布计算单元的协同及业务的服务器迁移等机制都应被合理地规划设计，保证为上层提供服务的连续性。2）功能层：功能层在连接层的基础上，通过设计诸如信道估计、波束赋形、干扰管控和数据处理等基本功能，为上层提供稳定的服务接口、数据传输保障和决策执行能力支撑。针对通感算存深度融合的架构设计，该层根据各功能实体的特性精细划分为原子能力单元，各单元通过对下层信号发射接收以及数据采集计算的控制，形成提供给上层的信号测量与信道估计、波形设计与波束赋形、功率控制与干扰协调、数据收集与智能算存等一系列网络原子能力。基于智能内生的设计理念，原子级功能单元的划分与统筹能够实现通感算存融合网络的实时精确的控制与运营，确保服务层能够响应不同业务场景的多样化需求。3）控制层：控制层作为服务层与下层的承接层，面向具体服务需求，宏观调度网络资源、感知资源、算力资源和存储资源，实现对整个通感算存深度融合网络环境的优化管理。具体地，服务编排能迅速将服务层的需求分解为具体的服务功能和质量标准，资源管控则通过在该层部署资源分配框架，引入感知服务和存储服务质量标准，考虑通信和感知服务的公平性和全面性标准，基于此对于资源层进行指令控制，实现多域资源的合理分配。对于切片管理功能，控制层通过收集网络切片相关实时信息，利用切片资源分析和预测模型，实现对网络切片业务量、资源需求、切片用户业务体验的统计和预测，构建网络切片配置，最终用于优化网络切片资源分配和网络切片选择策略等。4）服务层：服务层直接面向用户，提供通信域、感知域、计算域、存储域的跨域融合服务，将具体业务需求映射为各域能力指标并交由控制层和功能层进行具体策略制定及实现。服务层以下的四层均进行封装处理，服务层提供给用户统一的接口，用户无需关注下层实现细节。（2）面级横向划分用户面：在通感算存融合网络架构中，用户面传输协议需兼容通感算存新业务带来的新型数据，如感知测量与感知结果数据、机器学习模型训练数据、分布式计算中间数据等。除传统的数据包转发与处理基本功能外，用户面还将向可编程、服务化以及跨域确定性等方向演进，实现灵活、高性能转发，并采用模块设计完成功能解耦，以实现协议栈弹性编排、灵活配置。用户面支撑泛在连接下的数据传输需求，促进跨域协同，保障端到端QoS，同时支持智能业务感知，以提供差异化QoS保障。控制面：控制面通过统一的管理，动态协调与调度分布式多域资源，实现通信、感知、计算与存储服务的整合。包括对服务层中业务的编排及业务逻辑优先级的划分、对连接层中信令和接入权限的管理、对资源层中无线资源的动态调度等。控制面功能也包括实现感知、计算与存储服务的链接控制服务。感知控制指网络和用户设备间的感知292024年3月第3期第48 卷“6G通感算融合”专题总第52 3期控制信令、感知资源使用情况、对网外多模态感知数据的管理与配置。计算控制与存储控制是进行计算处理与数据存储服务所需的控制指令，包括网络和用户设备各链路间与分布式节点间的计算、存储服务信息传递，以及各节点的算力资源和负载状态信息的实时更新等。智能面：智能面支持通过分布式智能节点的协同提供全局AI能力，可为其他层和域按需提供强大算力和网络智能管理相关能力，实现智能内生。安全面：未来通感算存融合网络面临海量终端接人和多元化业务需求，涉及个人信息、位置信息等敏感数据的处理，同时由于数据的来源和特征都具有多样性特点，确保数据的真实性、完整性和信任性对6 G网络的安全和可靠的决策及计算结果至关重要。安全面通过实时监测网络安全状态，并基于密码学隐私保护、区块链和人工智能等新技术构建内生安全架构，统筹通感算存数据的采集、传输、处理、存储与共享全生命周期，保护网络免受恶意攻击和隐私泄露的威胁，以保障用户服务质量并且增加数据服务的安全性。（3）多域协同部署通信域：提供可靠高效的6 G通信网络基础设施，实现网络动态覆盖和服务，保障设备之间的数据传输和协议处理等通信功能，使不同设备之间能够进行信息交互。感知域：主要由基站及终端感知设备组成，通过获取区域内传感设备的感知信息，形成多视角、全方位目标协同感知体系。计算域：主要由边缘服务器和云计算中心组成，通过将计算单元和计算能力嵌入网络节点，实现云、网、边、端计算能力的高效协同，更好地支撑各类通感算存数据的处理和分析等计算服务，以满足未来多种应用场景的算力服务需求和移动性带来的计算任务动态迁移等问题。存储域：提供各类数据存储和共享服务，包括临时存储、长期存储等，支持数据检索和共享。分层多面的6 G通感算存融合网络架构通过多域协同的交互设计，实现多维感知、协作通信、智能计算和高效存储功能的深度融合和互惠增强。具体而言，控制层接收由用户面转发的来自服务层的通感算存业务需求数据包，并基于功能层各项功能对业务意图进行分析、识别，分解成若干原子能力单元，如组网连接、信令路由以及缓存接人等，由控制面发起对网络设备运行状态和资源使用情况进行智能感知请求，并根据用户面感知结果数据动态协调分布式多域资源，提供通信域、感知域、计算域、存储域跨域资源调度服务，实现信道估计、波束赋形、计算处理、隐私保护等服务，再经由控制层实现对资源层映射后的通感算存资源的自治管控与服务编排等，从移动通信302024年3月第3期而满足来自服务层的通信、感知、计算与存储服务需求。1.2智能分布协同的通感算存融合组网架构面向复杂多变的感知环境和应用场景，单点感知模式往往不能展现出最佳的性能。而在通信的发展历程中也曾面临相似的问题，针对单点通信受到的限制，随着多输入多输出（MIMO,MultipleInputMultipleOutput）技术的提出，对空域资源挖掘逐渐深人，协作多点技术应运而生。多节点协同感知成为通感算存融合网络发展的必然趋势。文献12 则聚焦于物理层，设计了一种面向雷达通信双功能的协调多点系统，分别以通信和感知为中心进行了波形设计和效果评估。文献13 进一步研究了融人协作多点感知的移动感知网络，在利用多节点进行感知信号的接收和发送过程中，避免了单节点感知中的自干扰问题，降低对硬件自干扰删除能力的要求，并且借助融合网络对多节点感知信息联合处理，达到提升感知精度、扩大感知范围、增强感知连续性的效果，还考虑了网络架构及通感协议，为分布协同的通感算存融合组网提供了理论支持。通感算存融合网络内协作节点通过数据分布式获取和传输处理实现感知能力动态部署，通过多点感知数据融合减少测量的不确定性，提升感知的性能。多节点协作的核心问题是如何融合处理协作多节点的多维信息从而最大化协作接收增益，融合方式可以根据融合时感知信号的处理程度划分为软融合、中性融合和硬融合三种，实际中可以考虑服务器和接收节点的算力资源和传输资源来选取合适的融合方式。随着AI技术的发展，深度强化学习（DRL,DeepReinforcement Learning）、深度学习（DL,Deep Learning）、联邦学习等先进技术将赋能分布协同的通感算存网络的网络切片管理、数据融合计算、隐私数据安全传输等方面。在多点协作通感算存深度融合系统下，将移动边缘计算与AI技术相结合，构建面向6 G的智能通感算存融合分布式网络架构，如图2 所示。2通信-计算融合无线资源管控随着移动通信技术的更新迭代及多样化业务需求的发展，大量异构终端设备与各种新兴应用产生的海量数据及有限的无线资源，对无线通信网络的通信质量、计算能力、存储能力、系统能耗等提出了较高要求。针对如图3所示的通信-计算融合网络无线资源管理架构，本文将介绍利用云边协同技术解决通算融合网络中的智能设备计算资源不足问题；分析利用AI赋能移动边缘计算，实现应用数据缓存、边缘服务器通信与资源调配智能化管理；并探讨环境智能如何加速通信计算的融合。第48 卷总第52 3期周雪，张子扬，刘向南，等：通信一感知计算存储深度融合下的无线资源管控云端（云中心服务器）边缘AI模型更新通感信号口?全局AI模型下载多点感知数据融合通感AI信息多点协同感知口感知回波信号图2智能通感算存融合分布式网络架构通信资源资源分配计算资源计算卸载存储资源数据缓存智能算法雾节点（路由器、交换机等）边缘节点（微基站等）终端+计算通信移动通信智能通感设备2.1基于云边协同的通算融合无线资源管控云边协同架构主要由用户层、边缘层和云层组成。其中用户层主要由各种终端设备组成。边缘层由蜂窝基站、边缘服务器等各种网络和计算设备组成。边缘层通过LTE、W i-Fi 等无线接入技术为智能设备提供无线接人。云边协同计算结合了移动边缘计算和云计算优势，可以智能通感设备智能通感设备图3移动边缘计算网络赋能智能通感设备克服云计算集中式模型时延高、移动边缘计算算力不足的缺点，能够有效解决通算融合网络中智能设备资源不足问题，更好地满足各种应用场景的计算需求。任务卸载是基于云边协同的通算融合网络中重点关注的问题，往往需要设计合理的卸载决策方案将任务分配给最近的资源可用的云边服务器，以便最大程度降低响应延迟。312024年3月第3期第48 卷1“6G通感算融合”专题！总第52 3期由于移动设备电池容量有限，在顺利执行任务的前提下最小化能耗也是重要研究目标。因此在考虑最小化任务卸载延迟或者设备能耗的研究基础上，现有研究主要考虑将能耗和延迟两者间的权衡作为优化目标14-15。文献14 针对6 G网络中“端-边-云”三层框架协同下的移动设备任务卸载问题，制定了多目标优化任务卸载模型，提出了一种基于改进自适应参考点进化算法的任务卸载方案，实现在卸载多个移动设备计算任务之前，降低整体移动设备的延迟和能耗，并平衡多个边缘节点上的计算负载。实验结果验证了所提算法在解决任务卸载问题和优化多个目标方面具有较好的效果。由于多边缘节点资源有限及分布不均，文献在考虑延迟和能耗的优化外，还考虑了边缘节点负载的平衡，有效避免了边缘节点过载导致的延迟增加和闲置造成的资源浪费。但其将整个任务完全转移到云边服务器执行，虽然简化了决策，却引人大量通信开销。为了应对多样化应用场景下的大量数据传输任务，计算卸载的目标应逐渐从整个任务卸载向子任务卸载级别转变。文献15 关注子任务卸载决策问题，提出一种面向依赖物联网应用的智能任务卸载方案，将应用程序分割成一组依赖的子任务，依次传输到一组边缘节点等待执行。将任务卸载问题解耦为调度和卸载子问题，设计了一种生成器-执行器多队列优先级调度算法来确定子任务卸载顺序。在此基础上，设计基于DRL的计算卸载算法，确定每个任务应卸载到的移动边缘计算节点和要分配给的计算资源，以实现低延迟和低能耗，在收敛性、时延和能耗方面具有较好的表现。虽然以上研究都关注了多目标优化问题，但优化资源分配也是需要关注的重点。文献16 关注于车载移动边缘计算网络中多个车载用户任务卸载问题，利用物理层安全技术和频谱共享架构，提出一种基于DRL的联合安全卸载和资源分配方案，通过共同优化发射功率、频谱选择和计算资源分配，在提高保密概率的同时最大限度减少系统处理延迟。所采用方案的多个车载用户智能体能成功适应高动态网络，并在保护机密信息的同时提高系统时延性能。相比较于文献14 和文献15，其考虑了卸载过程中多域资源的优化以及敏感时延业务的安全卸载，但是没有结合云边协同优势，增加了边缘节点的计算负载，且没有考虑到任务的分解卸载和能耗优化等问题。综上所述，针对云边协同的任务卸载，除了考虑延迟、能耗、计算负载均衡等多目标优化外，还需要关注对任务进行分割，并设计合适的分割和同步机制，将任务卸载到合适的云边节点进行处理。同时，在未来的研究中，移动通信322024年3月第3期还应考虑使用联邦学习、区块链等技术加强对敏感型卸载任务的安全保障。2.2人工智能赋能的通算融合无线资源管控在通信计算融合发展进程中，面对爆炸式增长的终端设备和多样化应用计算需求，利用移动边缘计算进行任务卸载和资源分配需要掌握无线信道状态、可用带宽、计算资源等复杂网络信息，对于边缘服务器的计算能力、设备间通信和资源分配带来极大挑战，传统的需要环境统计先验信息的方法不再适用，在复杂环境下无法快速解决各种未知信息的卸载问题。AI技术在各个领域都取得了良好的性能表现，其与移动边缘计算之间的交叉融合催生了边缘智能新的研究领域，为移动边缘计算带来更灵活的网络部署和强大学习能力6 。智能边缘的重点是利用AI技术解决移动边缘计算中用户设备与服务器间的智能通信、任务卸载、资源调度等问题。边缘智能的重点是借助移动边缘计算在边缘环境中实现智能应用，保护用户隐私，涉及边缘缓存、边缘训练等内容。例如，终端设备需要从远程数据中心获取一些智能应用程序的计算结果，这造成了网络的延迟，降低了通信质量。使用缓存策略，边缘设备可以减少内容的获取时间，同时避免长距离传输带来的无线资源浪费，并保证用户数据隐私10 。文献17 考虑了一个具有超可靠和低延迟通信服务和时延敏感服务的移动边缘计算网络，利用深度神经网络（DNN，D e e p Ne u r a l Ne t w o r k）训练用户关联方案，为基站确定服务的用户类型，并根据给定的用户关联方案，提出一种算法优化每个基站的资源分配和任务卸载策略，通过设计低复杂度算法优化用户关联、资源分配和卸载概率，将能耗降至最低。同时该研究考虑了真实网络的动态性，将DNN在建立的边缘系统数字李生网络中训练，监控真实网络的变化随时更新DNN以保证系统通信稳定性。但该研究利用的DL技术需要依赖于标记的训练样本进行监督学习，无法更好地应对各种环境挑战。文献18 关注于云边协同的物联网设备任务卸载问题，设计了一种新颖的基于深度元强化学习的卸载框架，结合了多个并行DNN和深度Q学习算法来做出卸载决策，任务目标是最大限度减少延迟和能耗。该研究所提框架聚合了DL的感知能力、强化学习的决策能力、元学习的快速环境学习能力，可以快速灵活地从动态环境中获取最优的卸载策略，增加了模型的可移植性。文献19 在面向6 G应用的多层计算卸载网络架构中提出一种基于原始对偶深度确定性策略梯度（DDPG,Deep Deterministic Policy Gradient）算法的计算卸载策略，在考虑车载设备的移动性和能耗约束条件下，确定用户设备选择和任务卸载比率，最小第48 卷总第52 3期周雪，张子扬，刘向南，等：通信一感知一计算存储深度融合下的无线资源管控移动通信化系统的传输和计算延迟。与基线算法相比，所提算法在收敛速度和系统时延方面均具有明显优势。文献15-19 都将AI运用到移动边缘计算中实现任务与资源的智能决策与调度。不同的是，文献19 只利用了DL的感知能力，而文献15 与文献16 在DL的基础上，利用DL与环境进行交互学习，不需要使用标记的训练数据，可以在即时反馈中学习调整策略来适应变化的环境和任务。文献16 和文献18 利用Q网络进行学习，虽然提升了移动边缘计算的学习能力，但Q学习算法对于连续动作空间的处理较为困难，需要进行离散动作空间的采样，导致维度爆炸的问题。文献15 和文献19 使用的DDPG算法基于actor-critic网络，通过使用确定性策略直接输出动作值而不是输出动作的概率分布，有助于处理连续动作空间，使训练更加稳定。同时引入探索性的动作噪声，可使智能体在探索新的动作空间时保持某种程度的探索性。在利用AI技术提升移动边缘计算决策能力时，往往需要根据具体任务和环境场景结合各种算法优势来优化任务决策和资源分配，并考虑结合元学习、迁移学习提升智能体的快速环境学习能力。同时在移动边缘计算中，需要考虑利用联邦学习来解决数据隐私问题，而联邦学习中设备间的频繁交互带来的通信开销是通算融合下需要解决的关键问题。但是在出现攻击者的情况下，仍然存在隐私泄露的风险，并且存在一些恶意参与者发送虚假和错误的模型更新信息，破坏系统学习的准确性。对此可以结合区块链技术，建立安全可靠的共识机制，保证数据的准确性和不可篡改性。3通信-感知融合无线资源管控3.1子载波分配与功率控制多址技术是面向6 G的通感算融合网络中实现高系统容量、极低时延和海量连接的关键技术之一，使用正交频分多址接入、非正交多址接入技术等其他多址技术都将涉及到子载波或子信道的划分2 1。如何分配这些子载波给不同的用户、如何设计在子载波划分条件下的发射和接收的波束成型策略，以及如何分配这些子载波上的传输功率，会对通信和感知质量以及频谱和能量效率产生不同的影响。首先考虑最简单的单感知目标与单下行用户情况，文献2 2 通过联合优化子载波分配和功率分配来最小化系统的总发射功率，从而在满足用于目标参数估计的互信息和用于无线通信的指定数据信息速率的前提下，提升资源效率；在此基础上，文献2 3 进一步考虑了一种分布式感知的情况，即多个基站发射通感信号，由一个雷达接收机接收多基站发射的目标反射回波信号，并同样使用互信息来作为性能指标。文献2 4 中加人了对雷达通信两种不同共存模式的分别考虑，分别为共享子载波和分配子载波，并考虑了雷达单边设计，进行了功率优化，在分配模式下额外考虑了子载波分配问题，即将子载波分配给雷达还是通信功能。然而，之前的研究并未涉及到具体的通信用户或雷达目标，即没有指定子载波与用户的配对，只是从通信感知的总体性能出发进行了功率分配。于是，文献2 5 将载波与用户进行匹配，考虑了多个下行用户和多个感知目标的情况，通过重用传统蜂窝用户的信道，使ISAC基站能够同时感知多个目标，并对每个感知目标的子信道分配、基站的发射波束赋形和接收波束赋形进行了联合优化，以最大化雷达感知的能量效率为目标，同时保证每个蜂窝用户的吞吐量需求。文献2 6 在将全频段子载波用于通信的基础上，选择部分子载波进行复用，给感知目标提供服务，除此之外还使用了混合预编码器，使用雷达波束方向图与预期的偏差来衡量雷达性能，在雷达性能和发射功率的约束下最大化通信和速率，考虑了将子载波对应到通信用户，选择一部分子载波用于感知雷达目标，但不独立设置专门的感知信号，而是用通信信号的反射回波进行感知，最后提出了基于连续凸逼近和黎曼流形优化的三步求解方法用于模型求解。面对海量用户设备接人和多样化应用需求下的通感算存融合网络结构，在更为复杂的通感算存多目标优化场景下设计子载波分配与功率控制策略是值得深人探究的，这将涉及到更高维度的优化问题，因而可以借助合作博奔理论、元启发式算法局部搜索等优化算法来提高系统对于动态环境的适应能力。另一方面，针对现有文献所采取感知通信共存方式中存在潜力的待挖掘空间，如何精细调整复用子载波