[논문 리뷰] Toward Integrated Sensing, Communications, and Edge Intelligence Networks

Mattia Merluzzi, Miltiadis C. Filippou외 2명|arXiv (Cornell University)|2026. 03. 24.

Age of Information Optimization인용 수 0

한 줄 요약

이 논문은 sensing, communications, 및 edge AI 추론 간 자원 공유를 위한 compute-aware 공동 최적화 프레임워크를 제안하며, 분리 전략에 비해 통합 자원 할당의 이점을 보인다.

ABSTRACT

Wireless systems are expanding their purposes, from merely connecting humans and things to connecting intelligence and opportunistically sensing of the environment through radio-frequency signals. In this paper, we introduce the concept of triple-functional networks in which the same infrastructure and resources are shared for integrated sensing, communications, and (edge) Artificial Intelligence (AI) inference. This concept opens up several opportunities, such as devising non-orthogonal resource deployment and power consumption to concurrently update multiple services, but also challenges related to resource management and signaling cross-talk, among others. The core idea of this work is that computation-related aspects, including computing resources and AI models availability, should be explicitly considered when taking resource allocation decisions, to address the conflicting goals of the services coexistence. After showing the natural coupling between theoretical performance bounds of the three services, we formulate a service coexistence optimization problem that is solved optimally, and showcase the advantages against a disjoint allocation strategy.

연구 동기 및 목표

• ISAC, 통신 및 엣지 AI 추론을 위한 인프라를 공유하는 트리플 펑셔널 네트워크 개념의 필요성을 제시한다.
• sensing 및 통신 요구사항 하에서 통신과 추론을 공동으로 최적화하는 계산 인지 자원 공유 문제를 정식화한다.
• 계산 자원(AI 모델)을 무선 자원 할당과 결합하면 분리 할당 전략보다 공존 성능이 향상됨을 보인다.

제안 방법

• 단일 FD MIMO BS 하에 UL EI 데이터 업로드, DL ISAC 데이터, 모노스태틱 센싱을 서비스하는 다중 서비스 무선 시스템을 모델링한다.
• EI 추론 지연 및 목표 효과성(KPIs) 정의, CRB 기반 센싱 정확도 및 DL rate를 포함한 ISAC 지표를 정의한다.
• CRB 및 속도 제약하에서 DL 송신 전력과 데이터 배치 크기를 공동으로 최적화하는 혼합 정수 비선형 프로그래밍(MINLP)을 정식화하고, CVXPY를 사용하여 고정 배치 크기에 대해 볼록 최적화를 통해 해결한다.
• DL 스펙트럴 자원과 모델 매개변수의 함수로 각도 추정의 CRB를 도출하고, 센싱 성능을 DL 시간 할당(rho_dl) 및 통신 지연과 연결한다.
• 배치 크기 n_b를 고정하고 볼록 하위 문제를 해결하는 해법 접근법을 제안하고, compute-aware와 compute-unaware 베이스라인을 평가한다.

Figure 1 : The considered multi-service wireless system and frame structure.

실험 결과

연구 질문

• RQ1 ISAC, EI 및 센싱을 지원하기 위해 시간과 전력을 직교적으로 구분하지 않고 자원을 어떻게 공동 할당할 수 있는가?
• RQ2 AI 모델 선택 및 데이터 표현(압축)이 DL rate, 추론 지연 및 센싱 정확도의 공동 성능에 미치는 영향은 무엇인가?
• RQ3 컴퓨트 인식 최적화가 분리된 할당 전략에 비해 DL 송신 전력과 엣지 추론 품질 간의 더 나은 트레이드오프를 제공할 수 있는가?
• RQ4 가용 계산(AI 모델의 복잡도)이 트리-펑셔널 네트워크의 프레임 단위 자원 할당을 어떻게 제약하거나 가능하게 하는가?

주요 결과

• 계산 인식 자원 공유 방식은 분리 할당에 비해 ISAC 비용과 EI 성능 간의 트레이드오프를 개선한다.
• DL 송신 전력을 증가시키면 일반적으로 EI의 목표 효과성이 향상되지만 추론에 더 많은 자원을 허용하고 CRB 및 DL rate 제약에 의해 균형을 이룬다.
• 더 강력한 AI 모델(일정 지점까지)을 사용하면 EI 품질이 향상되어 DL 전력과의 더 나은 트레이드오프를 가능하게 하는 반면, 매우 무거운 모델은 계산 지연으로 인해 이익을 상쇄할 수 있다.
• 이 프레임워크는 통신, 계산 및 센싱 간의 자연스러운 결합을 보여주며, 선택된 추론 모델이 DL 전송 시간 예산 및 센싱 정확도를 결정한다.
• 시뮬레이션 결과 8.18 GFLOPs의 경우 제안된 compute-aware 최적화 하에서 더 가벼운 모델로 현저히 더 낮은 DL 전력으로 더 높은 목표 효과성을 달성할 수 있다.
• 센싱 요구사항(CRB 임계치)을 완화하면 DL 전력과 EI 목표 효과성 간의 균형이 달라지며, 계층 간 상호 의존성을 보여준다.

(a)