面向目标的频谱共享：以边缘推理功率换取数据流性能

我们研究了面向目标 (GO) 系统与传统面向数据 (DO) 系统之间的频谱共享问题。对于前者，数据质量和表示不再基于经典通信关键性能指标进行优化，而是动态配置，以最少的资源开销实现通信目标。这一范式可被遵循，以灵活适应不同节点（例如接入点、用户、传感器或执行器）的无线和网络内人工智能操作，以应对数据流量、信道条件、能量可用性和分布式计算能力的变化。在本文中，我们论证并展示了计算与学习/推理操作的性能强烈影响底层，呼吁进行真正的跨层优化，涵盖物理层和计算资源编排，直至应用层。聚焦于 GO 和 DO 用户共享的通信信道，我们定义了目标有效可达速率区域 (GEARR)，以评估后者可获得的最大数据速率，同时保证前者的目标实现。最后，我们提出了一种跨层动态资源编排方法，能够在不同的目标有效性和计算资源消耗约束下达到 GEARR 的边界。