多用户面向目标通信与节能边缘资源管理

边缘学习（Edge Learning, EL）将计算资源推向5G/6G网络边缘，以协助请求时延敏感且能耗感知智能服务的移动用户。远程执行推理任务的一个常见挑战是仅提取并传输对推理任务最显著的特征。从这个角度看，EL可有效与面向目标通信（goal-oriented communications）结合，其目标是在规定的精度、时延和能耗约束下，仅传输执行推理任务所“相关”的信息。本工作中，我们考虑一个多用户/单服务器无线网络，其中用户可机会性地决定自行执行推理任务，或将数据卸载至边缘服务器进行远程处理。待传输数据经历一个面向目标的压缩阶段，使用卷积编码器执行，并与运行在边缘服务器侧的卷积解码器联合训练。采用李雅普诺夫优化（Lyapunov optimization），我们提出一种方法，跨所有用户与边缘服务器联合动态地优化最合适编码/解码方案的选择以及计算与传输资源的分配。大量仿真证实了所提方法的有效性，并凸显了能耗、时延与学习精度之间的权衡。