多细胞边缘智能系统的随机建模与资源维度

边缘智能使 AI 推理在网络边缘（靠近或位于无线接入网络附近）而非在集中式云端或移动设备上实现。它针对低时延、资源受限且数据卷大的数据密集型应用，要求无线接入与现场计算紧密集成。然而，系统性能和成本效益取决于在空间和时间不确定性下，对无线和计算资源进行联合预部署维度。以往工作主要强调运行时分配或依赖简化模型，忽略大规模部署中无线和计算之间的端到端关联。本文引入统一的随机框架，对多细胞边缘智能系统进行维度设定。我们采用泊松点过程建模网络拓扑，捕获用户和基站位置的随机性、细胞间干扰、基于距离的分数功率控制以及峰值功率约束。通过将其与排队论和经验 AI 推理工作负载轮廓相结合，我们推导出端到端卸载延迟的可解析表达式。这些表达式使得可以进行一种在统计 QoS 保证下最小化部署成本的非凸联合优化，该优化通过严格的尾延迟和推理准确性约束表达。我们证明该问题可分解为凸子问题，从而实现全局最优。数值结果在噪声和干扰受限情形下识别出成本效益的设计区域和配置，揭示了低利用率或用户不公平性的原因。较小的细胞可降低传输延迟，但因服务器复用较弱而增加每请求的计算成本；相反，较大的细胞则情况相反。细胞密度化仅在频率复用随基站密度比例缩放时可降低计算成本；否则，稀疏部署在干扰受限环境下可提高公平性和效率。