面向边缘智能网络的通-感-算融合：架构、挑战和展望.pdf

1“6G通感算融合”专题！面向边缘智能网络的通-感-算融合：架构、挑战和展望齐俏，陈晓明2*（1.杭州师范大学信息科学与技术学院，浙江杭州31112 1;2.浙江大学信息与电子工程学院，浙江杭州310 0 17）【摘要】通-感-算融合作为边缘智能网络的赋能手段，可以有效实现海量数据的实时采集、传输和处理，从而为各行各业提供高效、实时的智能服务。首先，基于边缘智能网络的特点，明确了通-感-算功能的定义，提出了通-感-算融合赋能的网络架构和系统架构，给出了通-感-算融合的典型应用场景。其次，重点分析了在边缘智能网络中实现通-感-算融合的关键挑战，包括海量数据处理、复杂干扰协调和联合资源管理，并提供了相应的解决方案。最后，展望了未来可行的研究方向。【关键词】边缘智能网络；通-感-算融合；海量数据doi:10.3969/j.issn.1006-1010.20240110-0002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 40-0 7引用格式：齐俏,陈晓明.面向边缘智能网络的通-感-算融合：架构、挑战和展望.移动通信，2 0 2 4,48(3)：40-46.QI Qiao,CHEN Xiaoming.Integrated Sensing,Communication,and Computing for Edge Intelligent Networks:Architecture,Challenges,andOutlookJ.Mobile Communications,2024,48(3):40-46.Integrated Sensing,Communication,and Computing for Edge Intelligent(1.School of Information Science and Technology,Hangzhou Normal University,Hangzhou 311121,China;2.College of Information and Electronic Engineering,Zhejiang University,Hangzhou 310017,China)AbstractIntegrated sensing,communication,and computing(ISCC)serves as a pivotal enabler for edge intelligent networks,effectively facilitating the real-time acquisition,transmission,and processing of vast amounts of data,thereby deliveringefficient and instantaneous intelligent services across various sectors.Initially,this paper delineates the functionalities ofISCC based on the unique attributes of edge intelligent networks,proposes network and system architectures for ISCCempowerment,and outlines typical application scenarios of ISCC.Subsequently,it focuses on analyzing the criticalchallenges encountered in implementing ISCC in edge intelligent networks,including massive data processing,intricateinterference coordination,and joint resource management,while offering pertinent solutions.Lastly,the paper provides aKeywordsforward-looking perspective on potential research directions in this burgeoning field.edge intelligent network;integrated sensing,communication and computing;massive data0引言近年来，随着移动通信、人工智能和物联网技术的快速发展，全球设备连接数量和数据流量呈现了爆发式增长。据预测，到2 0 30 年，全球将有近30 0 亿台物联网设备同时在线，而移动数据流量将超过50 0 0 EB/月2 。在当前的5G网络中，人工智能的应用主要集中在云端，以应收稿日期：2 0 2 4-0 2-2 9*基金项目：国家自然科学基金资助项目“低轨卫星物联网移动覆盖和巨址接入理论与关键技术”（U21A20443）；浙江省自然科学基金资助项目“面向B5G蜂窝物联网的大规模接入理论和技术研究”（LR20F010002）*通信作者OSID:Networks:Architecture,Challenges,and OutlookQIQiao,CHEN Xiaoming?扫描二维码与作者交流对日益增长的数据需求。在集中式云智能模式下，大量的数据从终端设备上传到云端进行智能处理和分析3-4。然而，面对未来大规模节点和海量数据的场景下，这种集中式处理模式面临着一系列挑战，例如通信传输的带宽压力、数据处理的实时性以及数据的安全隐私等。基于此，结合边缘计算和人工智能的边缘智能网络应运而生，在靠近大规模分布的网元和终端的网络边缘侧对所采集的海量数据进行实时分析、处理和决策，从而为各行各业提供无处不在的智能实时服务5。在6 G“万物智联”的愿景驱动下，数据驱动的新型智能业务层出不穷，包括无人驾驶、沉浸式增强现实（A R）虚拟现实（VR）、智慧城市等，给无线网络提40移动通信2024年3月第3期第48 卷总第52 3期齐俏，陈晓明：面向边缘智能网络的通一感算融合：架构、挑战和展望出了更高的要求6-7 。例如，据谷歌数据显示，智能驾驶汽车每秒产生约1GB的数据。在这种情况下，边缘智能网络需要在有限的频谱资源、计算资源和存储资源下，实现海量信息的感知、传输和处理，并保证毫秒级的时延响应。然而，过去传统无线网络的设计存在一个根本性的问题，即通信、感知和计算功能被独立部署，例如，传感器网络专注于数据采集，通信网络专注于数据传输，而云计算中心则专注于数据处理，如图1（a）所示。这种分离化设计不仅导致了系统资源的低效利用和性能瓶颈，更难以满足新型智能应用的高性能需求。因此，边缘智能网络呕需一种通-感-算融合设计，如图1（b）所示，以充分利用网络资源，协同通信、感知和计算功能，从而为智能应用提供实时性的高效服务。鉴于通-感-算融合的科学价值和应用前景，业界已对其表现出了极大关注。在这一领域的最新动态中，中国移动于2 0 2 0 年在世界5G大会上首次提出了面向6 G网络的通-感-算融合框架8 。2 0 2 1年，北京邮电大学闫实等人9提出了通-感-算融合理论和愿景，并强调通-感-算融合技术在支持6 G网络中人-机-物智慧互联、智能体高效互通方面的关键作用。随后，中国通信学会在2 0 2 2 年推出了通感算一体化网络前沿报告10 1，明确指出了通感算一体化是实现物理世界与数字世界相互作用和深度融合的重要基石。同年，中国算力大会举办了通感算一体化创新发展分论坛，并共同成立了通感算一体化创新实验室。2 0 2 3年全球6 G技术大会上，与会专家共同探讨了实现通-感-算融合的关键技术和潜在问题与挑战。此外，学术界还对特定场景下的通-感-算融合进行了相应的探索，如扩展现实、车联网2 、无人机网络3、卫星通信网络4等。尽管通-感-算融合吸引了广泛关注，但当前仍处于探索与发展的初期。目前有关通-感-算融合的研究工作主要侧重于通信、感知和计算部分业务共存或者功能融合设计，如通感一体化15-16 、感算一体化17-18 和通算一体化19-2 0 。这种初步探索使得学术界和产业界对通-感-算融合的潜力和未来发展方向有了初步认识。但是在实际应用中，实现通-感-算深度融合尚面临多方面挑战，迫切需要更深入的研究和实践探索。基于此，本文旨在基于边缘智能网络的特点，提出面向边缘智能网络的通-感-算融合架构，探讨其应用场景、关键挑战和解决方案，并指出未来的研究发展方向。1通-感-算融合赋能的边缘智能网络架构在边缘智能网络中，通信、感知和计算是相互依存、相互促进的三个关键功能，共同构成了网络智能化、实时化和高效化的基础。具体而言，通信指蜂窝移动通信通过实时连接和高效的数据传输，促进了边缘智能网络中节点之间的信息交换和功能协作。感知是边缘智能网络获取环境和状态信息的重要手段，其中内生感知（如通过信息交互感知网络状态、业务特性、终端能力等）获取了网络内部的详细信息，而外部感知（如通过传感器采集周围环境信息或通过射频信号实现目标检测、定位、跟踪等）则提供了网络外部环境的重要数据。计算作为对数据进行处理和分析的核心环节，在边缘智能网络中发挥着不可或缺的作用。将计算功能推向网络边缘，可以对获取的数据进行实时处理和分析，提取有用的信息并做出相应的决策，使得边缘智能网络能够更好地适应复杂和动态的环境变化。通过高效整合这三个功能，边缘智能网络可以提供更快速、高效、灵活数据中心云端边缘口数据中心通信网络通-感-算融合网络?感知网络移动通信（a）分离架构设计图1通-感-算分离架构设计和融合架构设计对比（b）融合架构设计2024年3月第3期41第48 卷“6G通感算融合”专题1总第52 3期和安全的服务，推动物联网、工业互联网、车联网等领域的发展。下面将详细介绍通-感-算融合赋能的网络架构和系统架构以及典型应用场景。1.1网络架构如图2 所示，通-感-算融合赋能的边缘智能网络由边缘控制中心、一体化网元和边缘节点组成，它们共同协作实现边缘智能网络的高效运行和智能决策，为边缘智能应用提供支持。（1）边缘控制中心：边缘控制中心作为核心部分，如布置在网络边缘的数据中心或服务器群，其作用包括数据分析和决策、算力调度和资源管理以及任务下发和业务编排等。通过管控边缘智能网络中大量的边缘节点和一体化网元的状态和信息，实现对边缘智能网络的监控、调度和管理，以提供高效、可靠的边缘智能服务。（2）一体化网元：一体化网元是集成了通信、感知、计算和存储功能的设备，主要由通感一体化基站和边真实物理世界海量终端边缘节点垂直行业缘服务器组成。它们通常部署在边缘网络的关键位置，用于处理较大规模的数据和复杂的算法。通过与边缘控制中心和边缘节点之间的数据交互和功能协作，可以为智能应用提供支持。（3）边缘节点：边缘节点通常部署在接近数据源的位置，如智能终端设备、传感器或物联网节点等。边缘节点不仅具备通信功能，还集成了感知和计算的部分或全部功能。通过边缘节点的部署，边缘智能网络可以实现数据的实时处理和快速响应，减少数据传输的延迟和带宽需求。同时，边缘节点的多功能使得边缘智能应用能够更加灵活和高效地运行，适应不同场景和需求的变化。1.2系统架构如图3所示，边缘智能网络中通-感-算融合的系统架构由资源层、能力层和应用层组成，不同层之间的协同工作使得系统能够适应不同的应用场景和需求，并提供定制化的服务。边缘控制中心体化网元全局感知功能协同虚拟数字世界全息通信扩展现实协作通信实时计算资源调度智能控制数字李生智慧教育应用层能力层通信信射频号处理资源层天线通信频谱资源通信信号能量移动通信422024年3月第3期智慧工业通信应用通信服务接入传输转发通信数据处理基带图3通-感-算融合的系统架构示意图智慧农业图2边缘智能网络架构示意图感知应用计算应用感知服务计算服务检测定位跟踪成像感知数据处理基带感知信射频号处理天线感知频谱资源感知信号能量智慧医疗算法模型训练推演计算数据处理CPU计算信内存号处理算力计算平台资源计算信号能量智慧交通智能家居通感算融合应用融合服务能力协同联合数据处理基础设施共用联合信号处理算力智能编排频谱资源共用信号能量复用智慧金融第48 卷总第52 3期齐俏，陈晓明：面向边缘智能网络的通一感算融合：架构、挑战和展望移动通信（1）资源层：资源层是通-感-算融合系统的底层，包括基础设施、信号处理、无线和软硬件资源。资源层提供了通-感-算融合系统所需的基础设施和资源支持，为上层的能力层和应用层提供了执行环境和可用资源。（2）能力层：能力层构建在资源层之上，主要提供数据处理和分析的能力。它包括数据处理、数据传输、感知检测、目标跟踪、算法执行和模型训练等功能。能力层可以利用资源层提供的通信、感知和计算资源，执行相应的数据处理和模型算法，为用户和应用层提供有价值的服务和功能。（3）应用层：应用层是通-感-算融合系统中的最上层，用于实现具体的应用场景和功能。它包括各种边缘智能应用，如智能交通、智能工厂、智能城市等。应用层利用能力层提供的数据处理能力和算法模型，实现对数据的实时分析和智能决策，从而满足智能应用的高性能需求。1.3应用场景基于通-感-算融合的边缘智能网络具有广泛的应用场景，下面简单列出一些典型的应用场景。（1）智慧交通：在智能交通系统中，通-感-算融合可以实现实时交通监测、智能交通信号控制和智能路径规划等。例如，通过道路上的多种交通感知设备，实时采集交通流量、速度等参数，实现全面的交通监测。将采集到的实时流量数据在边缘节点进行机器学习模型训练，预测计算出可能出现的拥堵区段。根据拥堵预测结果，进行路口交通信号灯的智能控制调优，减少车流等待时间，缓解交通拥堵情况。同时，通过实时环境感知，可以为公交、出租车等提供基于实时流量的最优路径选取，从而提高运营效率。（2）低空安防：随着无人机技术的快速发展，低空安全和监控变得越来越重要。在低空安防领域，通-感-算融合可以实现实时环境监测和预警。通过使用多种感知模态，如雷达、摄像头和传感器等，实现对低空区域的全面感知。同时，边缘节点上的智能算法可以进行实时的目标检测、跟踪和识别，以识别潜在的威胁或异常行为。通过信息交互与功能协同，边缘节点可以及时将处理后的感知结果传输给中心控制系统或其他相关设备，以支持及时的决策和响应。（3）智慧工业：在工业物联网环境中，通-感-算融合可以用于实现实时的产线和设备监测、设备故障预测与精细化生产调度。通过在工厂边缘部署各种不同的多功能边缘节点，利用它们实时监测产线各个环节以及各种工业设备的运行状态，实现产线全过程和设备状态的实时监测。边缘节点对设备运行数据进行实时采集和分析处理，可以提前测算出故障风险。同时，根据设备运行状态结果，结合产能需求情况，控制中心能进行生产任务的精细调度安排，优化生产管理。2通-感-算融合的关键挑战和解决方案在边缘智能网络中实现通-感-算融合并非易事，它面临着一些严重的挑战。这些挑战主要包括海量数据处理、复杂干扰协调和联合资源管理。值得注意的是，这些挑战无法用传统的方法解决，需要针对边缘智能网络的特点设计相应的解决方案。下面逐一介绍这些关键挑战及其可行的解决方案。2.1海量数据处理大规模边缘节点采集的感知数据规模庞大且内容异构，如何在边缘智能网络中实时且有效地处理这些海量数据变得至关重要。传统的集中式数据处理方法会占用大量的带宽资源，导致网络拥塞和延迟，无法满足实时性要求。此外，由于原始数据需要统一上传至服务器上进行处理，集中式的数据处理方法也无法保护用户的数据隐私安全。为了应对这个问题，基于空中计算的边缘联邦学习提供了一种可行的解决方案。边缘联邦学习是一种具有隐私保护特性的分布式机器学习方法，它允许边缘节点在本地对数据集进行模型训练，并将更新后的模型参数通过无线链路与边缘服务器上的全局模型参数进行迭代交互2 1。为了进一步提高频谱利用率并减少模型参数的聚合时延，基于通信和计算一体化的空中计算技术可以有效应用在边缘联邦学习中。如图4所示，它利用无线多址信道的天然叠加特性，通过模型参数的并发传输，实现模型参数在边缘服务器上的快速聚合2 2 。换句话说，基于空中计算的边缘联邦学习技术将“先感知再通信最后计算”的传统数据模式转化为了“通-感-算融合”的新型数据处理模式，有效降低了数据传输时延，同时提高了信息感知和模型计算效率。2.2复杂干扰协调共享共用无线和软硬件资源实现通-感-算融合会导致多种复杂干扰，如何在边缘智能网络中有效协调这些干扰来提高系统性能是一项非常具有挑战性的任务。具体而言，在同一频谱资源下同时传输通信、感知和计算信号，会导致严重的自干扰和互干扰，从而降低融合系统的性能。在这种情况下，全双工技术、大规模MIMO（M u l t i p l e-In p u t M u l t i p l e-O u t p u t，多人多出）和波束成形技术以及融合波形设计为解决复杂干扰协调问题提供了技术路径。全双工技术允许设备在同一频谱资源上同时进行发432024年3月第3期第48 卷1“6G通感算融合”专题！总第52 3期边缘智能网络在高动态环境中面临着一些特殊的考验。本本地模型更新通过空中计算.聚合全局模型MEC服务器基站通过下行链路广播全局模型通过上行链路上传本地模型图4基于空中计算的边缘联邦学习送和接收，从而有效解决通-感-算融合系统中的天线自干扰的问题2 3。大规模MIMO技术利用具有多个天线的基站和终端设备之间的空间自由度来传输和接收信号，提高容量和覆盖范围。波束成形技术则通过调整天线阵列的权重和相位形成具有指向性的波束，增强目标信号的接收强度。采用基于大规模天线阵列的空间波束成形技术，可以有效降低通-感-算融合系统中的用户间干扰和功能间互干扰2 4。同时，通过综合考虑不同信号的功能特性和目标需求，分析通-感-算信号间的耦合关系，设计出相互兼容的通-感-算融合波形，也可以有效降低系统间的功能互干扰2 5。如图5所示，综合运用全双工技术、大规模MIMO和波束成形技术以及融合波形设计，可以有效地协调和管理边缘智能网络中的多种复杂干扰，从而提高系统的整体性能和效率。大规模天线阵列全双工技术发送接收接收发送融合波形设计-HH图5复杂干扰协调技术2.3联合资源管理不同应用场景对通信、感知和计算提出了差异化的性能需求，如何实现通-感-算联合资源管理是边缘智能网络中的一个重要挑战。为了支持各类新型智能业务，需要有效地管理和分配多维资源。然而，通信、感知和计算业务之间存在竞争、协作和耦合等复杂关系，使得资源分配变得更加困难。为了应对这个挑战，可以采用智能算力调度和自适应资源管理，从而有效管理通-感-算多维资源以满足不同应用的需求。训练终端设备本地数据集通过智能算力调度，可以根据任务的特性和优先级动态地调度算力资源，提高数据处理效率和任务执行速度2 6 。自适应资源管理则根据系统的需求和频谱资源的可用性，进行联合资源分配和管理，以实现通-感-算性能的平衡和资源利用率的最大化2 7 。智能算力调度和自适应资源管理方案可以采用如机器学习、启发式算法和博奔论等优化方法，以自适应实现多维资源的分配和管理。如图6 所示，通过智能算力调度和自适应资源管理的共同作用，可以有效提高边缘智能网络的效率、性能和灵活性，从而支持各类新型智能业务的部署和运行。3未来研究方向虽然通-感-算融合受到了国内外的广泛关注和诸多研究，但仍然存在很多呕需解决的问题。基于此，未来可在如下一些方向重点展开研究。波束扫描3.1高动态环境下的通-感-算融合基站目标/MEC服务器波束对准终端具体而言，在高速移动的场景中，信道会迅速变化，同时受到多径效应和多普勒效应的显著影响，导致难以实时获取环境信息、数据传输速率受限以及决策出现偏差等问题。在感知方面，需要具备高速采样能力，以快速、准确地感知环境的变化，及时提供可靠的感知数据。对于通信而言，需要采用自适应调制和编码技术，以提高信号的可靠性和传输效率。计算方面需要结合实时性和效能性，设计高效的算法和模型，以适应快速变化的场景，实现实时数据处理和决策。针对边缘智能网络在高动态环境中的挑战，通-感-算融合的设计需要进一步研究和创新，以提高边缘智能网络的适应性、性能和可靠性，实现在高动态环境下的智能感知和决策能力。3.2通-感-算融合的信息安全机制通-感-算融合在信息安全方面也存在着一些挑战。在边缘智能网络中，通-感-算融合的过程涉及到从多个分布式的边缘节点上收集、转发数据，并进行联合处理和44移动通信2024年3月第3期第48 卷总第52 3期齐俏，陈晓明：面向边缘智能网络的通一感算融合：架构、挑战和展望算力调度资源管理路由区业务编排（）无线计算边缘控制中心AI计算边缘服务器基站体化网元端计算边缘节点图6 智能算力调度和自适应资源管理决策。这种数据交互和功能协同的模式带来了信息安全方面的挑战，导致传统的信息安全机制往往难以应对边缘智能网络中数据的规模和复杂性。首先，网络中部分边缘节点的结构简单，使得它们的数据极易受到窃听、攻击或篡改，从而对整个网络进行渗透和破坏，导致信息安全的短板效应突出。其次，边缘节点可能收集到用户的隐私数据，例如位置信息、个人健康数据等。在融合过程中，确保这些数据的隐私和机密性非常重要。因此，面向边缘智能网络的通-感-算融合，要充分考虑信息安全问题，并采取适当的安全机制来保护数据隐私、确保数据完整性、保护数据安全以及检测和防范恶意攻击，从而提高通-感-算融合系统的安全性和可信度。3.3通-感-算融合的设备硬件实现在硬件设计方面，将通信、感知和计算功能集成到边缘设备中面临着资源限制、需求冲突、成本和尺寸限制、复杂性等多重挑战，不能简单地将感知和计算模块引人传统通信设备中。例如，感知设备需要高精度和高分辨率的传感器，而计算设备需要高性能的处理器和存储器。在硬件资源和成本受限的情况下，这些不同功能的需求存在着冲突。同时，将通信、感知和计算功能同时集成到边缘设备中带来了很大的复杂性，涉及到不同模块之间的协同工作、数据传输和处理、算法优化等方面的挑战。因此，如何在有限的成本和尺寸范围下平衡这些功能需求，有效实现不同功能模块之间的协同工作，设计匹配通信、感知和计算能力和需求的硬件设备是实现通-感-算融合的关键问题。4结束语通-感-算融合为边缘智能网络提升资源利用率和系统性能提供了一种新思路。然而，在边缘智能网络中实现通-感-算融合仍面临诸多挑战，如海量数据处理、复杂干扰协调和联合资源管理等。本文提出了一些解决方案，但仍需进一步研究和完善。在此基础上，未来的研究方向包括但不限于高动态环境下的系统设计、信息安全机制和设备硬件实现。总体而言，通-感-算融合是一个非常复杂且具有前景的研究领域，还有非常广阔的研究空间呕待探索。学术界和产业界需要密切合作，推动相关技术的探索和验证，不断完善和优化通-感-算融合的技术框架，共同助力实现6 G万物智联的美好愿景。参考文献：1 IMT-2030（6 G）推进组，6 G总体愿景与潜在关键技术白皮书R.2021.2 Statista.Number of IoT connected devices worldwide 2019-2021,with forecasts to 2030R.2022.3 Wang W,Kumar N,Chen J,et al.Realizing the potential of theinternet of things for smart tourism with 5G and AIJ.IEEENetwork,2020,34(6):295-301.:4 You X,Zhang C,Tan X,et al.AI for 5G:research directions andparadigms3J.Science China Information Sciences,2019,62:1-13.5 Deng S,Zhao H,Fang W,et al.Edge intelligence:The confluenceof edge computing and artificial intelligenceJ.IEEE Internet of Things Journal,2020,7(8):7457-7469.6Saad W,Bennis M,Chen M.A vision of 6G wireless systems:Applications,trends,technologies,and open research problemsJ.IEEE Network,2019,34(3):134-142.7Liu M,Fang S,Dong H,et al.Review of digital twin aboutconcepts,technologies,and industrial applicationsJ.Journal ofManufacturing Systems,2021,58:346-361.8 世界 5G 大会 Integration of sensing,communication and computingtoward 6GR.2020.9 闫实，彭木根，王文博，通信-感知-计算融合：6 G愿景与关键技术.北京邮电大学学报，2 0 2 1,44(4):1-10.10中国通信学会.通感算一体化网络前沿报告R.2022.11 王文博，侯跃峰，田峰.面向扩展现实的通信感知计算一体化视频传输及QoE评价.移动通信，2 0 2 2,46(5):8 4-8 8.移动通信2024年3月第3期45第48 卷“6G通感算融合”专题11总第52 3期12 马忠贵，李卓，梁彦鹏.自动驾驶车联网中通感算融合研究综述与展望.工程科学学报，2 0 2 3,45(1):137-149.13廖佳佳,向路平,胡杰,等.基于无人机的6 G通感算研究概述1移动通信,2 0 2 3,47(3):92-10 0.14 景毅，姜春晓，詹亚锋，面向卫星通信的6 G通感算融合架构、技术与挑战.无线电通信技术，2 0 2 3,49(1)：12-2 0.15Cui Y,Liu F,Jing X,et al.Integrating sensing and communicationsfor ubiquitous IoT:Applications,trends,and challengesJ.IEEENetwork,2021,35(5):158-167.16I Liu A,Huang Z,Li M,et al.A survey on fundamental limits ofintegrated sensing and communicationJJ.IEEE CommunicationsSurveys&Tutorials,2022,24(2):994-1034.17Hu L,Miao Y,Wu G,et al.iRobot-Factory:An intelligent robotfactory based on cognitive manufacturing and edge computingJJ.Future Generation Computer Systems,2019,90:569-577.18Nie L,Ning Z,Wang X,et al.Data-driven intrusion detection forintelligent internet of vehicles:A deep convolutional neural network-based methodJ.IEEE Transactions on Network Science andEngineering,2020,7(4):2219-2230.19I Wen D,Zhu G,Huang K.Reduced-dimension design of MIMOover-the-air computing for data aggregation in clustered IoTnetworksJ.IEEE Transactions on Wireless Communications,2019,18(11):5255-5268.201 Dai Y,Xu D,Maharjan S,et al.Joint computation offloading anduser association in multi-task mobile edge computingJ.IEEETransactions on Vehicular Technology,2018,67(12):12313-12325.21 Niknam S,Dhillon H S,Reed J H.Federated learning for wirelesscommunications:Motivation,opportunities,and challengesJ.IEEECommunications Magazine,2020,58(6):46-51.22 Qi Q,Chen X.Robust design of federated learning for edge-intelligent networksJj.IEEE Transactions on Communications,2022,70(7):4469-4481.23Zhang Z,Chai X,Long K,et al.Full duplex techniques for 5Gnetworks:self-interference cancellation,protocol design,and relayselectionJJ.IEEE Communications Magazine,2015,53(5):128-137.24I Qi Q,Chen X,Zhong C,et al.Integrated sensing,computationand communication in B5G cellular Internet of ThingsJ.IEEETransactions on Wireless Communications,2020,20(1):332-344.25I Liu F,Zhou L,Masouros C,et al.Toward dual-functional radar-communication systems:Optimal waveform designJ.IEEETransactions on Signal Processing,2018,66(16):4264-4279.26 Zhou T,Tang D,Zhu H,et al.Reinforcement learning withcomposite rewards for production scheduling in a smart factoryJ.IEEE Access,2020,9:752-766.27 Qi Q,Chen X,Khalili A,et al.Integrating sensing,computing,and communication in 6G wireless networks:Design andoptimizationJ.IEEE Transactions on Communications,2022,70(9):6212-6227.齐俏：工学博士毕业于浙江大学信息与通信工程专业，现任杭州师范大学信息科学与技术学院讲师，主要研究方向为蜂窝物联网、边缘智能、通感算一体化。陈晓明：工学博士，现任浙江大学信息与电子工程学院研究员、博士生导师，研究方向包括5G/6G关键技术、低轨卫星星座通信和智能通信。（上接第13页）8 ITU.Recommendation ITU-R M.2083-0-2015 IMT Vision-Framework and overall objectives of the future developmentof IMT for 2020 and beyondS/OL.(2015-09-29)2024-02-18.https:/www.itu.int/dms_pubrec/itu-r/rec/m/R-REC-M.2083-0-201509-I!PDF-E.pdf.9ITU.Recommendation ITU-R M.2160-0-2023 Framework andoverall objectives of the future development of IMT for 2030 andbeyondS/OL.(2023-11-13)2024-02-18.https:/www.itu.int/dms_pubrec/itu-r/rec/m/R-REC-M.2160-0-202311-I!PDF-E.pdf.10IMT-2030（6 G）推进组6 G通信感知一体化评估方法研究报告R.2023.11中国通信学会.通感算一体化网络前沿报告（2 0 2 1年）R.2022.12闫实，彭木根，王文博，通信-感知-计算融合：6 G愿景与关键技术.北京邮电大学学报，2 0 2 1,44(4)：11.13 Wei Z,Qu H,Wang Y,et al.Integrated Sensing andCommunication Signals Towards 5G-A and 6G:A SurveyJ.IEEE Internet of Things Journal,2023,10(13):11068-11092.14Geng Y.A Novel Waveform Design for OFDM-Based JointSensing and Communication SystemCJ/2023IEEE 3rdInternational Symposium on Joint Communications&Sensing(JC&S).Seefeld,Austria:IEEE,2023:1-6.15 SSturm C,Wiesbeck W.Waveform Design and Signal ProcessingAspects for Fusion of Wireless Communications and RadarSensing.Proceedings of the IEEE,2011,99(7):1236-1259.16Chen X,Feng Z,Wei Z,et al.Code-Division OFDM JointCommunication and Sensing System for 6G Machine-TypeCommunicationJ.IEEE Intermet of Things Jounal,2021,8(15):12093-12105.17He Z Y,Xu W,Shen H,et al.Full-Duplex Communication for ISAC:Joint Beamforming and Power OptimizationJ.IEEE Journal OnSelected Areas In Communications,2023,41(9):2920-2935.18国家广播电视总局科技司.5G高新视频一沉浸式视频技术白皮书（2 0 2 0）R.2020.19ETSI.TS 101 154 V2.8.1.Digital Video Broadcasting(DVB);Specification for the use of Video and Audio Coding in Broadcast andBroadband ApplicationsS/OL.Sophia A