面向 IoT C-RAN 的感知通信一体化能效最大化

基于摘要分析。本文研究 IoT 上行云无线接入网络（C-RAN）中的感知通信一体化（ISAC）资源管理，通过联合优化远端无线单元（RRU）启用、用户关联与功率分配，在满足目标定位精度约束的同时提高系统能效，并提出用于加速求解的图神经网络框架 ISAC-GNN。研究对象是无线通信与目标感知系统，而非神经信号分析或 BCI。 系统由多个 RRU 联合服务用户设备（UE）并感知目标，以 Cramér–Rao 下界（CRLB）约束定位精度。作者指出，通常只需部分 RRU 即可满足感知要求，因此可通过停用冗余感知 RRU 节约能量。所提出的模型驱动迭代算法整合了最优用户关联、基于决策树的感知 RRU 选择和不动点功率分配，并进一步用于训练 ISAC-GNN；摘要还提出以半监督训练提高稳定性和泛化能力，但未给出图构建方式、监督信号、损失函数及训练规模。 作者报告，在所述仿真条件下，ISAC-GNN 相比模型驱动方法将推理时间降低 67%，并可在不同系统场景中无需重新训练地扩展部署。摘要未提供对应的系统规模、硬件、绝对时延、能效与定位精度结果，因此该相对加速不能单独确认为满足具体实时部署要求。作者另称理论分析提供性能保证，其适用假设与保证范围尚未验证。 复现需核对信道与目标模型、能耗模型、CRLB 约束、训练与测试场景划分，以及速度提升所对应的解质量。实验协议、消融及统计信息尚未验证。材料未建立该无线资源优化机制与 EEG/BCI 瓶颈的具体对应关系，不据此提出已获支持的迁移结论。