文献阅读：语义通信中基于深度双Q网络的多维资源联合分配算法

论文简介

• 作者
  林润韬 郭彩丽 陈九九 王彦君
• 发表期刊or会议
  《移动通信》
• 发表时间
  2023.4

系统模型

  场景中的边缘服务器部署在路边单元上，每个路边单元具有一定的无线覆盖区域，服务器将会对路边单元收到的视频任务进行存储和计算。
  由于目标检测任务往往对计算能力有着较大的需求，难以在车辆端单独处理，因此，可以将语义理解任务卸载到边缘服务器端进行计算。具体流程如下：

• 通信：车辆首先通过摄像头采集数据。之后，对采集到的视频进行预处理，得到视频的语义重要性，并将其上传至边缘服务器。以目标检测为例，语义重要性即为视频中的目标密度。边缘服务器依据收集到的语义信息进行资源分配 (how??)。接下来，车辆端依据分配到的通信资源，对采集到的视频数据进行编码。接下来，将编码后视频数据通过无线信道传输到边缘服务器 (这块是不是语义传输？)。
• 缓存：边缘服务器依据收到的车辆端视频数据，对其进行缓存后，使用神经网络来完成计算过程。
• 计算：视频数据缓存结束后，边缘服务器使用计算资源来分析缓存数据并获得结果

  需要特别说明的是，在本系统中，边缘服务器节点收到的信息可以分为语义信息和视频信息。在车辆端首次发送语义信息（语义重要性）时，边缘服务器依据该语义信息，指导后续的资源分配任务，无需对其进行恢复；当车辆端依据分配到的通信资源，上传视频信息后，中心服务器将对其进行译码恢复，用于后续的视频缓存和目标检测计算。

---

多维资源联合分配模型

联合通信资源、计算资源和缓存资源的目标检测精度最大化优化模型可以表示为：

具体表述见 论文2.1

---

多维资源联合分配算法

使用深度双Q网络算法来进行求解最优资源分配策略 (利用强化学习的思想对多维资源联合分配问题进行求解)

具体表述见 论文2.2

---