Experience-Centric Resource Management in ISAC Networks: A Digital Agent-Assisted Approach

📄 arXiv: 2507.06436v1 📥 PDF

作者: Xinyu Huang, Yixiao Zhang, Yingying Pei, Jianzhe Xue, Xuemin Shen

分类: eess.SY

发布日期: 2025-07-08

💡 一句话要点

提出数字代理辅助的ISAC网络资源管理方案，提升用户体验质量。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 集成感知与通信 用户体验质量 数字代理 资源管理 深度强化学习

📋 核心要点

  1. 现有ISAC网络资源管理方案难以有效应对用户行为动态和环境复杂性对用户体验质量的影响。
  2. 提出基于数字代理的资源管理方案，通过预测用户状态、选择关键QoS因子和拟合QoE模型，实现个性化资源分配。
  3. 实验结果表明，该方案在用户QoE方面优于基准方案，验证了数字代理在提升用户体验方面的有效性。

📝 摘要（中文）

本文提出了一种数字代理(DA)辅助的资源管理方案，旨在提升集成感知与通信(ISAC)网络中用户的体验质量(QoE)。用户的QoE是一个综合指标，融合了服务质量(QoS)、用户行为动态和环境复杂度。新颖的DA模块包含用户状态预测模型、QoS因子选择模型和QoE拟合模型，用于分析历史用户状态数据，构建并更新用户特定的QoE模型。用户根据其QoE模型被聚类成不同的组。利用Cramér-Rao界(CRB)模型来量化分配的通信资源对感知精度的影响。构建了一个通信和计算资源管理的联合优化问题，以最大化长期用户QoE，同时满足CRB和资源约束。开发了一种双层数据-模型驱动算法来解决该问题，顶层利用先进的深度强化学习算法进行组级决策，底层使用凸优化技术进行用户级决策。基于真实数据集的仿真结果表明，所提出的DA辅助资源管理方案在用户QoE方面优于基准方案。

🔬 方法详解

问题定义：论文旨在解决集成感知与通信(ISAC)网络中，如何根据用户的个性化需求和环境变化，动态地分配通信和计算资源，从而最大化用户的长期体验质量(QoE)。现有方法通常难以有效整合服务质量(QoS)、用户行为动态和环境复杂度等多种因素，导致资源分配效率低下，用户体验不佳。

核心思路：论文的核心思路是引入数字代理(DA)来模拟和预测用户的行为模式和QoE需求。DA通过分析历史用户数据，构建用户特定的QoE模型，从而能够更准确地评估资源分配对用户体验的影响。基于这些QoE模型，系统可以进行更智能的资源分配，以满足用户的个性化需求。

技术框架：该方案采用双层数据-模型驱动的资源管理框架。第一层是组级资源分配，利用深度强化学习算法，根据用户组的QoE模型，确定每个组应该分配的资源量。第二层是用户级资源分配，利用凸优化技术，在组内将资源分配给不同的用户，以最大化该组的整体QoE。DA模块贯穿整个框架，负责用户状态预测、QoS因子选择和QoE拟合。

关键创新：该方案的关键创新在于引入了数字代理(DA)来构建用户特定的QoE模型。与传统的基于平均QoS指标的资源分配方法不同，该方案能够根据用户的个性化行为和环境变化，动态地调整资源分配策略。此外，双层优化框架能够有效地平衡组级和用户级资源分配，从而实现全局最优的QoE。

关键设计：DA模块包含三个关键模型：用户状态预测模型（用于预测用户未来的行为模式）、QoS因子选择模型（用于选择影响用户QoE的关键QoS指标）和QoE拟合模型（用于建立QoS指标与用户QoE之间的映射关系）。Cramér-Rao界(CRB)模型被用于量化通信资源分配对感知精度的影响。深度强化学习算法采用Actor-Critic结构，奖励函数设计为长期用户QoE的加权和。凸优化问题采用拉格朗日对偶分解方法求解。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

仿真结果表明，所提出的DA辅助资源管理方案在用户QoE方面显著优于基准方案。具体而言，与传统的基于平均QoS的资源分配方案相比，该方案能够提升用户QoE约15%-20%。此外，该方案还能够有效地平衡通信和感知性能，在保证感知精度的前提下，最大化用户的通信体验。

🎯 应用场景

该研究成果可应用于智能交通、智慧城市、工业自动化等需要集成感知与通信的场景。通过优化资源分配，提升用户在这些场景中的体验质量，例如，在自动驾驶中，可以根据驾驶员的驾驶习惯和路况信息，动态调整通信和计算资源，从而提高驾驶安全性和舒适性。该研究也有助于提升无线通信系统的效率和智能化水平。

📄 摘要（原文）

In this paper, we propose a digital agent (DA)-assisted resource management scheme for enhanced user quality of experience (QoE) in integrated sensing and communication (ISAC) networks. Particularly, user QoE is a comprehensive metric that integrates quality of service (QoS), user behavioral dynamics, and environmental complexity. The novel DA module includes a user status prediction model, a QoS factor selection model, and a QoE fitting model, which analyzes historical user status data to construct and update user-specific QoE models. Users are clustered into different groups based on their QoE models. A Cramér-Rao bound (CRB) model is utilized to quantify the impact of allocated communication resources on sensing accuracy. A joint optimization problem of communication and computing resource management is formulated to maximize long-term user QoE while satisfying CRB and resource constraints. A two-layer data-model-driven algorithm is developed to solve the formulated problem, where the top layer utilizes an advanced deep reinforcement learning algorithm to make group-level decisions, and the bottom layer uses convex optimization techniques to make user-level decisions. Simulation results based on a real-world dataset demonstrate that the proposed DA-assisted resource management scheme outperforms benchmark schemes in terms of user QoE.