diff --git a/proposal.pdf b/proposal.pdf
index 5adfa81..c4af889 100644
Binary files a/proposal.pdf and b/proposal.pdf differ
diff --git a/text/03_method.tex b/text/03_method.tex
index 15578ac..1deb46d 100644
--- a/text/03_method.tex
+++ b/text/03_method.tex
@@ -5,15 +5,40 @@
 
 \section{系统模型}
 
+\subsection{网络拓扑与业务场景}
 
+如图~\ref{fig:system_model}所示，本文考虑一个由单接入点（AP）与 $N$ 个终端（STA）构成的边缘WiFi推理网络。视觉语言模型（VLM）或视觉语言动作模型（VLA）部署于AP侧，各STA通过WiFi链路向AP发起实时视频推理请求，形成"终端采集—无线传输—边缘推理—结果返回"的闭环服务链路。为模拟不同程度的网络拥塞，本文将在后续实验中引入WiFi同频干扰作为背景流量，以构造从轻载到重载的多种无线信道条件。
 
 \begin{figure}[!h]
     \centering
     \includegraphics[width=0.6\linewidth]{figure/毕业论文-系统场景.pdf}
-    \caption{面向实时视觉模型推理的WebRTC–Wi-Fi联合优化系统模型}
+    \caption{研究场景}
     \label{fig:system_model}
 \end{figure}
 
+\subsection{基本假设}
+
+为聚焦核心问题，本文明确以下研究假设：（1）AP 具备充足的边缘算力以部署 VLM 或 VLA 模型，推理请求到达后立即置入模型 batch 中处理；（2）各 STA 部署有实时视频推理客户端，通过 WiFi 网络接入 AP，其中视频流采用 WebRTC 协议传输，任务请求与推理结果采用 WebSocket 协议传输；（3）WebRTC 内置的拥塞控制算法（如 GCC）根据网络状态动态调节视频编码码率——码率越低，视频压缩质量越差，同时码率选择也会反向影响 WiFi 上行队列的排队时延，形成传输质量与时延之间的耦合；（4）假设模型流式响应的每个chunk中只包含一个token。
+
+\subsection{通信与推理流程}
+
+在上述假设下，一次完整的实时视觉推理请求经历以下阶段：首先，终端通过 WebRTC 持续上传实时视频流，在需要服务时，终端通过 WebSocket 向 AP 发送文本形式的任务请求；同时；AP 在收到请求时，采样最近的视频帧，并调用已部署的 VLM/VLA 模型进行在线推理；最后，模型以流式方式逐token生成响应，并通过 WebSocket 回传至请求终端，直至推理结束。
+
+\subsection{核心性能指标}
+
+本文将视觉模型推理服务的用户体验质量（QoE）定义为\textbf{准确度}与\textbf{响应及时性}两个维度的综合度量。响应及时性由首 Token 响应时间（Time to First Token, TTFT）和 Token 间延迟（Inter-Token Latency, ITL）两个指标刻画。其中，TTFT 定义为从请求发出到终端收到首个 token的时间间隔，它同时涵盖了上行传输、模型推理和下行传输三个环节，是反映端到端响应速度的综合指标。ITL 定义为相邻两次 token（或 chunk）到达终端的时间间隔，反映模型输出的流畅程度。由于模型以 chunk 方式批量输出，ITL 同时受到模型生成速度和下行批量发送行为的双重影响，难以简单拆分为推理时延与传输时延。为全面刻画 ITL 的分布特征，本文不仅关注 ITL 的均值，也关注其高分位数（如 $P_{90}$、$P_{95}$），以捕捉影响交互连贯性的尾部延迟。
+
+准确度方面，模型推理的准确度衡量输出结果与真实期望的吻合程度，其具体计算方法因任务类型而异（例如具身智能中的任务成功率、视频问答中的答案正确率等），后续研究将分别定义。
+
+\subsection{优化问题描述}
+
+综合上述分析，本文的核心研究问题可表述为：在单 AP、多 STA 的 WiFi 网络环境中，通过协同调节 WebRTC 层的传输策略（码率、FEC 冗余率、帧率、分辨率等）与 WiFi MAC 层的调度策略（队列优先级、过期帧清理阈值等），最大化视觉模型推理服务的综合 QoE。该优化问题可概括为：
+
+\begin{equation}
+    \max_{\pi}\ \mathbb{E}\left[\,\mathcal{Q}\big(Acc,\ TTFT,\ \overline{ITL},\ P_{95}(ITL)\big)\,\right]
+\end{equation}
+
+其中 $\pi$ 表示跨层协同控制策略，$\mathcal{Q}(\cdot)$ 为准确度与及时性指标的效用聚合函数。后续章节将围绕该目标，依次开展仿真平台构建、跨层关联分析和联合优化方法设计等工作。
 
 
 \section{面向实时视觉模型业务的闭环联合仿真平台}