频谱知识图谱：面向未来频谱管理的智能引擎人工智能技术与咨询

频谱知识图谱：面向未来频谱管理的智能引擎

人工智能技术与咨询 4天前

本文来自《通信学报》，作者孙佳琛等

关注微信公众号：人工智能技术与咨询。了解更多咨询！

1 引言

频谱管理是指综合运用行政、技术和工程等手段对电磁频谱使用进行筹划、组织、协调和控制，以免用频设备、系统及业务间的相互干扰[1]。早期的频谱管理主要依靠人工制定频谱政策、用频规则，通过为用频设备、系统和业务统一划分频段、指配频率来实现，适用于用频需求有限、电磁环境相对简单的情况。这种条块分割的静态管理模式侧重计划分配、被动响应，人工成本高，管理效率较低，时效性较差，难以适应用频需求的爆炸式增长及电磁环境的快速变化，还会导致频谱使用不平衡、频谱利用率较低等问题。

为解决上述问题，可以利用频谱空穴来实现动态频谱接入。认知无线电是实现动态频谱接入的关键技术，它为未授权用户或认知用户提供了以机会的方式与授权用户共享无线频谱资源的能力[2-3]。在部分频谱已经固定地划分给授权用户的情况下，认知用户可以对电磁环境进行感知，检测未被使用的频谱（即频谱空穴），估计信道状态信息、预测信道容量，从中选择最优可用频率并接入，与授权用户实现频谱共享。在此过程中，认知用户是被赋予了观察、学习、适应、决策等能力以及支持在不同频率上收发信号的可重构性[4]的智能体。这也为频谱管理的智能化确立了“频谱感知-频谱决策-频谱共享-频谱移动”的主要框架[5]。

进一步地，人工智能技术的蓬勃发展为频谱管理模式的变革带来了新的机遇[6]，深度学习、群体智能、区块链等新兴技术在频谱数据分析、控制信道分配、防欺骗决策等方面表现出优越性，使频谱机会发现和利用的能力不断提升。具体而言，深度学习能够从原始数据中自动解析出更加复杂的统计模型，如Yu等[7]基于深度学习长短期记忆模型挖掘并利用频谱时间序列数据中的中长期频谱特征，提升了频谱预测的性能。群体智能理论与方法则能使分布式个体独立行动并根据环境反馈自适应地调整自身行为，所有个体互相协调耦合，最终形成自发连贯的系统智能[8]。Chen等[9]提出了一种基于群体智能的信道选择算法，利用邻居定时广播消息作为信息素对认知用户常用信道的质量进行排序，通过仅基于局部信息的节点协作解决了认知无线网络中控制信道资源分配的问题。区块链的去中心化存储、分布式共识等关键技术使私有无线设备参与贡献频谱数据、实现频谱可信安全共享成为可能。杨健等[10]将区块链技术应用到大规模超密集移动互联网的频谱共享中，将海量个人无线设备联网构成频谱设备网络，定义“频谱币”作为设备采集频谱数据的奖励，并提出由感知节点共识融合、验证节点共识验证、簇头节点共识确认构成的分布式共识机制。

频谱管理正在经历从人工/手动到机器自动化/自主智能、从静态封闭分配到动态开放共享、从集中统一指派到分布自主协同的转变，但在这一过程中仍面临以下挑战。

1) 频谱空间建模表征方式比较单一，难以适应错综复杂的电磁环境。当前，频谱态势常用频谱图来描绘，建模时主要关注可用频谱资源的时-频-空分布，具体表现为频谱的忙闲状态、辐射功率、接入协议、调制方式等。随着用频设备/系统的类型和数量不断增长，电磁频谱空间日益错综复杂，演变成多主体、多因素、多变量构成的互为输入输出的复杂系统。当前频谱建模和表征方式难以厘清频谱空间内各主体间的多元关系以及主体受因素、变量的深层影响，缺乏系统性频谱知识的精炼。

2) 频谱管理方式对于人的经验依赖性较强，难以实现自动化、智能化的频谱管理效果。静态划分的传统频谱管理模式依赖于人工操作和人员经验。在动态协同的智能频谱管理模式中，虽然频谱感知、频谱预测、频谱决策等各个环节针对各自不同的优化目标都有技术性的解决方法，但各个环节间智能算法的输入输出仍然依赖人工衔接和监督，许多操作技巧和实践经验只能被频管人员掌握，用频设备既无法理解频谱认知环路中流动的数据的语义，也无法在数据计算的基础上结合这些技巧经验进行思考，并未实现自动化的频谱共享。

3) 频谱管理效率较低，难以满足精准化、实时性的频谱管理要求。现有频谱管理方法主要是从频谱数据中建立统计模型，挖掘统计规律来进行频谱预测、频谱决策，这些模型驱动的方法存在模型复杂度、精准度、可解析性等难以调和的内在矛盾。并且，针对不同的频谱管理场景，由于缺乏系统性的频谱知识，现有模型的泛化能力欠佳。此外，对于频谱管理中的大量优化计算，多样化频谱数据的格式难以统一，频谱管理的计算能力受到限制，频谱预测、频谱决策的结果常常滞后，时效性较差。

综上所述，为推动频谱管理从静态、低效的以人工为主模式向动态、精准的智能模式转变，探索一种新的频谱管理模式是目前亟待解决的难题。为此，本文将知识图谱理论与技术应用到频谱管理中，主要贡献概括如下。

1) 提出“频谱知识图谱”的概念、体系和表示方法。

2) 面向未来频谱管理场景，构建了基于频谱知识图谱的智能频谱管理框架。

3) 探讨了基于频谱知识图谱的智能用频推荐案例，展望了基于频谱知识图谱的智能频谱管理交互应用。

2 知识图谱与频谱管理

2.1 知识图谱概述

知识图谱是一种用图模型来描述知识和建模世界万物之间关联关系的技术方法[11]。它利用图模型中的节点和节点间的边来表示复杂的人类知识，其中节点代表实体，可以是具体的事物或者抽象的概念；边代表实体间的关系或者实体的属性。这种图模型的表达通常描述为三元组的形式。知识图谱中的实体和关系具有明确的语义，可以由计算机进行形式化解释、推理和判断，用自然语言描述的人类知识由此被映射为机器可以计算和理解的信息。

知识图谱在 2012 年由谷歌公司提出，用于优化搜索引擎服务[12]。但实际上，它并非一项突然出现的新技术，而是由历史上很多相关概念互相影响和继承发展而来[11]，例如专家系统[13]、语义网络、本体、语义网等。表1列出了这些相关概念与知识图谱间的联系和区别。知识图谱常被称为语义网的知识库，谷歌公司提出的知识图谱搜索引擎服务就是以语义网Freebase作为数据基础改造的，现代知识图谱通常沿用语义网中的资源描述框架（RDF, resource description framework）进行简单实用的知识表示，从这点来看，知识图谱与语义网是十分相似的。但语义网中以符号逻辑为基础的知识表示方法只善于刻画显式、离散的知识，难以描述隐性知识、过程知识[13]。知识图谱则可将每一个实体和关系都映射到低维向量空间中获得它们的向量表示，通过数值计算实现隐含关系的推理。这种自动化的知识图谱嵌入技术[17]也使知识图谱的规模得到空前的扩展。传统的专家系统常依赖人工定义语义关系、获取知识，知识库的规模十分有限，而现代知识图谱与其最显著的差别就是知识图谱的规模巨大及其构建过程自动化。同时，逐渐成熟的自然语言处理技术更是与知识图谱互为支撑、互相促进，自然语言处理的众多算法已在实体抽取、关系抽取、知识融合等知识图谱构建环节中发挥关键作用。

表1   相关概念与知识图谱的联系和区别

概念	含义	与知识图谱的联系	与知识图谱的区别
专家系统[14]	一个具有大