Semantic Communication Meets Edge Intelligence——构造终端共享的知识图谱指导无线物联网通信中文本的传输

论文链接： 

IEEE Xplore Full-Text PDF:https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9979702

1. 背景

        随着自动驾驶、智能城市等应用的发展，移动数据流量将大幅增加。传统的香农信息论（CIT）通信系统已接近其带宽上限，因此，语义通信（SemCom）概念的引入被视为应对带宽瓶颈和提升通信效率的关键方法。通过采用“先理解后传输”的策略，SemCom减少了传输数据的冗余信息，而不影响语义传递的准确性。然而，语义提取（SE）技术的高计算和存储开销限制了其在资源受限设备中的应用。

        传统信息论只关注技术层的传输，而不涉及语义信息的传递。因此，在带宽资源越来越稀缺的情况下，单纯追求传输速率已经无法满足新时代的需求。而SemCom不仅关注通信的技术层面（如何准确传输符号），还增加了语义层（符号如何传达所需意义）和效果层（所传达的意义如何影响行为）。计算机视觉、自然语言处理等AI技术的快速发展使终端设备能够进行类似人类的推理，从而实现语义通信。终端只需要传输对接收者有意义的信息，而不是原始数据，从而减轻带宽压力。

        语义通信框架与传统通信系统最大的区别在于数据处理阶段：

• 发送前的处理：在编码前，源数据会经过语义表示模块，冗余信息被剔除，只有相关的信息被传输。
• 接收后的处理：接收端通过共享的背景知识进行解码和语义解释，确保接收的信息与发送的信息一致。

        同时，语义通信引入了新的噪声类型——语义噪声。当通信双方的背景知识不匹配时，即使物理传输层没有错误，也可能会出现语义理解错误，导致通信效果下降。

        在语义度量指标上，传统通信系统主要关注比特误码率（BER）和符号误码率（SER），以衡量传输的准确性。SemCom则引入了从自然语言处理（NLP）领域借鉴的度量指标，如Bilingual Evaluation Understudy (BLEU) 用于衡量文本传输的准确度。此外，还有基于数据时效性的度量，如Age of Information (AoI)，以及语义信息错误持续时间的影响，称为Age of Incorrect Information (AoII)。

2. 系统框架

        实现语义提取需要关于AI和CS方面的技术，例如：

• 深度学习（DL）：通过Transformer、深度残差网络等先进技术，DL被广泛应用于文本、语音和图像的语义提取。DL的优势在于其在低信噪比（SNR）环境下也具有较好的鲁棒性。
• 深度强化学习（DRL）：DRL可以将非可微分的语义指标（如BLEU）融入语义通信模型的训练中，从而提升系统的整体语义性能。
• 知识库辅助语义提取：利用知识库（KB）技术，语义提取能够更加高效地识别和传递与任务相关的语义信息。
• 语义原生提取：提出了通过智能代理的交互学习动态语义信息的概念，从而使通信双方能够根据上下文和环境进行灵活高效的语义通信。

       语义通信的实现需要计算和通信资源的支持，而终端设备通常计算能力有限。本论文引入边缘计算，帮助分担这些计算任务，同时提供共享知识库，减少通信带宽需求。同时使用联邦学习，利用边缘服务器进行语义模型的训练，并通过联邦学习机制实现不同通信组之间的知识共享，提升模型的泛化能力和隐私保护。同时，知识图谱（KG）是语义管理的核心，用于存储通信目标和语义信息之间的关系，帮助实现高效的语义提取。例如，在智能交通系统中，KG可以通过存储重要的特征映射来优化目标识别任务，从而减少不必要的细节传输。

        语义通信不仅可以优化通信本身，还可以用于提高边缘智能系统的效率。使用语义感知智能代理，通过语义提取提升其决策能力。例如，使用DRL来优化自动驾驶系统中的语义提取，提高其路径规划和导航的准确性。引入语义感知分布式深度学习，通过语义压缩技术，减少分布式深度学习模型参数的传输量，以降低通信开销。