没有合适的资源?快使用搜索试试~ 我知道了~
6G语义通信网络的愿景和支持技术
工程学8(2022)60研究6 G需求、愿景和支持技术-文章走向智慧-进化和原始-简洁的6 G:语义通信网络张平a,b,徐文军c,刘文,高辉d,牛凯c,徐晓东a,秦晓琪a,袁彩霞e,秦志金f,赵海涛,魏继波,张芳伟北京邮电大学网络与交换技术国家重点实验室,北京100876b鹏程实验室,深圳518066,中国c北京邮电大学通用无线通信教育部重点实验室,北京100876d北京邮电大学可信分布计算与服务教育部重点实验室,北京100876e北京邮电大学人工智能学院,北京100876f伦敦玛丽女王大学电子工程与计算机科学学院,英国伦敦E1 4NS g国防科技大学电子科学与技术学院,长沙410073 h北京邮电大学人文学院,北京100876阿提奇莱因福奥文章历史记录:2021年1月4日收到2021年5月31日修订2021年9月1日接受2021年11月17日网上发售保留字:6G语义信息语义沟通智能沟通A B S T R A C T第六代(6 G)移动网络将通过提供即时、高效和智能的超连接来重塑世界,正如之前提出的Ubiquitous-X 6G网络所设想的这种超大规模的全球连接将给6G网络的运营和管理带来巨大挑战,需要革命性的理论和技术创新。为此,我们提出了一种新的途径,以提高网络功能,实现Ubiquitous-X 6 G网络的智慧进化和连续简洁网络(WePCN)愿景特别是,我们的目标是通过首先构思一个新的语义表示框架,即语义库,然后建立一个智能和高效的语义通信(IE-SC)网络架构,具体化向WePCN的演变路径。在IE-SC架构中,采用语义智能平面来经由语义信息流互连语义授权的物理承载层、网络协议层和应用意图层所提出的架构集成了人工智能和网络技术,以实现6G中各种通信对象之间的智能交互。它具有较低的带宽要求,较少的冗余,更准确的意图识别。我们还简要回顾了语义通信的最新进展,并强调了潜在的用例,并补充了6G面临的一系列挑战©2021 THE COUNTORS.Elsevier LTD代表中国工程院出版,高等教育出版社有限公司。这是一篇CC BY-NC-ND许可下的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)中找到。1. 介绍人类社会正在进行第四次工业革命,主要由万物数字化、信息和通信技术(ICT)以及人工智能(AI)创新的融合驱动。ICT在社会向智能化和数字化时代发展的过程中发挥着至关重要的作用。 随着第五代(5G)移动网络的推出,5G正在为人类,机器和事物的互联网开辟一个新的范式,通过无处不在的协调来实现*通讯作者。电子邮件地址:wjxu@bupt.edu.cn(W. Xu).通信、计算和控制(UC3)能力[1]。第六代(6G)移动网络的愿景是通过在物理世界和数字世界之间提供即时、高效和智能的超连接来重塑世界。这一趋势为移动通信开辟了一个新时代,通信的范围将跨越物理和数字世界。6G的研究最近开始,重点是创新的网络架构和关键技术[2]。值得注意的是,6 G所设想的超大规模和跨世界连接给网络运营和管理带来了巨大挑战,正如我们在提出的Ubiquitous-X 6 G框架[1]中所提到的那样。除了传统的https://doi.org/10.1016/j.eng.2021.11.0032095-8099/©2021 THE COMEORS.由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版。这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表工程杂志首页:www.elsevier.com/locate/engP. Zhang,W.Xu,H.Gao等人工程学8(2022)6061该框架引入了一种新型的通信对象-物架构,即精灵,来连接物理世界和作为人工智能赋能的物理通信对象超级助手,精灵可以准确识别意图,处理超出物理通信对象经验和能力的复杂信息处理此外,它聚集和提取有价值的信息,使有效的意图为导向的通信对象之间的互动通信对象的特性如表1所示。Ubiquitous-X 6 G的广泛普及受到某些关键挑战的阻碍,包括连接的爆炸性增长,刚性分层网络协议的缺乏以及具有多样化服务需求的创新应用的出现。考虑一个场景,其中多个通信代理交互和协作以完成特定任务。这些智能体之间的交互涉及实时传感数据交换、信息融合和协同决策。大量数据交换可能在信令成本和协议开销方面按比例增加网络复杂性。我们相信,通信代理的智能可以充分利用,以确定任务相关的信息,使代理之间的交互变得简洁和高效。如图1所示,四种类型的通信对象之间的面向智能的互连依赖于语义通信,其通过传输关键语义元素来提高0-1比特流中的常规数据交换具有态势感知和背景知识的通信对象将从其意图中提取语义元素,以提高传输效率。关于语义交流的研究已经有相当数量的文献发表。自从香农在人工智能的帮助下,语义感知通信技术正在出现。在物理层处理中,自然语言处理(NLP)和计算机视觉的最新进展实现了语义增强编码策略[4]和端到端语义传输方案[5,6],这提高了不同类型源的传输质量。在媒体访问控制/链路/网络协议层中,启动语义过滤机制[7]以减少分层协议的冗余在应用层,基于语义的用户意图识别[8]用于自动化网络配置和简化网络管理。尽管我们在每个协议层中实现AI授权和语义感知技术方面取得了巨大成功,但仍然缺乏系统的框架因此,至关重要的是构思一个初始架构,以便在6G的多个层中嵌入语义智能(SI)。在此基础上,提出了一种智能高效语义通信(IE-SC)架构,旨在提高网络智能化水平,实现更高效、更简洁的网络。与传统的网络设计理念不同,传统的网络设计理念主要通过在多个域中堆叠更多频谱、计算模块、更密集的接入点和日益复杂的天线来提升网络能力,我们通过源于积累的网络智慧的简洁信令来提升网络能力。IE-SC体系结构的核心是一个新的SI平面,它实现了语义环境表示、背景知识管理、语义推理和决策。此外,本文还设计了三个新的语义授权抽象协议层,即语义授权物理承载层(S-PB)、语义授权网络协议层(S-NP)和语义授权应用意图层(S-AI)。SI平面通过语义信息流(S-IF)协调三个层,语义信息流(S-IF)跨网络携带应用意图和语义信息。在接收到S-IF时,S-NP层可以编排意图相关语义以生成灵活且简洁的协议。S-PB层与S-NP层协同工作,采用适当的语义和语法联合编码策略,提高物理资源利用率,实现更高的意图实现效率。以这种方式,所提出的IE-SC架构可以解决Ubiquitous-X网络面临的高复杂性问题。此外,该架构还可以全面提升网络能力,实现未来WePCN的愿景:为未来的应用和服务构建一个有序、高效、智能的Ubiquitous-X网络本文的组织结构如下。在第2节中,我们讨论语义信息和通信的相关工作在第3节中,我们介绍了IE-SC框架和S-PB层的技术内容以及初步的仿真结果,并构思了S-NP和S-AI层的概念和路线图。在第4节中,我们进一步提出了IE-SC的三个有前途的应用场景,并在第5节中确定了一系列未来的工作思路。第6节是本文的结论。2. 语义信息与通信的最新进展语义信息的概念自提出以来,一直在不断地被完善。语义交流的早期研究遵循香农概率测度框架,表1Human–machine–thing–genie通信定义/概念特征/角色能力使用人类物理世界Machine可以主动启动通信过程的设备被动参与通信过程的对象精灵数字世界API:应用程序编程接口。通信服务通信服务的提供者/用户通信服务通信服务的提供者/用户在人-机-物-精灵循环中扮演主要角色适度扩展人类补充人类的感知能力超级人机物融合认知●以人为本的沟通● Human-X API通信●以机器为中心通信● Machine-X API传感●物联网● 感知计算智能●AI赋能超级物理通信对象P. Zhang,W.Xu,H.Gao等人工程学8(2022)6062Fig. 1. 人类、机器、事物和精灵之间以智能为导向的语义互连的说明。并辅以逻辑和模糊变换。近年来,基于人工智能的应用蓬勃发展,为语义通信系统的设计提供了新的机会。 在本节中,我们回顾了语义信息概念的发展和语义通信系统的最新进展2.1. 语义信息语义信息理论的发展大致可以分为两个主要阶段。经典的语义信息理论起源于前香农时代,其特点是与香农信息测度和原始自然语言相联系。同时,现代语义信息理论主要是近十年来发展起来的,对语义信息本质的认识也越来越多样化。2.1.1. 经典语义信息论语义学的概念最早由莫里斯提出[9],他在符号理论中引入了句法、语义和语用的三重定义。Weaver[10]提出了一个三层次的交际框架,并进一步刻画了交际的句法、语义和语用特征。Carnap和Bar-Hillel[11,12]在1953年用命题逻辑概述了语义信息理论他们还使用了语义信息的概率度量Barwise和Perry[13]将语义信息理论[11,12]扩展到情景逻辑,Floridi[14]解决了矛盾不能正确度量的问题。D’Alfonso2.1.2. 现代语义信息论在过去的十年里,语义信息理论的概念已经超越了卡尔纳普的框架。例如,钟[16]通过引入信息三位一体提出了语义信息理论,并证明了语义信息是三位一体的唯一代表。Kolchinsky和Wolpert[17]将语义信息定义为系统与其环境之间的句法信息,这些句法信息对系统和环境之间的因果关系有贡献。从物理的角度来看系统的持续存在。最近,Kountouris和Pappas[18]给出了通信系统不同级别的语义信息的多粒度定义,并使用Rényi熵[19]来测量语义信息。Jiang等人[4]指出,当前通信系统的局限性归因于缺乏语义意识,并建议人工智能可以促进语义信息技术。人们已经观察到,现代语义信息理论提供了语义信息的全面视图,并展示了其为通信系统提供人工智能的巨大潜力。2.2. 语义通信语义交际的核心是保证信息意义的成功传递由于语义的广泛性下文简要回顾了最近的一些工作2.2.1. 基于语义的物理层传输经典的基于模型的信源编码和信道编码在Shannon框架中的目标是在接收端准确地恢复语法信息,即确保准确的符号接收。而语义通信过程则以准确地还原目的地的语义信息为目标,关注符号之外的信息内容,在编码目的和编码方法上都有新的特点。现有的工作[4,6,20-由于语义通信仍然缺乏全面统一的数学公式[4],现有的语义编码和解码模块主要用无模型机器学习方法实现[20此外,现有的解决方案可以大致分为两类:模块化设计和集成化设计。模块化设计将语义编码和解码模块添加到具有逐块分割的现有通信系统中。语义编码和解码模块实现句法信息和语义信息的相互转换,支持文本、语音或图像的高效传输例如,基于上下文的解码器被集成到传统的通信系统中,以减少文本的解码开销[4]。作为另一个例子,在参考文献[20]中采用长短期记忆(LSTM)网络来提取文本的含义进行语义编码和解码,这进一步提高了文本传输的性能。综合设计采用语义增强的联合语义编码P. Zhang,W.Xu,H.Gao等人工程学8(2022)6063和解码模块以及其它信道编码或联合信源信道编码模块以共同的目标进行优化。例如,一个端到端的语义通信体系结构,在参考。[21],它结合了语义推理和物理层通信来消除语义错误。文献[1]提出了一种基于自编码器结构的信源信道联合[22],其中卷积神经网络取代了传统的信源/信道编码块。Lite语义通信系统是在参考文献中提出的。[5,6],其将联合信源信道编码与修剪策略相结合此外,端到端的语义通信已被提出在参考文献。[5,23]用于文本/语音传输,其在各种信道条件下表现出显著的性能2.2.2. Application–aware communication现有的较低层通信协议被设计为支持各种上层应用,通常提供可能并不总是与特定应用相关的相对广泛的功能。最近出现了一些主要的方法是跨层协议设计。例如,提出了有效的路由协议来解决无人机(UAV)自组织网络[24]和车辆间网络[25]中的高移动性和动态拓扑挑战,其中较低协议层中的信息直接集成到路由协议中以减少端到端延迟。最近,提出了一种更雄心勃勃的此外,应用感知协议设计可以处理多Agent通信,这为移动通信网络中新的协议设计提供了例如,Sukhbaatar et al.[26]提出了一种基于学习的多智能体通信方案,其中交互策略或协议是通过神经网络自治的这样的类人通信协议可以被认为是具有减少的资源消耗的智能通信代理的自治协议的原型。2.2.3. 基于语义的意图驱动网络目前的网络管理和控制不能自动捕捉用户的业务意图,并在细粒度上灵活地语义相关技术在识别用户意图并在网络上实现这些意图以实现意图驱动的智能网络方面至关重要具体来说,通过利用AI和NLP的最新进展,在准确识别和理解意图方面取得了一些进展例如,参考文献提出了上下文口语理解方法中的工作流。[8,27],它可以通过捕获上下文语义来同时识别意图和信息槽参考文献[28]中提出了一种基于意图的云服务管理框架,该框架理解NL中的用户最近,基于意图的网络的新架构和使能技术已经在参考文献中进行了综述。[29],这表明用户受上述研究的启发因此,需要先进的语义处理技术来实现准确的意图识别、分解和表示在一般情况下。此外,意图驱动的设计应该在网络协议层上全面实现,将所有与意图相关的元素结合起来,形成一个集成的、敏捷的意图驱动网络。3. IE-SC架构语义信息理论和通信技术的最新进展相对零散。在不同的网络层的应用程序在本节中,我们将通过将IE-SC集成到WePCN中,进一步深化Ubiquitous-X 6 G[1]更具体地说,我们将首先构思语义基础(Seb),并提出一个语义增强的Ubiquitous-X 6 G架构。然后,我们将介绍先进的语义通信和信息处理技术、基础设施和模块,以增强网 络 功 能 并 重 新 制 定 网 络 协 议 层 次 结 构 。 我 们 还 将 介 绍 在Ubiquitous-X 6 G中实现各种通信对象之间智能通信的机制。3.1. 语义库香农经典信息论中提出的“比特”概念不是一个单位,而是一个信息熵的表示和度量框架。根据这一观点,我们提出了“Seb”的概念作为语义信息的表示框架。特别是,Seb提供了一种模块化和高度抽象的方法来表示语义信息,从而使语义通信更加高效。为了更直观地阐明Seb和Bit之间的差异,我们参考构建架构的过程,如图2所示。从发射机发出的原始信息是建筑的轮廓。通信系统使用其预定义的基础来传递该消息。传统的通信系统可以被认为是在接收端以一砖一瓦的方式构建架构或重构消息。比特就像砖块和混凝土一样,它精确地表示了原始消息。相比之下,语义通信系统使用Seb,这类似于使用夹层板/集成窗户或门来重建架构/消息。这样一种配置在Seb尺寸的材料仓库的帮助下得到高度调节。因此,使用体系结构分解/分解和仓库的常识,消息传递更加有效。Seb可以提供一个新的视角来描述涉及应用意图和信息形式从抽象的角度来看,Seb作为一个表示框架。它包含多层次的转换,提取信息更具体地,Seb可以包含用户意图相关的背景知识、意图-知识映射机制、语义元素提取和表达式; Seb的输入可以是通信的意图,并且Seb的输出可以是携带意图相关的语义元素的比特序列Seb内的意图相关背景知识可以被认为是特定的知识图或其他有组织的表达。以知识图为例,每个顶点代表一个语义元素,每条边代表两个语义元素之间的关联。此外,语义元素提取找到了与意图实现过程相对应的所有可能路径。最后,语义元素表达是一个合适的位P. Zhang,W.Xu,H.Gao等人工程学8(2022)6064图二. 传统通信系统与语义通信系统的比较。可以唯一地标识面向意图的语义信息的序列。此外,Seb可以进一步开发为符合Bit的测量框架它将包含Bit框架作为一个特定的案例,并提供语义信息的多角度测量。例如,当从信息的物理形式或语法角度来看时,可以从Seb获得携带信息所需的比特数。当从应用意图或信息的语义角度来看时,语义元素可以从Seb获得。因此,Seb可以作为一个表征和测量框架,以涵盖信息的多模态和多视角特性。Seb的一般原理和机制需要进一步研究。3.2. IE-SC架构3.2.1. 建筑设计在本小节中,我们提出了一种新颖的IE-SC架构,其特点是一个平面,三层和一组流程,如图3所示。更具体地说,SI平面负责语义表示、知识管理、语义决策和推理。SI平面与三个层协调S-AI层,识别和分解用户意图; S-NP层,实现支持智能网络的语义授权交互协议;S-PB层,在物理层实现语义授权的消息传输。S-IF是环境信息和内部信息的高级表示前者包括物理环境、频谱环境、电磁环境等信息.后者包括网络层信息、决策信息和其他相关情报信息。SI平面和三个语义授权层经由一组S-IF彼此交互所提出的IE-SC和传统的语法通信架构之间的简要比较在表2中给出。值得注意的是,IE-SC架构需要修改、增强或替换现有网络模块。然而,这些努力可以导致具有改进的信息传输效率、管理控制效率和意图实现效率的先进网络同样值得注意的是,现有网络的快速增长源于通信链路和数据的爆炸性增长。IE-SC为应对这一挑战提供了一种新的方法特别地,随着专用芯片组和硬件的进步,在收发器处的语义的感知可以通过减少所传输的数据比特的数量同时保持通信的意图来显著地提高通信效率。3.2.2. SI面SI平面跨越IE-SC架构中的所有层,并且具有以下功能:(1) 语义环境表示。通过过滤和语义提取对内外部环境信息进行处理,然后在SI平面上对信息进行聚合。在语义分类之后,形成环境表示。然后将语义信息嵌入到S-IF中,S-IF可以流过SI平面和不同层的接口。(2) 背景知识管理。不同网络元件和层的不同背景知识(诸如上下文和环境)将影响S-AI、S-NP和S-PB层的性能。因此,SI平面负责协调背景知识的交换。SI平面可以对语义提取后的知识进行分类、集成和存储。然后,它通过S-IF共享知识。(3) 语义判定和推理。SI平面能够评估网络能力并合成用户意图。更具体地,S-AI层经由S-IF将分解的用户意图馈送到SI平面SI平面然后综合意图和网络功能以评估可实现的性能。然后,它为所有网络层执行决策最后,决策被传输到控制平面以实现意图驱动的传输和联网。3.2.3. S-PB层语义通信的目的不同于传统的数据通信,因为语义通信传递意义。为了实现这一目标,S-PB层负责携带来自上层的语义信息与物理信号; S-PB层中的以下模块应仔细设计。●●●P. Zhang,W.Xu,H.Gao等人工程学8(2022)6065≥¼JF 公司简介图三. 支持智能语义通信的Ubiquitous-X 6 G框架,具有SI平面,S-AI层,S-NP层和S-PB层三层以及S-IF。表2语义通信架构与句法通信架构的比较性能指标\体系结构语义通信体系结构句法通信架构计算和实施高低延迟低高带宽低高精度高低吞吐量高低(1) 语义编码/解码。采用模块化设计方法,信息的编码和恢复过程在语义层实现,独立于系统中的信道编码等其他(2) 语义感知的联合信源信道编码/解码。本发明可以联合设计信源编解码和信道编解码进行语义编解码。(3) 信道信息的语义提取/利用。信道状态信息,如衰落,干扰和信噪比(SNR),提取和整合,以促进语义信息传输。语义通信链路的架构在图4中示出。值得注意的是,来源和目的地的背景知识一般可能不同。因此,在源处提取的语义信息可能被目的地以不同的方式理解,这对语义通信提出了重大挑战。在下面的讨论中,我们提供了三种情况下,语义传输的S-PB层与完全同步的源-目的地的文中还讨论了语义编解码和语义感知联合在这里,我们主要考虑数据驱动方法。模型驱动的语义编解码和语义感知的联合案例1:基于上下文的文本基于上下文的语义编码/解码是根据模块化设计方法设计的,如图4所示。 发送者除了项目出现概率分布之外,基于POS的编码方法还考虑到一个码字可以被分配给具有不同POS标记的多个项目,即名词、动词等,以减少传输比特的数量解码方法可以基于特定的上下文信息来区分具有相同码字的这些语义上遥远的项。编码过程可以描述为四个步骤,以Google首先,语料库中的所有词被假定为P类(P2)根据其词性标记,其中P是类的数量。其次,将每个类别按其词的出现频率降序排列,形成其出现频率排序表。第三,从每个类中获取列表的第i个单词放入编码节点阿i我1; 2;:; M;其中M表示最大项目数在这些P类。注意,每个编码节点包含P个字A i P,A i的权重是这P个词出现的频率之和。第四,用所有编码节点构建霍夫曼树,其中每个Ai对应于一个叶节点。霍夫曼编码从叶子到根工作,以最小化码长的概率加权平均值。P. Zhang,W.Xu,H.Gao等人工程学8(2022)6066S¼ð Þ22BbBBBx~pxk2-εDD见图4。S-PB层中的语义通信说明。在基于上下文的解码方法中,序列s被表示为s1;s2;. . ;s n,n Z是基于上下文的动态规划中序列或上下文窗口的大小算法这里,s可以被建模为马尔可夫链,并且上下文可以被建模为状态转移概率。因此,解码涉及在收集s的所有可能实现的集合中找到具有最大概率的序列sω。然后,采用N-gram模型[31]和动态规划算法将问题求解为sω^argmaxs2S多项式,其中S是包含s的所有可能实现的集合,并且NZ是上下文窗口的大小。连续词袋(CBOW)[32]用于提取相关的上下文f是提取上下文的要素窗口案例2:工业图像在这种情况下,我们提出了一种特定场景下的语义图像编码/解码方案,如图6所示。在所考虑的模型中,输入图像x被语义源编码器gEx;hE压缩为语义向量w,其中hE是参数集gE·。在此之后,语义向量w应该被量化为W、编码和调制为用于传输的离散符号。通道解码器和由hG参数化的语义源解码器gG w;hG生成重建图像X从的嘈杂符号在的接收机的源编码器/解码器参数是联合优化作为hω;hω1/4argminEx1/2kHQgx;hEdx;gQgx;hE],功能. 我们将CBOW与LSTM[33]结合起来,.EGhE;hGE D E提高解码性能,以便提取上下文特征。图5(a)示出了基于POS的语义编码方法的动态平均码字长度比基线(即,标准霍夫曼编码方法)的动态平均码字长度短。该观察结果表明,所提出的编码方法可以减少用于传输的比特数。在图5(b)中,当特征窗口f的大小被设置为4时,关于发送和恢复的字符的四个标准语义相似性分数都随着上下文窗口大小n此外,当n不小于f时,所提出的上下文-其中H·是香农熵,d·是失真函数,Q·是量化函数,Ex·表示x的期望算子,k是超参数,gD是一个k。我们使用k>0来平衡失真项与熵项。通常使用的失真(例如,均方误差(MSE)),有时无法描述人类的语义/感知扭曲。因此,我们使用MSE来测量像素级失真,并使用神经网络来学习语义/感知失真。失真损失定义为:dx;x¼Ehakx-bx2湾bx;hi,其中p(·)表示的解码方法实现并保持了高语义相似性得分随机变量a和b的概率分布 有两平衡相关项的控制因素,gDx;hD是图五. (a)动态平均码字长度;(b)具有大小为4的特征窗口的语义相似性。METEOR:用于评估具有显式排序的翻译的度量; word 2 vec:词到向量。P. Zhang,W.Xu,H.Gao等人工程学8(2022)6067×ðÞ××由hD参数化的网络,其形成具有gEx的生成对抗网络(GAN)结构;hE.我们的训练集由一个大型的图像集组成,工业相机。该模型的训练分辨率为256 256,并利用1920 × 1080图像进行微调,其中H × W的分辨率表示具有H像素高度和W像素权重的图像。Adam[34]被选为优化器,在训练阶段的50 0000次迭代中,学习率为0.0002详细的模拟设置见表3。为了公平比较,H.264编码设置为逐帧编码模式,即仅帧内模式。诸如峰值信噪比(PSNR)或结构相似性(SSIM)的逐像素度量因此,我们采用学习的感知图像块相似性(LPIPS)度量[35]进行评估。 视觉示例如图所示。7.第一次会议。案例2给出了一个特定行业中有限图像训练数据集的语义图像传输方案场景对于广义图像源,需要更多的研究工作来开发通用的编码和传输方案。案例三:基于深度学习的端到端语义编码/解码与模块化设计不同,信源编码和信道编码可以由神经网络联合设计和表示。在这种情况下,语义收发器可以被认为是一个端到端的通信系统,它合并了典型的通信块来表示和传输语义信息[5],如图4中的虚线框所示。支持深度学习的语义通信(DeepSC)[5]及其变体,名为L-DeepSC[36]和DeepSC-S[23]已经被提出用于文本和语音传输。源信息通过语义传输器直接映射到传输的符号,语义传输器包括语义编码器和信道编码器,由神经网络表示。在接收器处,通过以下方式恢复噪声信息:的对应语义接收机更具体地说,图六、工业图像的语义编码/解码神经网络插图x:输入图像;w:语义向量;w:量化后的w;x:重建图像;LDPC:低密度奇偶校验码; LeakyReLU:泄漏整流线性单元; Conv:卷积; Decov:去卷积。B b表3模拟设置。信源分辨率帧率(fps)信道信道编码码率(Mbps)LPIPS原始视频1920×1080 25 3 dB AWGNC(660,440)LDPC 415-H.264编码1920× 1080 25 3 dB AWGNC(660,440)LDPC 12.44 0.15语义编码1920× 1080 25 3 dB AWGNC(660,440)LDPC 2.49 0.14fps:每秒帧数dB:分贝;特设工作组:加性白高斯噪声信道; LDPC:低密度奇偶校验码; Mbps:兆比特每秒; LPIPS:学习感知图像块相似性。P. Zhang,W.Xu,H.Gao等人工程学8(2022)6068Transformer[37]用于提取语义信息。信道编码是通过一个完全连接的层来实现的以文本为例,神经网络的输入是一个句子。训练整个神经网络的总损失函数是交叉熵(CE)和估计互信息(MI)的加权和,它在语义层面恢复传输的句子,并最大化数据速率[31]。此外,去噪神经网络在训练期间估计信道状态信息[36]。此外,由于发射机直接将原始句子映射到发送符号,因此学习的星座将不限于几个点,从而给硬件带来额外的负担在这方面,已经提出了一种两阶段方法来压缩由训练模型的网络量化启发的学习星座点。通过这样做,压缩的星座点仅需要8比特用于量化而没有性能下降。因此,降低了神经网络模型的大小,使得所提出的方法适用于物联网场景。图8[5,38]示出了所提出的DeepSC与以下基准的性能比较:①具有霍夫曼编码和里德-所罗门(RS)码的传统通信链路(5,7)在64-正交幅度调制(QAM); ②传统的通信链路,采用64-QAM中的RS(7,9)进行五位编码;以及③支持深度学习的联合双语评价替补(BLEU)分数用于衡量句子相似度;这是机器翻译中常用的指标[39]。如图8[5,38]所示,所提出的DeepSC方法比基准更好,特别是在低SNR状态下。3.2.4. S-NP层S-NP层的主要功能是通过智能网络协议有效地服务于上层应用意图意图与沟通的目的有关例如,终端和监视器之间的实时交互的目的是检测异常情况,因此交互旨在作为另一个例子,工业网络中的两个代理之间的通信的目的是协作地完成特定任务,因此交互旨在“交换”数据或“确认”事实。因此,S-NP层的设计主要关注语义交互机制和策略。更具体地,S-NP层包括几个关键模块:图7.第一次会议。(a)(i)原始图像、(ii)语义编码方法和(iii)H. 264编码的视觉比较结果(b)(i)原始图像的视觉比较结果(ii)语义编码方法,以及(iii)具有错误传播的H.264编码见图8。双语评估替补(BLEU)分数与SNR对于相同的传输符号总数,具有基准和我们在AWGN信道下训练的DeepSC[5]:(a)1-gram,(b)2-gram,(c)3-gram和(d)4-gram。RS:P. Zhang,W.Xu,H.Gao等人工程学8(2022)6069语义信息计算。该模块从S-IF中提取意图信息,并从对应方获得知识。语义协议解析。该模块分析当前协议的可用功能。语义协议形成。该模块对原有协议进行优化或形成新的协议以满足应用程序的意图。语义信息转换。该模块根据生成的协议封装语义信息。由于网络智能将朝着6 G不断加强,6 G网络中的单元/终端之间的交互协议将产生SI。以路由方案为例,SI平面确定具有高级SI的路由策略,以便直接满足用户的意图。此外,路由策略是动态的和自主的,因此它不是完全由网络管理员预设的,如在传统的路由方案中所做的那样。智能多代理通信的最新进展为未来网络的自治协议提供了新的见解。在文献[1]中提出了一种基于深度学习的多智能体通信方案[26],其中提出了基于学习的这种智能交互可以被认为是建立在现有协议层之上的语义应用层协议。在这个方向上,参考文献[40]提出了一种面向目标的引用表达式生成方法,该方法研究了智能交互方案以实现应用意图。智能体利用学习到的模型,根据交互式对话线索生成参考表达式,显著提高了目标实现效率。参考文献[40]中的方案提供了一些启发基因之间基于意图的语义交互的线索。图9概述了用于这种语义交互的流水线方法,其包含三个主要步骤:复杂的互动和学习。在这一步中,两个精灵通过多轮的对话,学会了解对方的意图,积累经验,提高沟通效率新知识更新。在这一步中,精灵们更新了他们关于沟通目标和互动策略的知识。简化的语义交互。在这一步中,精灵们可以细化优化交互策略,实现知识积累后的高效语义交互。设计低层网络协议以支持有效的语义交互是具有挑战性的。针对这一目标,我们设想了一个路线图,在IE-SC架构中的S-NP层的发展一般来说,我们可以修改现有的分层协议根据交互意图与语义意识,然后逐步整合这些协议朝着一个新的自治协议。更具体地说,在特定意图的引导下,Ubiquitous-X 6 G框架中的genie可以使用语义信息计算和协议解析模块来感知和过滤与意图相关的协议功能,以减少非意图相关的协议冗余。然后,基于意图相关的协议功能,精灵重新安排协议功能与特定意图确定的适当的优先级语义协议生成模块生成具有清晰语义感知的修改协议由于精灵是智能的,可以学习和积累各种协议修改策略。利用这些策略的经验,可以通过将新意图与S-NP层中的适当语义感知协议最后,可以实施先进的人工智能工具,以促进集成和自主协议,通过使用积累的知识与一般意图保持一致。协议功能将被自动编排甚至生成,各层之间的界限也将变得模糊。3.2.5. S-AI层从广义上讲,每个通信用户或对象都具有与特定网络服务相关的意图。用户的意图通常被分解并转化为网络的特定部署、配置或控制策略。语义在用户意图的表达和网络对该意图的理解中起着双重作用。在我们提出的架构中,S-AI层可以挖掘,理解和分解意图。它可以通过S-IF将子意图集传输到SI平面,以驱动智能网络管理。 如图 10、S-AI层主要有三个功能:意图采矿。在收到最初的意向书S-AI层从用户/应用程序中提取、分析、聚合和合成这些意图以供进一步处理。意图分解。提取的意图被分解为一组子意图,这些子意图可以指导每个层的功能的执行。语义表征。S-AI层对子意图集合执行意图表示,从而促进SI平面图9.第九条。多智能体交互式对话组织协议的需求,以支持特定的通信意图作为基础知识的积累递增●●●●●●●●●●P. Zhang,W.Xu,H.Gao等人工程学8(2022)6070图10个。提出的广义意图解析过程。S-AI层用于通过语义分析、聚合和合成来挖掘意图;然后将挖掘的意图分解为多个子意图。最后,在语义嵌入中表示子意图基于来自S-AI层的意图信息,SI平面生成相应的语义指令并将其映射到S-NP和S-PB层的功能;以这种方式,SI被嵌入到网络中。由于意图的多样性和复杂性,在实现意图驱动的网络中存在若干挑战,特别是在理解意图和意图的跨层实现中。首先,意图理解涉及复杂的语义处理。以NL为例,用户可能在一个话语中表达不止一个意图,或者意图可能不明确地嵌入对话中。为了解决这些问题,通常采用统计工具和机器学习工具进行意图推断。此外,为了充分利用语义通信的潜力,有必要跨多个协议层和域实现意图。为了实现这一目标,我们扩展了我们的早期工作[41]并构思了S-IF的概念。特别是,S-IF可以在整个框架中跨层流动,从而实现意图的跨层实现。例如,S-IF可以通知S-PB层采用可扩展的语义编码,以满足具有不同信息粒度的特定应用意图,例如具有细微细节的高清视频或仅具有特征细节的自主机器人协作。此外,S-IF可以促进异构网络元素之间的有效交互,以实现相互理解。4. 语义通信网络的应用前景在本节中,我们概述了IE-SC授权的Ubiquitous-X 6 G网络的三个有前景的应用场景:空所有这些有前景的应用场景都将融合在WePCN的Ubiquitous-X 6 G愿景中。4.1. ASGO-INASGO-IN将地面网络与卫星、海洋和空中网络相结合,如图11(a)所示。它是一种广泛认可的解决方案,可实现6G网络的全球覆盖和按需服务。实现ASGO-IN面临的一个技术挑战是在大时空跨度的异构网络之间实现灵活、高效的互连目前,网关用于桥接具有复杂协议转换的不同网络。我们提出的IE-SC架构提供了一个敏捷和简洁的解决方案,以支持ASGO-IN。具体地说使用预先安装的公共知识,SI平面协调S-NP层以编排意图相关的语义元素,以形成在节点之间可实现的简洁的面向集成的协议。这些节点无需额外的网关,可以通过统一的空中接口直接与S-PF层进行交互,从而实现集成。4.2. 工业物联I-IoT引入先进的信息和通信技术来连接各种元素,例如人,机器和事物,以通过协作和互操作性来服务于工业制造的目的,如图11(b)所示。然而,现有的数据通信网络不能有效地将制造意图集成到这些元素之间的交互中,这导致了低协作效率和沉重的信令开销。在我们提出的IE-SC体系结构下,S-AI层可以识别制造目的,并生成语义通信策略,以实现协作和互操作性。此外,通过使用高效的联合语义-源-信道编码,可以以高度压缩的方式高效地传输意图相关的语义信息P. Zhang,W.Xu,H.Gao等人工程学8(2022)6071见图11。(a)语义授权的ASGO-IN;(b)语义驱动的I-IoT;(c)基于语义的IUMN与无人驾驶地面车辆(UGV)。在S-PB层。因此,I-IoT的整体效率将大幅提升,以支持在我们的IE-SC架构下以意图为导向的网络和协作的智能制造。4.3. 智能无人机网络IUMN包括自动驾驶汽车、机器人和无人机群,如图所示。 11(c),代表了网络从以数据为中心的通信扩展到以机器为中心的控制和协作[42]。配备先进的传感和通信模块,每个智能无人机(IUM)都可以感知环境并与其他机器进行交互以完成特定任务。我们提出的IE-SC架构可以支持IUM之间的自治和任务驱动的网络S-AI层对感知数据进行综合分析,提取任务相关的语义信息,并将其输入到SI计划中,生成基于语义的决策策略和网络策略,完成任务。S-NP层根据SI规划决策和策略,动态控制链路配置、网络拓扑和路由策略,以保证任务驱动的IUMN的5. 主要挑战和未来方向(1) 进一步发展Seb代表性。一条信息背后的确切含义受传播主体的理解影响此外,不同的施事对同一内涵可能有不同的句法形式,如同义词或多语言现象。因此,需要进一步研究Seb框架,以实现对多模态信息的统一、通用的语义信息抽取和表示应该注意的是,当前的语义提取/表示依赖于人工智能和神经网络,这涉及大量的计算。因此,Seb有望成为集成语义通信和计算的更全面的语义信息处理框架(2) 语义通信的基本限制。在物理层,语义通信的设计目标是优化语义信息在不同类型的通道与相关的背景知识的传输。因此,语义交流的基本限制是由物理和语境约束决定的。此外,一对通信代
下载后可阅读完整内容,剩余1页未读,立即下载
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功