基于分布式知识推理的语义认知网络

6G无线网络“服务随心所想、网络随需而变、资源随愿共享”的全新愿景与需求,激发了一种新的通信范式——语义通信和语义认知网络的发展。语义通信通过传输信息的真实含义而非传输和复现完整的原始消息来提升通信效率和可靠性。要在6G网络中部署和充分发挥语义通信的潜力,需要一种能够有效处理和利用语义信息的新技术。提出了一种基于图推理和联邦学习的6G网络语义通信新框架,框架结合了图推理技术,例如图神经网络和知识图嵌入,以实现对大规模和复杂语义知识库的高效且可扩展的推理;框架集成了联邦学习技术,可以跨多个边缘服务器进行协作和隐私保护推理,同时将敏感数据和个人数据保留在边缘服务器上。进行广泛的实验,以评估所提框架在推理准确性、效率和可扩展性方面的性能,并证明其相对于现有方法的优越性。框架在语义通信、图推理和联合边缘计算领域开辟了新的研究方向,对实现6G智能内生的通信网络的愿景至关重要。

面向6G智能内生的隐性语义认知通信

语义通信的目标在于识别信息蕴藏的含义并传递给目标用户。这种基于语义理解的新型通信范式可以实现信息的高效传输、精准表达与智能处理,进而使得网络本身能够理解用户的意图和需求、提供更加个性化和智能化服务,符合人们对未来智能内生通信网络的需求。在目前语义通信领域中,大部分工作着重于传输直接从源信号中识别的显性语义(如标签以及信号特征)。针对隐性语义通信问题展开研究,提出了一种面向智能内生的隐性语义认知通信架构,即通过将信源信号无法识别的隐性关系与其关联的语义信息传递给目标用户,实现了隐性语义的传输与恢复。与传统通信致力于追求通信总量最大化不同,本架构致力于帮助接收端学习一个基于有限信息自动生成隐性语义推理规则。在此架构下,接收端用户始终可以学习与信源用户相匹配的推理规则。实验结果表明,所提出的架构在目标用户的符号误码率方面取得了较大改进,优于现有的非推理通信解决方案。