這是一篇關于語義通信中資源分配的論文。全文共5頁，篇幅較短。
摘要
語義通信在傳輸可靠性方面有著天然優(yōu)勢，而其中的資源分配更是保證語義傳輸可靠性和通信效率的關鍵所在，但目前還沒有研究者探索該領域。為了填補這一空白，我們研究了語義領域的頻譜效率，并重新思考語義感知資源分配問題。具體來說，以文本語義通信為例，首次定義了語義譜效率（S-SE），并用于根據通道分配和傳輸的語義符號的數量來優(yōu)化資源分配。此外，為了公平地比較語義通信系統(tǒng)和傳統(tǒng)通信系統(tǒng)，開發(fā)了一種變換方法，將傳統(tǒng)的基于比特的頻譜效率轉換為S-SE。仿真結果表明了所提出的資源分配方法的有效性和可行性，以及語義通信在S-SE方面的優(yōu)越性。
關鍵字
語義通信 語義譜效率 資源分配
引言
語義通信
大家都知道，自從信息革命爆發(fā)以來，我們的信息量（數據量）也在不斷膨脹。以往當我們進行通信時，是將信息放在信源上，系統(tǒng)就會像快遞小哥，發(fā)給信宿。
但在這個萬物互聯的時代，我們的信道已經接近極限，但仍然不足以傳輸所有數據。這時，語義通信應運而生。
語義通信采用“先理解后發(fā)送”的機制，我們不必發(fā)送所有信息，僅僅發(fā)送最有價值，能夠表達意思的信息就可以。
那語義通信怎么工作的呢，或是它的總體架構是怎么樣子的?，F在，語義通信研究還處于起步階段，不同的研究團隊有著不同的架構設計。而且，針對不同的通信類型（文本通信，音視頻通信，圖像通信等），語義通信的架構也隨之不同。
資源分配
在無線通信中，如何測量信息內容以及頻譜效率（SE）是資源分配的基礎。我們需要從語義角度重新考慮資源分配。
盡管仍然缺乏完整的數據模型，但借助深度學習（DL）的語義系統(tǒng)設計，可以使得在語義域內定義可計算的SE。在本文中，我們以 DeepSC 為例來探索這種語義感知網絡中的 SE 問題和資源分配問題。
貢獻
- 針對語義感知網絡提出了一種新的資源分配模型。具體來說，首先定義語義譜效率（S-SE）從語義的角度來衡量通信效率。然后提出了一種新的公式，并在信道分配和傳輸的語義符號的數量方面最大化整體S-SE。
- 為了公平地比較語義通信系統(tǒng)和傳統(tǒng)通信系統(tǒng)，開發(fā)了一種變換方法將基于比特的SE轉換為S-SE。
- 仿真結果驗證了所提出的資源分配模型的有效性，以及語義通信系統(tǒng)在S-SE方面的優(yōu)越性。
公式符號
| 符號 | 含義 |
|---|---|
| R n × m \mathbb{R}^{n\times m} Rn×m | 大小為 n x m 的真實集合 |
| x \mathbf{x} x | 向量 |
| X \mathbf{X} X | 矩陣 |
| x ～ C N ( μ , σ 2 ) x \sim \mathcal{CN}(\mu, \sigma^2) x～CN(μ,σ2) | x服從循環(huán)對稱復高斯分布 |
系統(tǒng)模型
現在考慮如下圖所示的蜂窩網絡架構1。該架構有一個基站，N個移動站。
DeepSC 被用作語義通信模型，并配備每個用戶進行文本傳輸，其中底層文本的語義可以通過 Transformer 有效地提取。假設DeepSC收發(fā)器在BS或云平臺上進行訓練。然后將訓練好的語義發(fā)射機模型廣播給用戶。下面我們來將詳細介紹 BS 處的 DeepSC 發(fā)射器、傳輸模型和 DeepSC 接收器。
DeepSC Transmitter
第n個用戶生成文本向量為 s n = [ w n , 1 , w n , 2 , . . . , w n , l , . . . . , w n , L n ] s_n = [w_{n, 1}, w_{n, 2}, ..., w_{n, l}, ...., w_{n, L_n}] sn?=[wn,1?,wn,2?,...,wn,l?,....,wn,Ln??]，向量總長度為 L n L_n Ln?。這個向量會被DeepSC Transmitter 映射為Semantic Symbol 向量 X n = [ x n , 1 , x n , 2 , . . . . , x n , k n L n ] X_n = [\mathbf{x_{n, 1}, x_{n, 2}, ...., x_{n, k_nL_n}}] Xn?=[xn,1?,xn,2?,....,xn,kn?Ln??]。
其中， X n ∈ R k n L n × 2 X_n \in \mathbb{R}^{k_nL_n\times 2} Xn?∈Rkn?Ln?×2, X n X_n Xn?長度會隨著 s n s_n sn?的增加而增加，在第 n 個用戶處，每個單詞平均使用 k n k_n kn? 個語義符號進行編碼，而且每個語義符號可以直接通過傳輸物質傳輸。
Transmission Model
| 符號 | 含義 |
|---|---|
| M = { 1 , 2 , . . , m , . . . , M } \mathcal{M}=\{1, 2, .., m, ..., M\} M={1,2,..,m,...,M} | 可用信道集合（帶寬為W），M是總數量 |
| α m = [ α n , 1 , . . . , α n , M ] \bm{\alpha_m} = [\alpha_{n, 1}, ..., \alpha_{n, M}] αm?=[αn,1?,...,αn,M?] | 和 第 n 個用戶的相關性，只有0 1兩個選項 |
| p n p_n pn? | 第n個用戶的發(fā)射功率 |
| g n g_n gn? | 大尺度信道增益（包括路徑損失和陰影） |
| h n , m h_{n,m} hn,m? | 用戶 n 在第 m 個信道上的雷利衰落系數 |
| N 0 N_0 N0? | 噪聲功率譜密度 |
假設每個信道最多只能分配給一個用戶，一個用戶至多占據一個信道：
∑
n
=
1
N
α
n
,
m
≤
1
\sum^N_{n=1}\alpha_{n, m} \leq 1
n=1∑N?αn,m?≤1
∑
m
=
1
M
α
n
,
m
≤
1
\sum^M_{m=1}\alpha_{n, m} \leq 1
m=1∑M?αn,m?≤1
考慮到信道包含大尺度衰減和小尺度Rayleigh衰減，信噪比（度量用戶 n 在第 m 個信道上的信號質量）：
γ n , m = p n g n ∣ h n , m 2 ∣ W N 0 \gamma_{n,m}= \frac {p_ {n}g_ {n}|h_ {n,m}^ {2}|}{WN_ {0}} γn,m?=WN0?pn?gn?∣hn,m2?∣?
DeepSC Receiver
| 符號 | 含義 |
|---|---|
| Y n = g n h n , m X n + z \bm{Y}_n = \sqrt{g_n}h_{n, m}\bm{X}_n+\mathbf{z} Yn?=gn??hn,m?Xn?+z | 來自第 n 個用戶的信號 |
| s ^ n \widehat {s}_n s n? | 估計第 n 個用戶的原始向量 |
| B(·) | 來自 Transformers (BERT) 模型的句子雙向編碼器表示，采用預訓練的 Sentence-BERT 模型 |
在 BS 處，來自第 n 個用戶的信號可以表示為
Y
n
Y_n
Yn?。接收到的信號首先由通道解碼器解碼，從而語義解碼器估計句子
s
^
n
\hat{s}_n
s^n?。為了評估語義通信在文本傳輸方面的性能，我們采用語義相似度作為性能指標.
ξ
=
B
(
s
)
B
(
s
^
)
T
∣
B
(
s
)
∣
∣
B
(
s
)
∣
\xi = \frac {B(s)B(\widehat {s})^T}{|B(s)||B(s)|}
ξ=∣B(s)∣∣B(s)∣B(s)B(s
)T?
語義感知資源分配策略
S-SE 首先被定義為語義感知網絡的新指標。然后語義感知資源分配在通道分配和傳輸的語義符號的數量方面被表述為 S-SE 最大化問題。最后，得到優(yōu)化問題的最優(yōu)解。
Semantic Spectral Efficiency （S-SE）
| 符號 | 含義 |
|---|---|
| D = { ( s j = [ w n , 1 , w n , 2 , . . . , w n , l , . . . . , w n , L n ] ) } j = 1 D \mathcal{D}=\{(s_j=[w_{n, 1}, w_{n, 2}, ..., w_{n, l}, ...., w_{n, L_n}])\}^D_{j=1} D={(sj?=[wn,1?,wn,2?,...,wn,l?,....,wn,Ln??])}j=1D? | 文本數據集，其中 s j s_j sj? 是第 j 個句子，長度為 L j L_j Lj?， w j , l w_{j,l} wj,l?是第 l l l 個單詞。 |
| I j I_j Ij? | s j s_j sj?的語義信息量 |
| p ( s j ) p(\mathbf{s_j}) p(sj?) | s j s_j sj? 出現概率 |
假設語義信息可以通過表示語義信息基本單元的語義單元 (sut) 來衡量。基于此，可以定義兩個關鍵的基于語義的性能指標：
- 語義傳輸速率 (S-R) ??每秒有效傳輸的語義信息, 單位suts/s
- 語義譜效率(S-SE) ??語義信息可以在帶寬單位上成功傳輸的速率，單位suts/s/Hz
我們關注的是長文本的傳輸，因此L和I應取期望值，而不是隨機值。在第n個用戶處，平均有 k n L k_nL kn?L 個語義符號承載著 I I I 的語義信息量，每個語義符號的平均語義信息量為 I / ( k n L ) I/(k_nL) I/(kn?L)。
由于符號速率等于通道帶寬對于帶通傳輸，在帶寬為W的通道上傳輸的總語義信息量為
W
I
/
(
k
n
L
)
WI/(k_nL)
WI/(kn?L)。（語義信息量和bit數相對應嗎），因此，第n個用戶在第m個通道上的S-R可以表示為
Γ
n
,
m
=
W
I
k
n
L
ξ
n
,
m
\Gamma_ {n,m} = \frac {WI}{k_ {n}L} \xi _ {n,m}
Γn,m?=kn?LWI?ξn,m?
第n個用戶在第m個通道上的SS-E可以表示為
Φ
n
,
m
=
Γ
n
,
m
W
=
I
k
n
L
ξ
n
,
m
\Phi _ {n,m} = \frac {\Gamma_ {n,m}}{W} = \frac {I}{k_ {n}L} \xi_{n,m}
Φn,m?=WΓn,m??=kn?LI?ξn,m?
問題建模
| 符號 | 含義 |
|---|---|
| Φ \Phi Φ | 所有用戶整體 S-SE |
信道分配向量是我們優(yōu)化變量之一。此外，我們還會優(yōu)化每個單詞的傳輸語義符號的平均數量 k n k_n kn?，以使每個符號攜帶更多的語義信息，從而在確保相同的傳輸可靠性的同時獲得更高的 S-SE。
優(yōu)化目標
max ? α n , k n Φ = ∑ n = 1 N ∑ m = 1 M α n , m I k n L ξ n , m \max_{\bm{\alpha_n}, k_n} \Phi=\sum_{n=1}^{N}\sum_{m=1}^M\alpha_{n, m} \frac {I}{k_ {n}L} \xi_{n,m} αn?,kn?max?Φ=n=1∑N?m=1∑M?αn,m?kn?LI?ξn,m?
通道分配約束條件
-
第 n 個用戶是否占用第 m 條信道：
α n , m ∈ { 0 , 1 } \alpha_{n, m} \in \{0, 1\} αn,m?∈{0,1} -
每個信道最多只能分配給一個用戶：
∑ n = 1 N α n , m ≤ 1 \sum^N_{n=1}\alpha_{n, m} \leq 1 n=1∑N?αn,m?≤1 -
一個用戶至多占據一個信道：
∑ m = 1 M α n , m ≤ 1 \sum^M_{m=1}\alpha_{n, m} \leq 1 m=1∑M?αn,m?≤1
平均語義符號數約束條件
每個單詞的平均語義符號數允許范圍，K 表示最大值
k
n
∈
{
1
,
2
,
3
,
.
.
.
,
K
}
k_n\in\{1, 2, 3, ..., K\}
kn?∈{1,2,3,...,K}
語義相似度約束條件
該約束條件反映所需的最小語義相似度
ξ
t
h
\xi_{th}
ξth?:
ξ
n
,
m
≥
ξ
t
h
\xi_{n, m} \geq \xi_{th}
ξn,m?≥ξth?
SS-E限制條件
Φ n , m ≥ Φ t h \Phi_{n, m} \geq \Phi_{th} Φn,m?≥Φth?
解決方法
I
/
L
I/L
I/L 對于特定類型的源是一個常數，因此不會影響資源分配優(yōu)化，目標函數可以改寫為：
max
?
α
n
,
k
n
Φ
=
∑
n
=
1
N
∑
m
=
1
M
α
n
,
m
ξ
n
,
m
k
n
\max_{\bm{\alpha_n}, k_n} \Phi=\sum_{n=1}^{N}\sum_{m=1}^M\alpha_{n, m} \frac {\xi_{n,m}}{k_ {n}}
αn?,kn?max?Φ=n=1∑N?m=1∑M?αn,m?kn?ξn,m??
ξ
n
,
m
\xi_{n, m}
ξn,m? 受 特定語義通信系統(tǒng)和物理信道條件的影響，我們在 AWGN 信道上運行 DeepSC 模型，得到了
ξ
n
,
m
\xi_{n, m}
ξn,m?和
(
k
n
,
γ
n
,
m
)
(k_n, \gamma_{n, m})
(kn?,γn,m?) 之間的映射關系。如下圖所示：
由于不同蜂窩鏈路的正交性，目標函數可以解耦成下面兩個等效的獨立優(yōu)化問題。
- P2 在所有候選通道上為所有用戶獲取SSE，由于
ξ
n
,
m
\xi_{n, m}
ξn,m?只能通過查表方法獲得，因此采用窮盡法求解。
max ? k n Φ ~ n , m = ξ n , m / k n s . t . ? C 4 ? C 5 ? C 6 \max_{k_n} \tilde{\Phi}_{n, m} = \xi_{n, m}/k_n\\ s.t. \space C_4 \space C_5 \space C_6 kn?max?Φ~n,m?=ξn,m?/kn?s.t.?C4??C5??C6? - P3 可以看作二向圖的最大匹配問題。使用匈牙利算法解決。其中兩個頂點分布是 N 和 M，
Φ
~
n
,
m
m
a
x
\tilde{\Phi}_{n, m}^{max}
Φ~n,mmax?是第n個用戶與第m個通道之間的權重。
max ? α n ∑ n = 1 N ∑ m = 1 M α n , m Φ ~ n , m m a x s . t . ? C 1 ? C 2 ? C 3 \max_{\bm{\alpha_n}}\sum_{n=1}^{N}\sum_{m=1}^M\alpha_{n, m} \tilde{\Phi}_{n, m}^{max} \\ s.t. \space C_1 \space C_2 \space C_3 αn?max?n=1∑N?m=1∑M?αn,m?Φ~n,mmax?s.t.?C1??C2??C3?
仿真結果
在本節(jié)，我們進行了兩個實驗以全面評估所提出的語義感知資源分配方案的性能。
- 將所提出的資源分配模型與傳統(tǒng)的資源分配模型進行比較，以驗證語義感知網絡中的所提出的模型
- 比較語義通信系統(tǒng)和傳統(tǒng)通信系統(tǒng)的S-SE，以顯示語義通信的優(yōu)越性
由于傳統(tǒng)系統(tǒng)通常在 bit 域中進行評估，我們開發(fā)了一種變換方法，將SE 轉換成 S-SE ，從而實現公平比較。
變換方法
| 符號 | 含義 |
|---|---|
| C n , m C_{n, m} Cn,m? | 第n用戶第m信道的傳輸速率 bits/s |
| μ \mu μ | 轉換因子，每個單詞的平均比特數 bits/word |
在傳統(tǒng)通信系統(tǒng)中， 單詞中的每個字母都可以通過源編碼器映射到bit。從語義通信角度來看，每個位都可以簡單地認為是一個語義符號。因此，等效S-R可以表示為：
Γ
n
,
m
′
=
C
n
,
m
I
μ
L
ξ
n
,
m
\Gamma_{n, m}^{'}=C_{n, m}\frac{I}{\mu L}\xi_{n, m}
Γn,m′?=Cn,m?μLI?ξn,m?
我們假設傳統(tǒng)通信中沒有位誤差時，
ξ
n
,
m
\xi_{n,m}
ξn,m?等于1。等效S-SE可以表示為：
Φ n , m ′ = R n , m I μ L \Phi_{n, m}^{'} = R_{n, m}\frac{I}{\mu L} Φn,m′?=Rn,m?μLI?
基準
本文所提出的資源分配方案是針對特定的語義系統(tǒng)，即DeepSC。我們將和下面三個基準進行比較：
- 理想系統(tǒng)：信道可以達到香農極限，且無比特誤差。
- 4G 系統(tǒng)
- 5G 系統(tǒng)
實驗結果
在我們的模擬中，考慮了半徑為 r = 500 m 的圓形網絡，其中 N 個用戶均勻分布。除非另有說明，相關參數列于表 I。
我們首先檢查了語義感知網絡中的傳統(tǒng)資源分配模型。在該仿真中，將理想系統(tǒng)中傳統(tǒng)模型的最優(yōu)信道分配結果以及不同的
k
n
k_n
kn?值。然后將得到的 S-SE 與所提出的模型進行比較。如圖 3 所示，無論 kn 的值如何，傳統(tǒng)模型的 SSE 都小于所提出模型的 SSE，這意味著傳統(tǒng)模型不適合語義感知網絡。此外，
k
n
k_n
kn? = 3 的傳統(tǒng)模型的 S-SE 等于 0，因為在這種情況下語義相似性小于閾值。
下面，我們將不同的通信系統(tǒng)與相應的資源分配模型進行比較。
-
不同系統(tǒng)的 S-SE 與通道數的關系
當 M 從 1 增加到 5 時，所有系統(tǒng)的 S-SE 都會迅速增加，因為服務更多用戶。然后當 M 繼續(xù)從 5 增加到 10 時，S-SE 增長緩慢而不是保持穩(wěn)定，因為有更多的通道可用，用戶可以選擇具有更高 SNR 的通道。
-
S-SE與發(fā)射功率的關系
隨著pn的增加，理想系統(tǒng)的S-SE迅速增加，而語義通信系統(tǒng)、4G系統(tǒng)和5G系統(tǒng)的S-SE先增大后趨于常數，這意味著所有實際系統(tǒng)都具有信噪比增加的上界。此外，語義通信系統(tǒng)由于其壓縮數據的能力更強，比 4G 和 5G 具有更大的上限。
-
S-SE 與轉換因子的關系
語義通信系統(tǒng)的性能保持穩(wěn)定，因為轉換因子與其無關。對于傳統(tǒng)系統(tǒng)，S-SE 隨著 μ 的增加而減小，因為 S-SE 是 SE 與 μ 的比率，最大 SE 是不同 μ 的固定值。此外，當 μ 大于 19 位/字時，語義通信系統(tǒng)的性能優(yōu)于 4G 和 5G。然而，當μ小于大約27位/字時，即一個詞可以編碼為小于27位，語義通信系統(tǒng)的性能比理想系統(tǒng)差。該圖表明，語義通信系統(tǒng)是否大大優(yōu)于傳統(tǒng)系統(tǒng)中采用的源編碼方案。
結論
在本文中，我們研究了語義域中的 SE 問題，并探索了語義通信的資源分配。具體來說，首先定義了 S-R 和 S-SE，以便基于 DeepSC 模型測量語義通信系統(tǒng)的通信效率。為了最大化所有用戶的整體SSE，語義感知資源分配被表述為一個優(yōu)化問題，得到了最優(yōu)解。
我們也進行了廣泛的模擬以評估所提出方案的性能。對于文本傳輸，當單詞通過傳統(tǒng)的源編碼技術平均映射到超過 19 位時，語義通信系統(tǒng)實現了比 4G 和 5G 系統(tǒng)更高的 S-SE。此外，如果編碼單詞所需的位增加到超過 27 位，發(fā)射功率為 10 dBm，語義通信系統(tǒng)甚至優(yōu)于理想系統(tǒng)。
未來，如何設計資源分配方法來滿足包括單模態(tài)和多模態(tài)任務在內的多個智能任務的要求，應該進一步研究。
【1】https://www.eet-china.com/mp/a245114.html文章來源：http://www.zghlxwxcb.cn/news/detail-772499.html
-
https://zh.wikipedia.org/wiki/%E8%9C%82%E7%AA%9D%E7%BD%91%E7%BB%9C# ??文章來源地址http://www.zghlxwxcb.cn/news/detail-772499.html
到了這里，關于【論文閱讀】Resource Allocation for Text Semantic Communications的文章就介紹完了。如果您還想了解更多內容，請在右上角搜索TOY模板網以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網！
