语义通信下的资源分配与物理层安全
我们提出了一种自适应语义资源分配方案,通过语义比特量化(SBQ)与现有无线通信兼容,解决了动态无线环境中由语义度量和传输度量之间的附加映射关系引入的环境感知不准确的问题,并通过联合优化基站的传输波束,语义表示的比特数,子信道分配和带宽资源分配,解决了将整体有效的语义通信服务质量最大化的问题。通过混合深度强化学习(DRL)算法提出了一种智能资源分配方案,在无线通信中能够有效抵抗语义噪声并获得卓越的性能,比几种基准方案提高了 13% 的 SC-QoS 性能。
Dec, 2023
本文探讨了传统的通信系统在意义传达方面的缺陷,提出了一种基于语义感知的资源高效边缘智能通信架构,旨在通过卸载计算资源,保护用户信息,并最大限度地提高通信效率。
Dec, 2020
本文介绍了将语义和目标导向应用于未来的 6G 网络中,将有助于提高系统的效率和可持续性,同时结合知识表示和推理工具以及机器学习算法,可以建立语义学习策略从而实现更好的解释能力,对抗敌对攻击。
Nov, 2020
本文探讨了在新兴的网络化系统中,为了实现远程驱动,如何通过语义学方法实现目的导向的信息交换,证明了基于语义学方法采样和传输策略能够显著降低误差率和执行成本。
Jul, 2020
本研究通过推广 Basu 等人的方法,将语义建模扩展至完整的通信马尔科夫链,提出了一种 ML-based 的语义通信系统 SINFONY,通过传输信息的同时进行压缩,有效提高了信息传输质量,尤其在多分发情况下,SNR 比传统通信系统提高了 20dB。
Apr, 2022
通过研究符号畸变和语义感知限制下的语义通信数据率,提出了可实现的区域,并证明了一种随机编码方案可以实现该区域。对于给定的畸变和感知限制,推导了二进制语义信息源的闭合可实现速率,并验证了理论观察的实验结果。
Dec, 2023
在未来的 6G 无线网络中,语义和效能方面的通信将起到基础作用,将意义和相关性融入传输中。本文提出了一个新的面向目标的语义通信框架,通过潜在空间对齐来减轻语义不匹配问题。我们提出了一种动态优化策略,适应相对表示、通信参数和计算资源,实现了高效能、低延迟、面向目标的能源储效率的语义通信。数值结果表明我们的方法在减轻设备间不匹配问题的同时,优化了能源消耗、延迟和效能。
Mar, 2024
本研究开发了一种语义通信框架用于图像传输;引入多模态度量方法对比提取得到的语义信息与原始图像之间的相关性,以最小化每个服务器的传输延迟同时满足用户 ISS 需求为目标,提出了基于价值分解的最大熵多智能体强化学习算法以解决资源块的分配问题,在模拟实验中将传输延迟降低至传统多智能体强化学习的 16.1%。
Jan, 2023
通过多任务学习,本文探讨了以目标为导向和语义为基础的通信在下一代通信网络中的机遇和挑战。该方法使用深度神经网络,将专用的编码器部署在发送端,将多个任务特定的解码器共同部署在接收端,集中训练以处理包括语义信息保留、源输入重构和集成感知和通信在内的各种任务。通过将解码器部署在多个接收器上,采用去中心化学习,解决了通信负载和隐私问题,利用联邦学习技术在分布式节点之间分发模型更新。然而,该方法的有效性取决于所采用的深度学习模型的鲁棒性。我们审查了在训练和测试阶段可能产生的对抗性攻击的潜在漏洞,这些攻击旨在操纵编码器端的输入以及接收端空中接收到的信号,凸显了加固语义通信以防范潜在的多领域攻击的重要性。总体而言,在多任务学习框架中,任务导向通信、语义通信和集成感知与通信的共同鲁棒设计成为下一代网络系统中实现上下文感知、资源高效和安全通信的关键因素。
Jan, 2024