[논문 리뷰] From Semantic Communication to Semantic-aware Networking: Model, Architecture, and Open Problems

Guangming Shi, Yong Xiao외 2명|arXiv (Cornell University)|2020. 12. 31.

IoT and Edge/Fog Computing참고 문헌 12인용 수 9

한 줄 요약

이 논문은 자원 집약적인 의미 처리를 엣지 서버로 오프로드하여 중간 결과를 통한 조율을 통해 효율적이고 프라이버시를 보장하는 의미 인식 네트워킹을 위한 피어드 엣지 지능 기반 아키텍처를 제안한다. 시뮬레이션 결과, 지식 그래프 기반 압축과 공동 모델 훈련을 통해 자원 소비가 크게 감소하고 통신 효율성이 향상됨을 확인하였다.

ABSTRACT

Existing communication systems are mainly built based on Shannon's information theory which deliberately ignores the semantic aspects of communication. The recent iteration of wireless technology, the so-called 5G and beyond, promises to support a plethora of services enabled by carefully tailored network capabilities based on the contents, requirements, as well as semantics. This sparkled significant interest in the semantic communication, a novel paradigm that involves the meaning of message into the communication. In this article, we first review the classic semantic communication framework and then summarize key challenges that hinder its popularity. We observe that some semantic communication processes such as semantic detection, knowledge modeling, and coordination, can be resource-consuming and inefficient, especially for the communication between a single source and a destination. We therefore propose a novel architecture based on federated edge intelligence for supporting resource-efficient semantic-aware networking. Our architecture allows each user to offload the computationally intensive semantic encoding and decoding tasks to the edge servers and protect its proprietary model-related information by coordinating via intermediate results. Our simulation result shows that the proposed architecture can reduce the resource consumption and significantly improve the communication efficiency.

연구 동기 및 목표

• 단일 소스에서 목적지로의 전통적 의미 통신의 비효율성과 높은 자원 소비 문제를 해결하기 위해.
• 계산적으로 부담스러운 의미 인코딩 및 디코딩 작업을 엣지 서버로 오프로드하여 자원 효율적인 의미 인식 네트워킹을 가능하게 하기 위해.
• 중간 결과 조율을 통해 사용자 간의 프라이버시를 보장하면서도 엣지 서버 간의 공동 학습을 가능하게 하기 위해.
• 공유 지식 그래프와 의미 압축 기법을 활용하여 통신 효율성과 신뢰성을 향상시키기 위해.
• 지식 진화, QoE 정량화, 용량 모델링 등 열린 도전 과제를 포함하여 의미 인식 네트워킹 분야의 미래 연구 기반을 마련하기 위해.

제안 방법

• 의미 처리 작업을 엣지 서버 간에 분산시키기 위한 피어드 엣지 지능 기반의 새로운 아키텍처를 설계한다.
• 다양한 엣지 서버가 원시 데이터를 공유하지 않고도 공동으로 공유 의미 모델을 훈련할 수 있도록 피어드 학습 프레임워크를 활용한다.
• 지식 그래프를 사용하여 의미 엔티티와 관계를 표현함으로써 맥락 인식 압축을 가능하게 한다.
• 반감독 학습 기반의 그래프 신경망(GCN)을 적용하여 일부 레이블이 부여된 데이터에서 레이블이 없는 지식 엔티티를 추론함으로써 전송 오버헤드를 감소시킨다.
• 지식 그래프의 구조적 상관관계를 활용하여 소스와 목적지 간 전송되는 데이터의 양을 최소화하는 압축 메커니즘을 도입한다.
• 공유 지식이 없는 상황에서 신호 왜곡을 측정하기 위해 허밍 거리를 사용하며, 의미 인식 전송 여부에 따라 성능을 비교한다.

실험 결과

연구 질문

• RQ1 데이터 프라이버시를 훼손하지 않으면서 자원 집약적인 의미 처리 작업을 엣지 서버로 효율적으로 오프로드할 수 있는 방법은 무엇인가?
• RQ2 공유 지식 그래프는 통신 시 의미 정보의 압축 효율성에 어떤 영향을 미치는가?
• RQ3 피어드 학습은 사용자들의 고유한 의미 모델을 보존하면서도 엣지 서버 간의 공동 모델 훈련을 가능하게 할 수 있는가?
• RQ4 의미 인식 통신은 기존의 데이터 중심 모델 대비 왜곡을 어떻게 줄이고 신뢰성을 향상시키는가?
• RQ5 지식 진화 및 QoE 정량화 등을 포함한 의미 인식 네트워킹의 확장성에 있어 핵심 열린 과제는 무엇인가?

주요 결과

• Cora에서 반감독 학습 기반 GCN 추론을 통해 90%의 지식 그래프 복구 정확도를 확보하기 위해 레이블이 부여된 데이터의 24.89%만 필요했고, 이는 75.11%의 압축률을 달성함을 의미한다. Citeseer에서는 레이블 데이터의 27.94%가 필요했고, 이에 따라 72.06%의 압축률을 기록하였다.
• Pubmed 데이터셋에서는 90% 복구 정확도를 확보하기 위해 레이블 데이터의 57.25%(135.47 KB)가 필요했으며, 구조적 상관관계가 낮아 42.75%의 압축률을 기록하였다.
• 의미 통신은 특히 수신자가 사전 지식이 없는 경우 기존 방법 대비 훨씬 낮은 신호 왜곡을 기록하였으며, 이는 허밍 거리 측정을 통해 확인되었다.
• 제안된 피어드 엣지 지능 아키텍처는 의미 처리를 엣지 서버로 오프로드함으로써 자원 소비를 줄이고 통신 효율성을 향상시켰다.
• 원시 모델 데이터가 사용자 간 또는 사용자와 엣지 서버 간에 공유되지 않아 지역 의미 데이터의 프라이버시가 보존되었다.
• 수치적 결과는 공유 지식과 맥락 기반의 조율된 의미 처리가 의미 오류를 극적으로 감소시키고 신뢰성을 향상시킬 수 있음을 확인하였다.