[论文解读] Towards Semantic Communication Protocols: A Probabilistic Logic Perspective

Sejin Seo, Jihong Park+4 more|arXiv (Cornell University)|Jul 8, 2022

Service-Oriented Architecture and Web Services被引用 6

一句话总结

本文提出了一种语义协议模型（SPM），通过使用概率逻辑编程（ProbLog），将基于神经网络的介质访问控制（MAC）协议转化为可解释的符号化表示。通过从训练好的神经协议模型（NPM）中提取特定任务的控制消息及其因果关系，SPM在实现99.98%内存压缩的同时，支持可解释性、动态重配置以及非平稳环境下的组合式自适应。

ABSTRACT

Classical medium access control (MAC) protocols are interpretable, yet their task-agnostic control signaling messages (CMs) are ill-suited for emerging mission-critical applications. By contrast, neural network (NN) based protocol models (NPMs) learn to generate task-specific CMs, but their rationale and impact lack interpretability. To fill this void, in this article we propose, for the first time, a semantic protocol model (SPM) constructed by transforming an NPM into an interpretable symbolic graph written in the probabilistic logic programming language (ProbLog). This transformation is viable by extracting and merging common CMs and their connections while treating the NPM as a CM generator. By extensive simulations, we corroborate that the SPM tightly approximates its original NPM while occupying only 0.02% memory. By leveraging its interpretability and memory-efficiency, we demonstrate several SPM-enabled applications such as SPM reconfiguration for collision-avoidance, as well as comparing different SPMs via semantic entropy calculation and storing multiple SPMs to cope with non-stationary environments.

研究动机与目标

• 解决基于神经网络的MAC协议（NPM）在任务关键型6G应用中缺乏可解释性和可重配置性的问题。
• 克服NPM的黑箱特性，以提升在动态环境中的可解释性、可重配置性和适应性。
• 实现紧凑、符号化且人类可读的协议表示，同时保持原始NPM的性能。
• 开发基于语义熵和模型组合的语义协议选择与自适应工具，适用于非平稳环境。

提出的方法

• 使用多智能体深度强化学习训练神经协议模型（NPM），以生成用于MAC接入的特定任务控制消息（UCMs/DCMs）。
• 在训练过程中通过NPM的前向传播提取UCMs和DCMs及其因果关联，将其视为语义词汇和规则。
• 利用ProbLog（一种概率逻辑编程语言）将提取的协议逻辑转换为有向符号图，以包含真值概率的子句形式表示协议行为。
• 利用生成的SPM实现无需重训练的即时重配置、语义熵计算以及基于组合的模型选择。
• 利用SPM的紧凑性，存储针对不同环境状态的多个模型，实现在非平稳环境中的动态自适应。
• 通过仿真评估SPM性能，比较奖励收敛性、内存使用情况以及在动态环境中的灾难性遗忘鲁棒性。

实验结果

研究问题

• RQ1 能否通过概率逻辑将神经协议模型（NPM）转化为可解释、符号化且紧凑的语义协议模型（SPM）？
• RQ2 SPM在大幅降低内存占用的同时，其性能与原始NPM的近似程度如何？
• RQ3 语义熵能否作为可靠指标，在不运行完整仿真的情况下从候选SPM中选择最佳性能模型？
• RQ4 在易发生灾难性遗忘的非平稳环境中，SPM组合是否优于基于持续学习的NPM？
• RQ5 SPM在实时环境中实现碰撞避免与动态自适应的可重配置能力达到何种程度？

主要发现

• SPM的内存占用仅为原始NPM的0.02%，展现出极高的内存效率。
• SPM在最优选择标准下，平均奖励收敛至3.84，与原始NPM性能高度接近。
• 语义熵（净熵）是最有效的SPM选择指标，可在N_S = 20个样本时实现收敛。
• 最小净熵选择方案优于随机选择和词汇最小化方案，标准差仅为0.22。
• 在非平稳环境中，SPM组合的平均奖励保持在2.63以上，而基于持续学习的NPM因灾难性遗忘导致74.3%的周期中奖励低于零。
• SPM支持无需重训练的即时重配置与动态自适应，适用于6G及任务关键型系统中的实时协议管理。