[论文解读] From Semantic Communication to Semantic-aware Networking: Model, Architecture, and Open Problems

Guangming Shi, Yong Xiao+2 more|arXiv (Cornell University)|Dec 31, 2020

IoT and Edge/Fog Computing参考文献 12被引用 9

一句话总结

本文提出了一种基于联邦边缘智能的语义感知网络架构，将计算密集型的语义处理任务卸载至边缘服务器，通过中间结果协调实现高效、隐私保护的通信。仿真结果表明，通过基于知识图谱的压缩和协同模型训练，显著降低了资源消耗并提升了通信效率。

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.

研究动机与目标

• 解决传统单源到单目的地场景下语义通信的低效与高资源消耗问题。
• 通过将计算繁重的语义编码与解码任务卸载至边缘服务器，实现资源高效的语义感知网络。
• 在保护用户专有模型信息的同时，通过中间结果协调实现在边缘服务器之间的协同学习。
• 通过利用共享知识图谱和语义压缩技术，提升通信效率与可靠性。
• 为未来语义感知网络研究奠定基础，涵盖知识演化、QoE量化和容量建模等开放挑战。

提出的方法

• 设计一种基于联邦边缘智能的新颖架构，将语义处理任务分布到多个边缘服务器。
• 采用联邦学习框架，允许多个边缘服务器在不共享原始数据的前提下协同训练共享语义模型。
• 利用知识图谱表示语义实体与关系，实现上下文感知的语义信息压缩。
• 应用半监督图神经网络（GCNs）从部分标注数据中推断未标注的知识实体，降低传输开销。
• 引入一种压缩机制，利用知识图谱中的结构相关性，最小化源与目的地之间传输的数据量。
• 采用汉明距离衡量在缺乏共享知识情况下的信号失真，对比有无语义感知传输的性能差异。

实验结果

研究问题

• RQ1 如何在不损害数据隐私的前提下，高效地将计算密集型语义处理任务卸载至边缘服务器？
• RQ2 共享知识图谱对语义信息通信中压缩效率有何影响？
• RQ3 联邦学习能否在保护用户专有语义模型的前提下，实现在边缘服务器之间的协同模型训练？
• RQ4 与传统以数据为中心的模型相比，语义感知通信如何降低失真并提升可靠性？
• RQ5 在扩展语义感知网络时，关键的开放挑战有哪些，包括知识演化与QoE量化？

主要发现

• 通过基于半监督GCN的推理，仅需Cora数据集中24.89%的标注数据和Citeseer数据集中27.94%的标注数据，即可恢复90%的知识图谱且保持高精度，分别实现75.11%和72.06%的压缩率。
• 在Pubmed数据集中，需57.25%的标注数据（135.47 KB）才能实现90%的恢复精度，由于结构相关性较低，压缩率为42.75%。
• 语义通信在接收端表现出显著更低的信号失真，尤其当接收端缺乏先验知识时，通过汉明距离测量结果尤为明显。
• 所提出的联邦边缘智能架构通过将语义处理卸载至边缘服务器，降低了资源消耗并提升了通信效率。
• 该架构保护了本地语义数据的隐私，因为用户之间或用户与边缘服务器之间未共享原始模型数据。
• 数值结果证实，基于共享知识与上下文的协同语义处理可大幅减少语义错误并提升可靠性。