Семантическая связь как новая парадигма коммуникации поможет будущим сетям связи осуществить переход от парадигмы, управляемой данными, к парадигме, управляемой семантикой. Теория семантической связи была впервые предложена Шенноном, который разделил семантическую связь на три уровня: синтаксический, семантический и прагматический. При этом фундаментальная цель синтаксического уровня заключается в безошибочной передаче символов/битов сообщения, а его основная проблема — обеспечение передачи символов от передатчика к приемнику. Семантический уровень фокусируется на том, как точно передать предполагаемое значение с помощью передаваемых символов; процесс связи, реализуемый на этом уровне, называется семантической связью. Прагматический уровень учитывает полезность полученной информации для целей получателя, уделяя больше внимания тому, как эффективно достичь поставленных целей с помощью передаваемой семантической информации; его основная задача — решение проблемы полезности семантической информации, и связь на этом уровне обычно называется целеориентированной связью.
Семантическая связь способна извлекать из исходных данных семантические признаки, высоко релевантные цели. Минимизируя семантически нерелевантную информацию, она позволяет эффективно снизить задержки передачи и уменьшить затраты таких ресурсов связи, как полоса пропускания и энергопотребление. Семантическая связь осуществляет парадигмальный переход от синтаксического уровня к семантическому.
Классификация семантической связи
В рамках трех уровней связи, определенных Шенноном, цель семантической связи заключается в интеграции семантического и прагматического уровней в проектирование существующих систем связи. Поэтому можно выделить три категории семантической связи: семантико-ориентированная связь, целеориентированная связь и семантически-осведомленная связь. Как показано на рисунке 1, на основе модальности данных семантическая связь делится на три категории: одномодальная семантическая связь, кросс-модальная семантическая связь и мультимодальная интегрированная семантическая связь.
Одномодальная семантическая связь относится к системам передачи семантической информации на основе одного типа данных. В современных исследованиях семантической связи это касается таких типичных модальностей, как текст, изображение, речь и видео.
В области текстовой связи технология семантической связи преодолевает ограничения традиционной передачи символов. Особенно в условиях низкой пропускной способности, передача только ключевой семантической информации, а не полных предложений, позволяет значительно повысить эффективность связи. Текстовая семантическая связь была впервые предложена Фарсадом и др. Этот алгоритм использует фиксированную длину битов для кодирования предложений разной длины, что приводит к таким проблемам, как нерациональное использование полосы пропускания и потеря информации. Рао и др. разработали схему совместного кодирования источника и канала с переменной длиной для текста, позволяющую динамически кодировать входной текст в символы передачи переменной длины. Се и др. предложили систему семантической связи на основе Transformer для максимизации пропускной способности системы и минимизации семантических ошибок. Се и др. продолжили сжатие моделей глубокого обучения с помощью таких методов, как сокращение избыточности модели и квантование модели, для быстрой передачи моделей и развертывания на недорогих устройствах Интернета вещей. Цзян и др. предложили метод гибридного автоматического запроса на повторение, который позволяет дополнительно уменьшить семантические ошибки при передаче текста. Лу и др. разработали механизм дистилляции на основе уверенности и предложили систему семантической текстовой связи, использующую обучение с подкреплением для преодоления семантического разрыва. Чжан и др. предложили схему многоскоростной текстовой семантической связи на основе маскированного обучения, обеспечивающую передачу с произвольной скоростью и высоким качеством восстановления семантики.
В области речевой семантической связи Вэн и др. разработали систему речевой семантической связи на основе глубокого обучения. Этот метод рассматривает каждый кадр речевого спектра как изображение и использует сверточные нейронные сети для сжатия речевого спектра; Сяо и др., введя механизм адаптации к отношению сигнал/шум канала, позволили одной модели применяться к различным состояниям канала. Тонг и др. предложили метод на основе федеративного обучения, который позволяет дополнительно повысить точность извлечения семантики. Вэн и др. предложили систему семантической связи на основе внимания, которая сохраняет четкую передачу семантики даже в условиях низкого отношения сигнал/шум. Вэн и др. также предложили высоконадежную систему речевой семантической связи, которая реализует передачу речи путем передачи базовой семантической информации. Чжоу и др. предложили сквозную систему речевой семантической связи, которая эффективно устраняет шум семантического сигнала, сохраняя при этом исходную семантическую информацию.
Непрерывное развитие глубокого обучения позволило реализовать интеллектуальное извлечение семантических признаков и в области изображений, открывая новые возможности для таких сценариев, как телемедицина и автономное вождение. Бурцулаце и др. предложили модель сверточной нейронной сети для совместного кодирования источника и канала, поддерживающую беспроводную передачу изображений. Эта модель может адаптивно регулировать качество восстановления изображения в условиях ограниченной полосы пропускания и низкого отношения сигнал/шум; Курка и др. разработали иерархическую схему беспроводной передачи изображений с несколькими слоями уточнения, имеющими различные коэффициенты сжатия; Чжан и др. предложили многоуровневую семантически-осведомленную связь для передачи изображений, демонстрирующую важность семантической информации высокого уровня, такой как подписи к изображениям. Эрдемир и др. исследовали схему совместного кодирования источника и канала для семантической передачи изображений на основе генеративных моделей, Хуан и др. рассмотрели системы семантической связи для передачи изображений. Пэн и др. разработали систему семантической связи изображений, использующую многоуровневую семантическую информацию для значительного уменьшения семантических повреждений и повышения семантической точности.
Технология видеосемантической связи преодолела узкое место обработки пространственно-временной избыточности. Цзян и др. предложили систему семантической видеоконференцсвязи, которая уменьшает нагрузку на передачу, представляя семантику лица с помощью ключевых точек. Хуан и др. разработали инновационную систему семантической связи, адаптированную для облачных видеоданных, использующую легковесный кодек и выбор области интереса для обеспечения декодирования и рендеринга в реальном времени в условиях ограниченных ресурсов.
Кросс-модальная семантическая связь
Семантическая связь как новая парадигма коммуникации, извлекая компактную семантическую информацию из мультимодальных сигналов, позволяет устанавливать семантические связи между различными модальностями, тем самым реализуя эффективную кросс-модальную семантическую связь. Однако семантика сама по себе многозначна и неоднозначна, что затрудняет удовлетворение требований надежности кросс-модальной семантической связи. Существующие исследования, путем выявления скрытых связей между модальностями и создания общих семантических баз, уже предварительно реализовали кросс-модальную семантическую связь. Чэнь и др. предложили фреймворк кросс-модальной семантической связи, показанный на рисунке 2. Этот фреймворк, интегрируя кросс-модальные семантические связи, позволяет объединять данные различных модальностей для передачи.
Кросс-модальная семантическая связь, выявляя внутренние связи между различными модальностями, обеспечивает эффективное представление и кодирование семантических признаков, тем самым преодолевая барьеры между модальностями и значительно повышая производительность связи. Вэн и др. разработали систему семантической связи для распознавания речи, реализующую кросс-модальную связь между речевыми и текстовыми данными. Вэн и др. также спроектировали систему речевой семантической связи для выполнения задач распознавания и синтеза речи, дополнительно исследуя задачи перевода речи в текст и речи в речь. Се и др. разработали задачно-ориентированную систему семантической связи для задач машинного перевода и визуального ответа на вопросы. Се и др. также спроектировали систему семантической связи для визуального ответа на вопросы, способную передавать мультимодальные данные в зависимости от задачи. Ли и др. предложили кросс-модальный граф знаний. Ло и др. предложили схему мультимодального слияния информации на уровне канала, обеспечивающую надежную передачу в различных беспроводных каналах. Покхрел и др. предложили метод хеширования с доменной адаптацией, позволяющий извлекать семантику из мультимодальных данных. Цинь и др. предложили новый метод извлечения семантики из мультимодальных источников и беспроводных каналов. Се и др. разработали систему семантической связи с поддержкой памяти для мультимодальных данных, повышающую эффективность передачи. Ван и др. предложили систему семантической связи на основе глубокого обучения с кросс-модальной калибровкой, эффективно использующую корреляцию между мультимодальными сигналами для повышения надежности передачи; Цзян и др. разработали кросс-модальную систему семантической связи на основе визуально-языковых моделей, реализующую реконструкцию изображений на основе текстовой семантической подсказки для снижения потребления полосы пропускания; другая технология редактируемой семантической связи позволяет пользователям персонализированно редактировать и передавать текстово-изобразительную семантику. Однако существующие исследования все еще имеют явные недостатки в области глубокой интеграции кросс-модальной информации в фреймворк совместного кодирования источника и канала (JSCC).
Мультимодальная семантическая связь
Мультимодальная глубокая интегрированная семантическая связь в основном основана на технологии мультимодального семантического выравнивания, реализуя такие функции, как кросс-модальное извлечение семантики, моделирование связей и адаптивное кодирование. В будущих сценариях 6G мультимодальная семантическая связь, благодаря глубокой интеграции и совместному кодированию текста, речи, изображений, видео и других модальностей, будет способствовать переходу человеко-машинного взаимодействия от передачи символов к одномодальной семантической передаче и, наконец, к мультимодальной интегрированной семантической передаче. Мультимодальные большие языковые модели (MLLM), такие как GPT-4, Gemini, Llama, предоставляют единую платформу семантического представления для мультимодальной семантической связи, способную интегрировать информацию из различных модальностей, таких как текст, изображения и аудио, для достижения кросс-модального семантического выравнивания и генерации.
Ван и др. предложили сквозную обучаемую модель семантической связи, интегрирующую LLM. Эта модель использует различные структуры LLM для проектирования семантического кодера, демонстрируя превосходную производительность в отношении семантической точности, кросс-сценарной обобщаемости и сложности. Нам и др. предложили новую языково-ориентированную структуру семантической связи, которая генерирует настраиваемые подсказки для слушателя, изучая его языковой стиль в контексте. Чжан и др. объединили предварительно обученный кодер на основе LLM с настраиваемым графическим декодером для генерации семантики. Чжао и др. представили систему семантической связи на основе LLM, которая расширяет одномодальную систему передачи и улучшает ее способность к обобщению, используя мультимодальные признаки для восстановления исходной визуальной информации, тем самым повышая качество передачи.
Система семантической связи с глубокой мультимодальной интеграцией может моделировать семантические зависимости между различными модальностями с помощью семантического графа, обеспечивая слияние семантических признаков различных модальностей. Син и др. предложили модель мультимодального семантического представления и слияния на основе графа знаний, способную использовать структурные преимущества графа знаний для слияния мультимодальной семантической информации. Ли и др. предложили алгоритм кросс-модального дополнения признаков на основе ориентированного графа, смягчающий проблему гетерогенности при мультимодальном слиянии.
Обеспечивающие технологии семантической связи
В соответствии с общим процессом проектирования системы семантической связи, ключевые технологии реализации семантической связи можно разделить на три аспекта: метрики оценки производительности, проектирование приемопередатчика и управление ресурсами. Эти технологии поддержат реализацию взаимной коммуникации между сторонами на семантическом уровне и будут способствовать модернизации существующей связи от традиционной передачи символов/битов к семантической передаче, как показано на рисунке 3.
Метрики оценки производительности семантической связи
Оценка производительности системы связи является ключевым компонентом проектирования системы связи. Опираясь на показатели производительности системы связи, можно количественно сравнивать эффективность различных алгоритмов оптимизации связи и реализовывать дифференцированную оптимизацию алгоритмов в соответствии с требованиями к производительности в конкретных сценариях.
Семантические метрики для данных различных модальностей
Из-за различий в модальностях передаваемых данных существуют тонкие различия в метриках, используемых для оценки производительности систем семантической связи. Для семантической текстовой передачи существует множество методов оценки текстовой семантики. Например, семантическое расстояние и коэффициент ошибок в словах (WER), которые в определенной степени оценивают семантическое сходство, а также BLEU (Bilingual Evaluation Understudy), измеряющий семантическое сходство между двумя предложениями. Кроме того, с точки зрения традиционных передаваемых битов, Цзян и др. также ввели среднее потребление битов на предложение в качестве метрики для текстовой семантической связи.
Для речевых данных обычно используются следующие метрики: WER, коэффициент ошибок в символах (CER), коэффициент искажения сигнала (SDR) и перцептивная оценка качества речи (PESQ).
Для данных изображений было предложено множество семантических метрик для семантической передачи изображений. Пиковое отношение сигнала к шуму на уровне пикселей используется для количественной оценки отношения максимально возможной мощности сигнала желаемого изображения к мощности шума восстановленного сигнала; структурное сходство на структурном уровне используется для оценки общего качества исходного и восстановленного изображений; многомасштабное структурное сходство используется для захвата деталей изображения на различных разрешениях; а также перцептивное сходство блоков изображения, изученное с помощью обучения, и оценка визуального преобразования используются для оценки сходства изображений на семантическом уровне. Пэн и др. сосредоточились на семантических повреждениях, вызванных состязательными возмущениями в изображениях, а Фан и др. предложили оценку семантического сходства для количественной оценки семантических различий между изображениями. Поскольку видео состоит из множества кадров изображений, некоторые метрики для данных изображений также могут применяться к видеоданным, например, пиковое отношение сигнала к шуму (PSNR).
Семантические метрики для распределения ресурсов
Основываясь на показателях производительности традиционной архитектуры связи и учитывая сущностные особенности семантической связи, можно рассмотреть следующие общие семантические метрики, ориентированные на распределение ресурсов.
1) Семантическое сходство. Семантическое сходство — это показатель, измеряющий степень сходства двух фрагментов данных по смыслу. Он оценивает не просто совпадение слов, а то, выражают ли они одно и то же или близкое значение на семантическом уровне.
2) Скорость передачи семантики. В семантической связи скорость передачи семантики используется для измерения эффективности передачи полезной семантической информации системой семантической связи в единицу времени. Ян и др. определили скорость передачи семантики как количество семантической информации, эффективно переданной в секунду.
3) Семантическая спектральная эффективность. Спектральная эффективность является ключевым показателем, измеряющим способность традиционной системы связи передавать информацию в единице полосы пропускания. Семантическая спектральная эффективность определяется как скорость, с которой семантическая информация может быть успешно передана в единице полосы пропускания.
4) Семантическая взаимная информация. Семантическая взаимная информация направлена на количественную оценку семантических искажений, возникающих в процессе семантического сжатия для конкретной задачи. Семантическая информация — это смысл, который в конечном итоге понимается задачей и содержится в результатах восприятия.
5) Семантическая энтропия. Информационная энтропия измеряет информацию на основе статистических характеристик символов источника, в то время как семантическая энтропия напрямую количественно оценивает семантическую информацию источника, играя важную роль в количественной оценке эффективности семантической связи при распределении ресурсов.
Проектирование приемопередатчика семантической связи
Семантическое представление
Суть семантической связи заключается в передаче семантической информации. Передавая только семантическую информацию, семантическая связь позволяет генерировать больше знаний с использованием меньшего объема данных, при этом семантическое представление является первым шагом в передаче семантической информации. С развитием семантической связи семантическая информация может быть представлена в трех формах в зависимости от алгоритма семантического представления: семантические векторы признаков на основе глубокого обучения, сети отношений сущностей на основе графов знаний и иерархические сети между сущностями на основе иерархических семантических деревьев.
1) Семантические векторы признаков на основе глубокого обучения. С помощью технологий глубокого обучения такие данные, как изображения и текст, могут быть отображены в семантическое пространство. Однако семантическое представление на основе глубокого обучения требует обучения для конкретных задач и обладает слабой способностью к обобщению для задач, не являющихся целевыми, что требует обучения соответствующих моделей глубокого обучения для разных задач.
2) Сети отношений сущностей на основе графов знаний. Граф знаний — это структура данных, используемая для описания сущностей реального мира, их атрибутов и взаимосвязей. Благодаря выравниванию сущностей можно достичь кросс-источниковой согласованности и высокой эффективности взаимодействия мультимодальной семантической информации. Кроме того, семантическая информация мультимодальных исходных данных может быть смоделирована в виде графа знаний, который затем сериализуется в последовательность триплетов для поддержки эффективной передачи знаний и логического вывода.
3) Иерархические сети между сущностями на основе иерархических семантических деревьев. Иерархическое семантическое дерево (HST) организует сущности в древовидную структуру. В зависимости от отношений между сущностями, иерархические семантические деревья можно разделить на два типа: HST на основе онтологии, содержащие только строгие отношения атрибутов, и HST на основе классификации, содержащие гипонимические отношения. Уилкс сформулировал пять ограничений, которым должна удовлетворять такая мета-семантическая информация: конечность, полнота, независимость, ацикличность и непрерывность. Чжун предложил систему семантической связи на основе HST. Ши и др. предоставили пример мета-семантической информации, включающей основные человеческие чувства, такие как зрение, слух, обоняние, вкус и осязание. Чжан и др. определили мета-семантическую информацию как «семантический базис» сети семантической связи и объяснили, что семантическая информация мультимодальных данных может быть в конечном итоге представлена последовательностью семантических базисов посредством многоуровневых преобразований.
Семантическое кодирование и декодирование
Семантическое кодирование обеспечивает эффективную передачу информации путем захвата скрытого смысла передаваемых данных. В отличие от методов кодирования в традиционной связи, семантическое кодирование учитывает семантику и отношения в данных, что позволяет достичь более высокой степени сжатия при сохранении основного содержания и уменьшении избыточности.
Ранние исследования семантического кодирования были в основном сосредоточены на реализации семантического кодирования и декодирования с точки зрения теории информации. Юба и др. основывались на том факте, что априорные распределения вероятностей символов на источнике и приемнике могут различаться. Гюлер и др., используя теорию игр, разработали фреймворк кодирования с потерями с точки зрения семантического сходства.
С развитием области глубокого обучения семантическое кодирование и декодирование начало развиваться в направлении глубокого обучения. Фарсад и др. предложили совместное кодирование источника и канала для текста на основе глубокого обучения, которое обеспечивает низкий коэффициент ошибок в словах и сохраняет семантическую информацию предложений, в то время как Бурцулаце и др. напрямую отображали значения пикселей изображения в комплексные входные символы канала и изучали помехоустойчивые кодированные представления. Сюй и др. предложили совместное кодирование источника и канала на основе механизма внимания, успешно реализовав передачу изображений при различных уровнях отношения сигнал/шум. Ли и др. предложили масштабируемый фреймворк семантического кодирования, повышающий точность семантического представления. Хуан и др. предложили метод адаптивного семантического кодирования на основе обучения с подкреплением, позволяющий кодировать изображения на уровне выше пиксельного. Барка и др. предложили архитектуру семантической связи на основе глубокого обучения, адаптивную к импульсному шуму. Кроме того, технологии нейронных сетей также являются неотъемлемой частью семантического кодирования, например, извлечение семантических признаков с помощью сверточных сетей, графовые сети внимания с механизмом внимания и т.д. (Таблица 1).
В целом, ключевая задача проектирования приемопередатчика семантической связи заключается в создании универсальной модели, сочетающей семантическую точность и адаптивность к сценариям. В будущем необходимо дальнейшее исследование семантических связей при глубокой мультимодальной интеграции и совместного кодирования источника и канала.
Стратегии управления ресурсами семантической связи
Распределение ресурсов в семантической связи направлено на повышение эффективности связи на семантическом уровне и оптимизацию показателей производительности системы семантической связи, что предъявляет новые требования к производительности задач прикладного уровня. Основываясь на трех вопросах, поставленных Ваном и др., мы расширили и углубили их до следующих четырех ключевых проблем распределения семантических ресурсов, требующих решения.
Точная оптимизация ресурсов на семантическом уровне
В отношении проблемы оптимизации ресурсов на семантическом уровне схема распределения ресурсов, предложенная Яном и др., позволяет оптимизировать распределение ресурсов на семантическом уровне, но требует предварительно обученного отображения для управления распределением сетевых ресурсов, что затрудняет адаптацию к динамическим сценариям связи. Ван и др. предложили схему распределения ресурсов с использованием семантической битовой квантизации, которая решает проблему неточного восприятия окружающей среды, вызванную дополнительным отображением между семантическими метриками и метриками передачи.
Совместимость с аппаратным обеспечением в рамках традиционной архитектуры беспроводной связи
В отношении проблемы совместимости аппаратного обеспечения Ху и др., используя семантическую базу знаний на основе кодовой книги, реализовали дискретизацию непрерывной семантической информации. Однако необходим более эффективный и универсальный метод семантической битовой квантизации для адаптации к существующему аппаратному обеспечению беспроводной передачи. Для высокодинамичных бортовых сетей Су и др. предложили метод оптимизации управления доступом и мощностью для каждого уровня семантической информации, демонстрирующий хорошую производительность в высокодинамичной среде с межканальными помехами и неопределенностью канала. Для интегрированной системы с сосуществованием семантического и сверхнадежного трафика с низкой задержкой Дин и др. предложили схему динамического мультиплексирования и совместного планирования, которая максимизирует полезность семантических услуг, удовлетворяя требованиям к задержке трафика. Для многосотовой многозадачной восходящей сотовой сети Ян и др. предложили метод распределения ресурсов многозадачной сети на основе воспринимаемого качества, решающий проблемы распределения каналов и распределения мощности передачи.
Эффективное распределение ресурсов связи в условиях ограниченных ресурсов
Му и др. предложили семантически-управляемый фреймворк для восходящего неортогонального множественного доступа, используя способность семантической связи обеспечивать хорошую производительность даже при низком отношении сигнал/шум или ограниченных беспроводных ресурсах. Чжан и др. представили схему динамического распределения ресурсов для задачно-ориентированной сети семантической связи на основе глубокого обучения с подкреплением, направленную на повышение производительности задач в беспроводных сетях с ограниченными ресурсами. Чжан и др. предложили семантически-осведомленную схему распределения ресурсов в совместном сценарии сбора энергии, когнитивного радио и неортогонального множественного доступа, обеспечивающую приоритетное занятие ресурсов данными, богатыми семантической информацией. Чэнь и др. предложили новый алгоритм на основе глубокого обучения с подкреплением для максимизации долгосрочной средней семантической энергоэффективности, позволяющий реализовать семантическую связь в сценариях с ограниченной энергией. Ву и др. предложили схему адаптивного к каналу JSCC в передаче с ортогональным частотным разделением, использующую оцененное состояние канала в различных средах с отношением сигнал/шум для определения характеристик подходящих поднесущих и распределения мощности. Тунг и др. представили первый метод сквозной передачи видео с использованием JSCC для распределения доступной полосы пропускания для каждого кадра группы изображений.
Глубокая интеграция распределения семантических ресурсов с существующими технологиями семантического кодирования
Ван и др., вычисляя важность структуры семантической информации на основе графа знаний, оптимизировали распределение ресурсных блоков и кодирование семантической информации, реализуя синергию семантического кодирования и распределения семантических ресурсов. Лю и др. предложили алгоритм, который адаптивно определяет коэффициент сжатия на основе семантической важности, одновременно оптимизируя распределение ресурсов и выбор пользователей, и провели его имитационное моделирование. Чжан и др. также предложили стратегию совместной оптимизации коэффициента семантического сжатия, мощности передачи и распределения полосы пропускания (Таблица 2).
Перспективы будущих исследований семантической связи
1) В отношении модальностей данных семантической связи необходимо исследовать глубокую интеграцию мультимодальной семантической связи, рассмотреть унифицированное представление мультимодальной семантики, реализовать отображение данных различных модальностей в единое семантическое пространство, устраняя гетерогенность между модальностями; исследовать новые методы моделирования динамических семантических связей при глубокой мультимодальной интеграции, разработать механизмы динамической адаптивной интеграции для захвата динамических семантических зависимостей между мультимодальными данными. Для сценария телемедицины интегрировать медицинские изображения, диагностические отчеты и голосовые описания для реализации семантически связанной вспомогательной диагностики на основе мультимодального слияния данных. Для сценария автономного вождения интегрировать данные лидара, видеокадры и данные GPS (глобальной системы позиционирования) для реализации мультимодального семантического понимания и эффективной передачи в сложной среде.
2) В отношении оценки производительности семантической связи необходимо разработать эталонные тестовые наборы для различных сценариев применения, таких как автономное вождение и телемедицина, сформировав стандартизированную структуру оценки семантической связи. В сценарии телемедицины основное внимание следует уделить влиянию точности семантического сжатия, своевременности семантической передачи и точности семантического понимания на медицинскую диагностику, реализуя оценку производительности семантической связи в области телемедицины; в области автономного вождения необходимо количественно оценить своевременность и точность извлечения и понимания семантики, реализуя оценку производительности связи в области автономного вождения. Для разнообразных сценариев применения рассмотреть возможность построения многомерной системы оценки семантической связи для унификации показателей семантической связи и производительности семантической связи.
3) В отношении управления ресурсами семантической связи необходимо исследовать механизмы интеллектуальной координированной оптимизации ресурсов семантической связи, способные ориентироваться на гетерогенные вычислительные мощности и динамические потребности сети, построить единую семантически-управляемую структуру управления кросс-доменными ресурсами, реализуя эффективное распределение семантических ресурсов при глубокой интеграции вычислительных мощностей и сети. Учитывая требования медицинских данных к высокой точности, низкой задержке и защите конфиденциальности семантической связи, рассмотреть возможность использования стратегий динамической семантической выгрузки и распределения вычислительных мощностей; в соответствии с рисковыми характеристиками медицинских данных, реализовать динамическую выгрузку семантических задач и управление ресурсами; для удовлетворения требований низкой задержки и высокой надежности семантической связи в сценарии автономного вождения с множественными источниками окружающей среды, реализовать иерархическую архитектуру управления ресурсами семантической связи, включающую легковесное семантическое извлечение на терминале, локальное семантическое слияние на границе и глобальную семантическую оптимизацию в облаке.
Заключение
Семантическая связь, как новое поколение интеллектуальной парадигмы связи, обладает огромным потенциалом применения в будущих сетях связи и способна реконструировать текущую архитектуру традиционных сетей связи. Однако для широкого применения семантической связи все еще необходимо решить проблемы глубокой мультимодальной интеграции, кросс-доменного управления ресурсами, а также разработать более универсальную и разумную систему метрик оценки производительности. Будущие исследования могут быть сосредоточены на мультимодальном семантическом выравнивании, восприятии семантических ресурсов и фундаментальной теории семантической информации. Посредством теоретических инноваций и оптимизации алгоритмов необходимо построить эффективную систему семантической связи, поддерживающую сети 6G.