语义认知网络面临什么问题？

语义认知网络相比点对点的语义通信面临包括知识共享、环境和语境识别、认知学习所需网络资源调度和多用户语义认知网络安全等新问题。具体详述如下：

（1）语义知识的共享与协同问题： 语义通信的首要前提条件是所有通信参与方（发射端和接收端）能够共享一个或多个普适性的语义知识库，它一般包含 3 个层次的知识库共享。首先，发射端和接收端需要拥有一致的知识实体和关系库。其次，在发射端和接收端拥有的知识库不完全一致的情况下，发射端和接收端沟通的内容应该在双方共有知识范围内。换言之，发射端和接收端应当需要具备知识和背景协同以及差异识别能力（如成年人在感知到沟通对象是婴儿或小孩时可自动调整并缩小所使用的知识库）。最后，当发射端和接收端检测到未知语义知识实体和关系时，他们之间一般还需要具备知识库协同更新能力。上述 3 个层次知识共享均不可能由单一用户独立更新并维护一个独有的知识库实现，而需要所有通信参与方共同维护和更新语义知识的相关信息。例如，即便是对于拥有强大信息处理和记忆能力的人类而言，知识积累和识别能力也需要花费数十年的时间学习、探索和练习大部分普适知识内容，而对于通常仅有几年甚至更短使用寿命的电子设备和机器，每个设备单独维护和更新知识库不仅需要耗费极其庞大的通信和存储开销，并且知识积累和数据采集也需要耗费大量时间。这些因素共同造成了语义通信难以推广的现状。

（2）环境和语境感知和识别问题： 相比传统以 0 和 1 为主的数字信号，语义信号可能包含的信息和能够表达的内容更加丰富。不同地域和时间用户可能传达与理解的内容也会受各种复杂因素影响，如消息传播者和接收者通信时的性格与情绪、通信环境、与周围用户和环境交互的历史及语义的上下文等。从另一个角度讲，语义通信发生的环境及用户的社交与沟通历史能够有效帮助用户更好地识别语义，减少语义噪声。例如，在教室里老师与学生之间沟通的语义信息有极大可能局限于课堂知识，而在马路或者十字路口无人驾驶车和有人驾驶车之间沟通的语义信息极大可能聚焦于车辆驾驶行为与交通情况。因此，仅考虑点对点的语义通信的内容而忽视周围用户和通信网络环境影响会极大地限制语义通信中的知识识别和处理效率。

（3）语义认知学习与更新所需网络资源调度与优化问题：语义通信性能与语义编码器和译码器的语义识别和处理准确率密切相关。具体而言，语义通信需要从不同种类的信号源，包括图像、语音、文本中提取用户所需的语义信息，如信号中所包含的物体的某些特征以及不同物体间呈现出的关系。尽管近些年来，由于人工智能技术的快速发展，数据分类、图像与音频信号中的物体识别及逻辑与相关性推理等方面的性能都得到了显著提高，然而大量人工智能算法，尤其是大量基于深度学习的算法，过度依赖高强度算力和高质量人工标记数据集训练出的高性能模型。此外，目前主流的语义通信工作通常强调可利用先验知识降低通信成本并提高语义传递成功率，却忽略了识别、提取和解释语义信息需要消耗的计算与存储资源开销[8] 。最新发布的报告显示，最先进的人工智能算法耗费的资源在过去的几年中呈持续快速增长趋势，成本每几个月就会翻倍，仅在 2012—2017 年这 5 年期间，先进的人工智能算法所需资源成本就增加了 300 000 倍[69] 。这些人工智能算法所需要的计算和存储资源量远远超出目前主流终端设备的计算和存储能力，因此进一步制约了点对点语义通信的适用场景。采用一台高性能 GPU 服务器（TITAN X GP102 GPU 和Intel i9-9900KCPU@3.6GHz）训练 3 种目前主流图像数据集和简单卷积神经网络训练模型精度与耗时如表 1 所示。显然，即便使用高性能 GPU单的目标识别模型也需要耗费高达数分钟，所花费的时间已经远远超出了直接采用目前主流无线通信技术传输高性能图像数据的耗时。

（4）语义认知网络中的模型协同和隐私安全间的矛盾：语义通信中的发射端和接收端需要持续不断地交换各自获取和感知的知识信息，同时协调和更新各自的知识库。这可能会引起本地知识/隐私数据潜在的泄露和被攻击风险。此外，持续的信息上传会带来高额的数据传输开销。因此，在语义通信系统中不宜采用集中式的框架。然而简单直接采用分布式架构对发射端和接收端之间进行知识协同时，又存在协同通信数据量较大且数据隐私难以保护等问题。另一方面，语义本身也提供了特异于不同用户的发送与理解方式，从语义角度完成多用户的消息加密存在着良好的运用前景。与集中-分布式语义认知网络架构一样，在异构多用户语义的协同、统一表征，以及特异于用户的语义加密之间也存在着实现方法、性能、可拓展性等方面的权衡与讨论。相比于点对点的语义通信，多用户模型学习与网络更新是语义认知网络面临的新问题。