基于语义通信的设备对设备（D2D）通信中的资源分配

《Computer Networks》：Resource Allocation in Device-to-Device (D2D) Communication Based on Semantic Communication

D2D无人机通信中基于语义通信的CNN资源分配方法提升效率与QoS。

　　

贾国|樊申|向莉|杨柳|朱金琦

天津师范大学计算机与信息工程学院，中国天津市西青区滨水西路393号，300387

摘要

用于无人驾驶飞行器（UAV）的设备对设备（D2D）通信技术目前是研究的热点。UAV之间的传输链路质量不稳定，以及高效资源分配下传输高质量数据的挑战，给基于D2D的UAV通信带来了重大难题。为了解决这些问题，本文提出了一种基于语义通信的D2D UAV通信方法，通过传输语义信息来提高通信效率。在此基础上，我们提出了一种基于卷积神经网络（CNN）的资源分配和功率控制算法，该算法能够动态优化信道选择和传输功率，以适应复杂的信道环境，确保数据传输的准确性和效率。随后，采用了一种结合监督学习和无监督学习的混合训练策略，以提高对未标记数据的处理能力并改善模型的泛化性能，从而提升模型训练的效率。最后，仿真结果表明，所提出的策略显著提高了通信性能和计算效率，同时增强了频谱利用率和服务质量（QoS）。

部分内容摘录

引言

UAV群体的应用变得越来越重要，特别是在地震、洪水和台风等自然灾害之后，当地基础设施受损，道路被破坏，地形变得复杂，使得许多大规模救援设施难以及时到达。快速有效的应急通信方法在救援行动中起着关键作用。尽管卫星通信可以实现全向通信，

相关工作

本节主要回顾了相关技术的研究现状。

系统模型与问题表述

本节重点讨论了在D2D传输架构中为UAV开发语义传输模型及其相关的资源分配挑战。我们将语义通信与D2D通信相结合，优先传输关键的语义信息，从而显著提高了数据传输效率，例如灾后救援行动。我们提出了资源分配的优化问题，旨在最大化整体系统效率（SE）

基于深度学习的资源分配

在现有的D2D通信资源分配研究中，基于线性规划、动态规划或启发式算法等传统优化方法在某些特定场景下显示出一定的效果。然而，这些方法在处理复杂通信环境时存在一些局限性。首先，传统方法通常假设信道状态信息（CSI）是完美的，而在实际应用中CSI往往是不可预测的且容易受到干扰。

仿真实验

在本研究中，我们通过模拟D2D通信生成的CSI构建了一个数据集。仿真环境参数包括模拟区域的大小、D2D对的数量、信道数量、样本数量以及最大通信距离，如表1所示。为了确保仿真结果的可靠性和稳定性，每个实验在相同条件下独立重复了10次，并取了结果的平均值

结论

本文提出了一种基于语义通信的D2D UAV通信方法，并设计了在D2D传输架构下的语义传输模型，以增强UAV的通信能力。此外，我们提出了一个基于CNN的资源分配和功率控制模型，该模型在确保蜂窝用户服务质量的同时，最大化了D2D发送方-接收方对的总系统效率（SE）。该模型采用混合训练策略进行训练，使其能够快速

CRediT作者贡献声明

贾国：撰写 – 审稿与编辑、调查、资金获取。樊申：撰写 – 原稿撰写、可视化、验证、软件开发、方法论、数据整理、概念化。向莉：形式化分析。杨柳：调查。朱金琦：项目管理工作。

利益冲突声明

作者声明他们没有已知的可能影响本文工作的竞争性财务利益或个人关系。

贾国，IEEE会员，2021年毕业于北京邮电大学国家重点实验室，获得博士学位。目前，他是天津师范大学计算机与信息工程学院的讲师。他曾主持多个项目，包括国家青年基金和交通运输部项目，并参与了多项项目，如863计划和国家重点研发计划。他发表了多篇SCI论文