System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种面向任务的隐私语义通信方法,属于无线通信。
技术介绍
1、移动的通信系统已经转变为支持所有行业数字需求的基础设施,第六代通信技术(6g)的设想远远超出了通信的目的。快速发展的通信技术将物理世界、生物世界和数字世界深度融合,真正开启了“万物互联”的时代。在现代人工智能(ai)终端服务大幅增加的背景下,许多新型信息娱乐设备,正在成为许多应用的主要计算平台,同时产生了无与伦比的私人数据量。然而针对大规模的数据调度,其传输速率又一次逼近香农极限,对现有通信系统的带宽资源、严格的延迟和传输可靠性的需求提出了严峻的挑战。
2、为此,面向任务的语义通信(tosc)被提出以突破“香农陷阱”,这被认为是6g移动通信的新通信范式。[j.shao,y.mao and j.zhang,learning task-orientedcommunication for edge inference:an information bottleneck approach,ieeejournal on selected areas in communications,2022,40(1):197-211.]。与传统的比特级通信系统不同,该系统根据不同的任务需求仅提取和传输与任务相关的信息,并且在接收端不需要精确的比特恢复。一方面,可以利用收发器的计算资源以缓解通信资源稀缺的问题。另一方面,当任务下沉到边缘网络时,可以更灵活地执行边缘推理任务,并保障收发两端高效、安全的交互,从而提高通信系统的可靠性和实时性。目前为止,面向任务的通信提取
3、如今,随着虚拟世界与真实世界的深度融合,网络的信息安全问题备受关注,不可避免地成为研究热点之一。由于高速通信承载着海量数据的传输、处理,一旦被盗用、篡改,会产生较大影响。而面向任务的语义通信系统作为6g环境下的关键架构技术,其安全问题必须得到解决。其中,针对数据分析模型的一种著名隐私攻击是模型反演攻击,即攻击者利用非敏感的置信度和辅助信息进行一系列攻击,以推断训练数据集中敏感特征。[m.khosravy,k.nakamura,y.hirose,n.nitta and n.babaguchi,model inversionattack by integration of deep generative models:privacy-sensitive facegeneration from a face recognition system,ieee transactions on informationforensics and security,2022,17:357-372.]。攻击者可以使用此方法来重建面向任务的通信中所提取的有用信息,从而侵犯用户的隐私安全。尽管该系统只提取与任务相关的信息,这在一定程度上防止了信息泄露,但传输的信息量也会影响到边缘推理任务的效用。
技术实现思路
1、针对现有技术的不足,本专利技术提供了一种面向任务的隐私语义通信方法与系统。
2、具体来说,本专利技术首先考虑了大规模数据传输中对现有系统的通信资源,传输延迟和高传输速率的需求,采用面向任务的语义通信方案,以面向任务的方式高效地传输内容感知和语义相关的信息。这种方式能够从根本上解决传统基于信息传输的通信协议中存在的信息传输冗余问题,并结合信息瓶颈理论来实现终端网络下的推理任务。为了应对数字通信系统背景下面向任务的语义通信存在的传输兼容性问题,本专利技术采用特定的码本设计以及星座图调制方案,通过引入矢量量化机制将数据样本编码为离散表示形式。随后,利用具有有限点星座的数字调制模块传输码本中基向量的离散索引,并在接收端进行离散特征的重建以此用于边缘推理任务,优点是能够减少无线传输的信息量,降低通信开销。在这种离散的面向任务的语义通信系统中,假设收发器共享的码本包含原始数据的信息,但会影响任务推理性能,也可能被恶意的攻击者获取。由此本专利技术将系统所收到的攻击设计为模型反演攻击,并利用对抗学习来训练编码器抵御模型反演攻击,防止信息泄露。
3、因此,将以上问题归纳为一个内在的“效用-信息量-安全”权衡问题。本专利技术利用矢量量化的变分信息瓶颈(vq-vib)框架,在平衡边缘推理任务性能与传输信息量的同时,还利用均方误差(mse)指标来判别信息安全程度,并将其纳入三者的权衡问题。基于以上讨论,本专利技术需要保证所传输的信息量能够减小通信开销,并且确保实现信息安全,同时不影响边缘推理任务的效用。
4、本专利技术的技术方案为:
5、一种面向任务的隐私语义通信方法,应用于面向任务的离散语义通信系统,离散语义通信系统包括1个用户、1个边缘服务器以及1个潜在的攻击者;包括:
6、根据边缘推理任务需求,建立面向任务的离散语义通信系统模型;
7、根据建立的面向任务的离散语义通信系统模型,确定模型反演攻击模型;
8、根据系统离散化要求,建立码本空间的设计过程以及构建训练的损失函数,并引入变分近似重构目标函数;
9、扩充相应的优化目标函数;
10、确立联合变分信息瓶颈理论和对抗学习的面向任务的离散语义通信方案,实现边缘网络推理任务的效用以及信息安全。
11、根据本专利技术优选的,面向任务的离散语义通信系统模型包括发射端网络、码本空间、无线信道和接收端网络,所述发射端网络包括特征提取器和联合信源信道编码器即jsc编码器;无线信道包括调制和解调的过程;所述接收端网络包括边缘任务推理模块;
12、输入表示为目标变量表示为y(即标签),包括所有图像信息,包括任务相关信息和任务无关信息,任务相关信息是与分类任务有关的图片类别信息,任务无关信息是与分类任务无关的图片类别信息;x是图片的像素输入,标签y包含图像的类别信息;
13、特征提取器从原始输入x中识别出与任务相关的特征,提取的与分类任务相关的特征被jsc编码器映射到符号中;
14、本文档来自技高网...
【技术保护点】
1.一种面向任务的隐私语义通信方法,应用于面向任务的离散语义通信系统,离散语义通信系统包括1个用户、1个边缘服务器以及1个潜在的攻击者;其特征在于,包括:
2.根据权利要求1所述的一种面向任务的隐私语义通信方法,其特征在于,面向任务的离散语义通信系统模型包括发射端网络、码本空间、无线信道和接收端网络,所述发射端网络包括特征提取器和联合信源信道编码器即JSC编码器;无线信道包括调制和解调的过程;所述接收端网络包括边缘任务推理模块;
3.根据权利要求2所述的一种面向任务的隐私语义通信方法,其特征在于,特征提取器从原始输入x中识别出与任务相关的特征,提取的与任务相关的特征被JSC编码器映射到符号中;如式(I)所示:
4.根据权利要求2所述的一种面向任务的隐私语义通信方法,其特征在于,zd(x)被边缘任务推理模块用于边缘推理任务,如下所示:
5.根据权利要求2所述的一种面向任务的隐私语义通信方法,其特征在于,整个面向任务的语义通信由概率图模型构成,其马尔科夫链如下所示:
6.根据权利要求1所述的一种面向任务的隐私语义通信方法,其
7.根据权利要求1所述的一种面向任务的隐私语义通信方法,其特征在于,根据系统离散化要求,建立码本空间的设计过程以及构建训练的损失函数,并引入变分近似重构目标函数;包括:
8.根据权利要求1所述的一种面向任务的隐私语义通信方法,其特征在于,扩充相应的优化目标函数;目标函数Lλ被概括为以下形式:
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-8任一所述的面向任务的隐私语义通信方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-8任一所述的面向任务的隐私语义通信方法的步骤。
...【技术特征摘要】
1.一种面向任务的隐私语义通信方法,应用于面向任务的离散语义通信系统,离散语义通信系统包括1个用户、1个边缘服务器以及1个潜在的攻击者;其特征在于,包括:
2.根据权利要求1所述的一种面向任务的隐私语义通信方法,其特征在于,面向任务的离散语义通信系统模型包括发射端网络、码本空间、无线信道和接收端网络,所述发射端网络包括特征提取器和联合信源信道编码器即jsc编码器;无线信道包括调制和解调的过程;所述接收端网络包括边缘任务推理模块;
3.根据权利要求2所述的一种面向任务的隐私语义通信方法,其特征在于,特征提取器从原始输入x中识别出与任务相关的特征,提取的与任务相关的特征被jsc编码器映射到符号中;如式(i)所示:
4.根据权利要求2所述的一种面向任务的隐私语义通信方法,其特征在于,zd(x)被边缘任务推理模块用于边缘推理任务,如下所示:
5.根据权利要求2所述的一种面向任务的隐私语义通信方法,其特征在于,整个面向任务的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。