加密语义通信系统的密钥大小研究.pdf

第48 卷总第52 2 期加密语义通信系统的密钥大小研究刘誉飞，魏淳悦，郭涛（东南大学网络空间安全学院，江苏南京2 1118 9）【摘要】语义通信旨在精确地传达通信符号背后的含义，实现语义信息的交换。加密语义通信采取了各种方式保护这些语义信息，其中密钥大小是关键的性能指标。传统的加密系统要求密钥大小不小于信源的嫡，使得窃听者无法推断出任何信息。语义加密系统中的密钥大小并不需要这么大，最小可以达到语义，因此采用语义加密系统可以显著减小密钥大小。传统的语义加密方式是先进行语义加密，然后进行语义信源编码的加密-语义系统，该系统的密钥大小不小于信源的熵。因此，采用先进行语义信源编码，然后进行语义加密的语义-加密系统，可以显著减小密钥大小。比较了语义-加密系统与传统的加密-语义系统方法在MNIST数据集上的实验效果，仿真结果表明，语义-加密系统可以在使用较小的密钥情况下保护语义信息。【关键词】语义通信；加密语义通信；密钥大小doi:10.3969/j.issn.1006-1010.20240111-0003文献标志码：A文章编号：10 0 6-10 10(2 0 2 4)0 2-0 12 9-0 6引用格式：刘誉飞,魏淳悦,郭涛.加密语义通信系统的密钥大小研究 J.移动通信,2 0 2 4,48(2)：12 9-134.LIU Yufei,WEI Tingyue,GUO Tao.On the Key Size for Encrypted Semantic CommunicationJ.Mobile Communications,2024,48(2):129-134.On the Key Size for Encrypted Semantic Communication(School of Cyberspace Security,Southeast University,Nanjing 211189,China)AbstractSemantic communication aims to accurately convey the meaning behind communication symbols and exchange semanticinformation.Semantic encryption adopts various methods to protect semantic information,where the key size is a crucialperformance metric.Traditional encryption systems require the key size to be no less than the entropy of the source,making itimpossible for eavesdroppers to infer any information.The key size in a semantic encryption system does not need to be thatlarge,and the minimum size can reach semantic entropy.Therefore,semantic encryption can significantly reduce the key sizein order to protect the semantic information.The traditional semantic encryption method is a encryption-semantic system thatfrst performs semantic encryption and then semantic source encoding.The key size of this system is not less than the entropyof the source.Therefore,this paper adopts a semantic-encryption system that first performs semantic source encoding andthen semantic encryption,which can significantly reduce the key size.This paper compares the experimental effects of thesemantic-encryption system and the traditional encryption-semantic system on the MNIST data set.Simulation results show thatsemantic-encryption encoding system can protect semantic information with a smaller key size.Keywords3中图分类号：TN929.5LIU Yufei,WEI Tingyue,GUO Taosemantic communication;encrypted semantic communication;key sizeOSID:扫描二维码与作者交流移动通信0引言受香农经典信息论的启发，Weaverl2将通信分为3个层次：符号的传递、语义通信和语义交换的效果。具体而言，通信存在3个层次的问题 3：1）语法问题，即收稿日期：2 0 2 4-0 1-11*基金项目：国家自然科学基金“语义信源编码的信息论基础研究”（6 2 30 1144）；东南大学新进教师科研启动基金“多用户通信系统安全的信息论基础研究”（40 0 9 0 12 30 1）*通信作者如何准确地传输通信符号；2）语义问题，即如何精确地传达通信符号背后的含义；3）语用问题，即接收的信号如何以预期的方式有效地影响用户行为。第一级通信，即符号的传输，已经在传统的通信系统中得到了充分的研究和发表，一些系统实现符号的传递效果很好 4，接近香农的容量极限。第二级通信，即语义通信，其旨在精确地传达通信符号背后的含义，实现语义信息的交换。进而实现第三级通信，即从语义到语用层面的突破。在传统的通信系统中，源信号被转换为比特序列以1292024年2 月第2 期第48 卷“语义通信”专题11总第52 2 期进行处理。在接收端，表示源信号的比特序列被准确地恢复，比特符号的传输速率受香农容量的限制。传统通信准确接收每个单独符号或比特，而不考虑其含义。语义通信与传统通信的关键区别在于引入了语义编码，捕获了语义特征，从而和接收者交换语义信息。在语义通信中，数据不是在比特级处理的，而是在语义级处理的。语义通信可以用语义理论来描述。在过去的几十年里，语义理论不断发展，文献 5 展示了这些语义理论，包括语义通信系统的框架和性能指标。传统通信系统的组成包括信源、信源编码器、信道编码器、信道、信道解码器、信源解码器和信宿，如图1所示。其中，信源是消息的产生地，其作用是把各种消息转换成原始电信号。信道是将信号由发送设备传输到接收设备的媒介或途径。信源编码的作用是将模拟信号转化为数字信号，并且降低码元速率以压缩频带，提高数字信号传输的有效性；而信道编码是为了使数字信号在信道中传输的更可靠。信源编码的目的是去除信源内部穴余信息，提高有效性；信道编码需要对原始比特序列增加校验位来实现检错、纠错的功能，以此增加比特序列传输对于噪声信道的可靠性。解码将编码而成的数字信号转化为模拟信号。信宿是信息的归宿点，其作用是将接收设备恢复出的电信号转换成相应的消息。信源编信道编（无线信道码器码器图1传统通信系统语义通信系统的组成如图2 所示，通常由以下组件构成：语义编码器、联合信源编码器、联合信道编码器、联合信道解码器、语义解码器和收发端知识库。语义联合信源信编码器道编码器发端知识库图2 语义通信系统在这个系统中，语义编码器负责从发射端知识库中提取与接收端感兴趣的语义信息，并且过滤掉无关的信息。它的主要目的是将原始信源转化为语义表示，以便在通信过程中传输。联合信源编码器将经过语义编码器处理的语义信息进行编码，将其转换为适合信道传输的信号。这个编码过程可以采用多种技术，如符号编码或者压缩编码，以提高信道的利用率和传输效率。联合信道编码器对经过信源编码的语义信息进行进一步编码，以增强对信道噪声130移动通信2024年2 月第2 期和干扰的容错能力。这样可以提高信息在信道中的可靠传输性能。在接收端，联合信道解码器首先对接收到的信号进行解码，还原出联合信源编码器和联合信道编码器对语义信息的编码。语义解码器将收到的语义信息转换为本地用户可理解的形式，并且恢复出原始的信息内容。收发端知识库在整个通信过程中起到了重要的作用，语义通信系统的性能高度依赖收发端知识库。它存储了发射端和接收端的知识和语义模型，用于辅助语义编码器和语义解码器的操作，以确保正确的语义信息传输和解码。当收发端知识库不一致时，语义通信系统性能会严重下降。收发端知识库共享可以维持语义通信系统的性能，然而实际中，共享收发端知识库可能导致额外的通信开销，并引发隐私保护问题 6-7 。从设计思路上来说，信源编码和信道编码是对立的，若将它们分离设计，则难以取得最优的折中方案。因此可以考虑对信源编码和信道编码进行联合设计，例如，可以使用人工神经网络进行联合信源信道编码，使通信系统达到端到端的最优性能。传统通信常使用误码率（BER，Bit Er r o r Ra t e）和符号错误率（SER，Sy m b o l Er r o r Ra t e）作为性能度量。语义通信旨在精确地传达通信符号背后的含义，而非每一比特或符号的精确传输，因此，BER和SER不再适用 8 。目前，语义通信系统尚未有类似BER和SER的性能度量，信道解信源解码器码器无线信道联合信源信道解码器收端知识库更多的是通过接收端任务的完成质量来评价系统是否很好地传递了语义信息。误码率二错误接收的码元数传送总码元数。其中码元是一定时间间隔内的信号，例如0 10，110，0 0 1表示了3个码元。符号错误率是在一定时间内收到的发生差错的比特数/该时间内所收到的总比特数。语义通信常用的性能指标有：（1）文本语义相似性（Text Semantic Similarity）：语义单词错误率（WER）被用于度量语义文本传输 9-10 ，但解码器这种度量方式实际上并不适用，因为2 个具有不同单词的句子可能具有较高的语义相似性。双语评价基础研究（BLEU）得分是测量机器翻译后文本质量的常用指标，已被用于测量文本传输的语义通信系统 12-13。（2）图像语义相似性（Image Semantic Similarity）：2种图像A和B的相似度被测量为：n(F(A),(B)=/(A),f(B)l其中，）是将图像映射到欧几里得空间中的一个点的图像嵌人函数。图像嵌入函数）是寻找图像语义相似度的重要组成部分，例如，可以使用峰值信噪比（PSNR）和结构相似性指数（SSIM）。（3）语音质量测量（SpeechQualityMeasurement）：客观语音质量评估（PESQ）14 是各种条件下语音信号质量(1)第48 卷总第52 2 期刘誉飞，魏淳悦，郭涛：加密语义通信系统的密钥大小研究的常用度量，如背景噪声、模拟滤波和变延迟，已作为语音语义通信系统的性能度量。（4）根据语义信息定义：当语义信息以及语义通信的目的明确的时候，也可以根据语义信息定义性能指标，例如当语义通信的目的是判断0-9 的数字时，可以简单定义语义信息集合S=0,1,2.,9)上的Hamming距离为语义距离。语义通信安全是语义通信的一个重要研究方向，特别是研究基于深度学习的语义通信系统的安全性。受到深度学习支持的端到端（E2E）通信系统影响，基于深度学习的语义通信系统DeepScl2，已经应用到文字和语音等方面的语义通信15，能够恢复语义通信系统中传输的文字或语音信号，DeepSC与传统通信系统相比有更好的性能，特别是在低信噪比（SNR）的情况下。现有的语义通信安全相关工作涵盖了语义加密通信以及对语义通信模型的黑盒攻击等方面。语义加密通信旨在确保通信内容不仅在加密状态下无法被理解，而且在解密后也保持语义上的保护，通常涉及到特定的加密算法。黑盒攻击旨在发现和利用语义通信模型的漏洞，例如欺骗性输人、对抗样本或针对某些特定任务的攻击，以揭示模型的弱点并改进其安全性。语义加密是对语义信息保护的一个较好的方式。加密的语义通信系统（ESCS）结合了通用性和保密性，即无论语义信息是否加密，加密的语义通信系统都能很好地工作，攻击者很难从被窃听的消息中重构出原始的语义信息。在语义通信过程中，通过特定的密钥对语义信息进行加密和解密，能够较好地保护语义信息不被泄露。语义加密过程中使用的密钥大小可以用密钥率来衡量。密钥率表示了密钥的生成速率，密钥率越小，表示单位时间内密钥生成速率越高。传统的语义加密系统的密钥率Rk不小于信源的熵H(x)，即窃听者无法推断出任何信息。RkH(X)若密钥和信源有关联，则窃听者将会获取一定的信息。若考虑到密钥率大小和窃听者获取到的信息的权衡，就要衡量语义信息的泄漏量R，和语义加密过程中使用的密钥率Rk的关系。已经从理论方面证明，用一个较小的密钥即可保护语义信息。其中当R,=0时，最小密钥率大小为语义信息的焰H(S)6。Rk+RLH(S)语义加密通信方面，Luo等人提出了适用于语义通信的对抗网络（GAN），能最小化攻击者恢复的语义信息的同时，最大化接收者恢复的语义信息17 。Hu等人提出了使用掩码自动编码器（MAE）的对抗加密，使用掩码作为部分输入，达到加密语义信息的目的1 8 。提出了基于物理层密钥的语义加密和语义混淆方法，在不影响正常用户接受语义信息的情况下，让攻击者完全无法获得语义信息。其中，密钥率大小是评估语义加密的关键指标，已经从理论方面证明，用一个较小的密钥即可保护语义信息，其中密钥率的最小值为语义信息的焰16 。在黑盒攻击领域的语义通信安全中，基于现有的端到端语义通信系统，SemBLKl19通过有限数量的查询来训练代理语义编码器的参数。利用此代理编码器，通过求解语义丢失和扰动损失的极大极小对策生成语义扰动，以增强语义对手的物理层攻击。而SemBAT20通过直接估计基于雅可比矩阵的梯度来训练代理编码器，然后通过粒子群优化生成对抗性扰动，从而对语义通信模型进行黑盒攻击。1语义-加密通信系统1.1语义-加密通信系统语义加密通信系统的结构如图3所示，主要包括信源（例如图片），语义编码，语义加密，信道编码，AWGN信道（语义噪声），信道解码，语义解密，语义解码，最后得到语义信息。其中，一个随机密钥被用于语义加密和语义解密部分。图片语义编码语义语义解码信息图3语义-加密通信系统结构(2)其中，系统的语义通信部分作用如下：语义编码检测和提取源信号的语义内容，并压缩或删除不相关的信息；语义解码器解释源用户发送的信息，并将接收到的信号恢复为目标用户可以理解的形式。解码器还需要评估目标用户的满意度，并决定是否接收语义信息是成功。语义噪声是在通信过程中引人的导致对语义信息的误解和错误接收的噪声，本文采用了不同信噪比的AWGN信道作为语义噪声。具体的语义编解码模型结构，将在2.2 节中介绍。(3)1.2语义编解码模型语义通信系统使用的语义编解码模型 2 1如图4所示，其中，编码器和解码器是可训练的神经网络，信道层是一个模拟的物理无线信道。131语义加密密钥语义解密信道解码移动通信2024年2 月第2 期信道编码AWGN信道第48 卷“语义通信”专题！1总第52 2 期码之前，即采用了加密语义通信系统，如图5所示，则随机密钥的选择范围为，密钥率为：XLIA输入图像一编码器网络由4个连续的33卷积层组成，并加入了瓶颈残差块的设计，具有良好的视觉处理和特征提取性能。给定一个图像序列sERHW，其中H、W、C分别为图像的高度、宽度和通道，编码器网络将s转换为符号xERH*W，其中Hi，W I,C分别为特征提取后的高度、宽度和通道，x的表示如下：X=Fencode(s)信道层主要执行功率归一化和物理信道仿真的任务。在这个模块中，用符号x除以功率归一化系数c，以满足功率约束EIlx2=1。然后，将归一化符号x=x/c通过通信链路传输，该链路可以建模如下：y=hx+n，其中，h为信道系数，n为噪声方差的加性高斯白噪声（AWGN）：n N(O,o)(5)解码器网络对传输的符号y进行转换，产生解码的符号x=c*y/h。假设完美的信道源信息和功率归一化系数是已知的。然后，解码器网络Fdecode从重建图像序列3。解码器网络由一个VisualTransformer（V iT）层和一个去噪自动编码器（DAE）层组成。VisualTransformer具有一些特性，例如对典型图像遮挡的弹性，DAE则能够通过从损坏的图像中提取关键特征来有效地去噪图像。整个解码器操作可以用以下方式表示：Xo=FM(R)3=Wx+Fae(xo)其中，s为重构后的图像序列，W为可训练矩阵，Fvi和Fdae分别是ViT和DAE块。1.3语义加密语义通信模型中使用的密钥要求在语义编码的基础上进行加密，其中语义编解码使用了图4中的模型，因此采用了随机选取密钥的方式，为语义编码后的信息进行加密，密钥的范围在编码后的语义信息的范围中进行选取。设D为语义编码前的源信息的维度，每个维度取值范围为R(例如图像的像素点的范围为0 一2 55)。Ds为语义编码后的语义信息的维度，每个维度的范围为Rs，则随机密钥的选择范围为R%。密钥率Rk为密钥的选择范围的对数，即：Rk=log,(R,Ds)(8)通常的语义系统的语义加密操作都放在信源信道编132移动通信2024年2 月第2 期输出图像图4语义编解码模型(4)(6)(7)Rk=1og2(RD)显然，随机密钥的选择范围在语义编码之后会变小，这就降低了随机密钥的密钥率。图片语义加密密钥语义信息语义解密图5加密-语义通信系统结构2基于MNIST手写体数据集的语义-加密通信系统2.1实验方案本次实验使用了MNIST开源手写体数据集，包括60000张训练图片和10 0 0 0 张测试图片。所有图像都是2828的灰度图像，每张图像包含一个介于0 和9 之间的手写数字，每一张图片包含2 8 2 8 个像素，每个像素点的取值范围为0 一2 55，对应8 bits的数据。本实验的目的是识别手写数字的图像的语义信息，即从图像中识别手写数字。本文以未加密的工作流为基线，分别采用了两套工作流进行实验，其中加密语义算法使用了图3中的语义-加密通信系统，加密语义算法使用了图5中的加密-语义通信系统，它们都采用了图4中的语义编解码模型提取语义信息和解码语义信息。实验环境所使用的信道为0 dB，10 d B，20dB，30 d B和40 dB的AWGN信道。其中，两套工作流在语义加密部分采用的随机密钥Key1和Key2的对比如表1所示。其中，加密-语义算法的i，j，k 分别为图像的高度、宽度和通道，而语义-加密算法的i,j，k 分别为特征提取后的高度、宽度和通道。对于每张图片，加密-语义算法的随机密钥在12 8 2 8的灰度图像的每个像素点都使用一个8 位的随机密钥进行加密，因此随机密钥的取值为0 到2 55之间的整数。而对于语义-加密算法，由于经过语义编码后的图像为887=448个点。在每个点都使用一个1位的随机密钥进行加密，取值为0 或1。表1不同工作流随机密钥对比随机密钥随机密钥取值范围加密-语义Ku.xE(0,1,2,255),i=1,1j,.k28Rx=log2(128x28256)算法(Keyl)语义-加密算法(Key2)(9)语义编码信道编码AWGN信道语义解码信道解码密钥率Kuj,E(0,1,2),1i8,1j,k7Rk=log:(1877)第48 卷总第52 2 期刘誉飞，魏淳悦，郭涛：加密语义通信系统的密钥大小研究移动通信2.2实验结果未加密、加密-语义算法、语义加密算法的准确率和AWGN信道信噪比的关系如表2 和图6 所示。可以看出，语义-加密算法和加密语义算法的准确率在低信噪比的情况下都比未加密的准确率较高。而在高信噪比的情况下，语义-加密算法和加密-语义算法的准确率比较接近未加密的准确率。并且各种方式的准确率随着信噪比的增加，准确率不断提高。表2 未加密、加密-语义算法、语义-加密算法的准确率(%)和AWGN信道信噪比的关系信噪比/dB未加密061.331092.702096.373097.194097.4495908575706560图6 未加密、加密-语义算法、语义-加密算法的准确率(%)和AWGN信道信噪比关系17.515.012.510.07.55.02.50.0图7 加密-语义算法、语义-加密算法的密钥率比较实验结果表明，随着信噪比增大，各种方法的准确率不断提高，说明无论使用哪种加密语义通信方式，噪声越少，准确率越高。相对于未加密的实验，两种加密算法实验的准确率不会显著降低。图7 显示，语义加密算法和加密语义算法的准确率比较接近，但语义加密算法的密钥率远远小于加密-语义算法的密钥率，说明语义加密算法能够在使用较小密钥的情况下保护语义信息。3结束语在加密的语义通信系统中，不同的语义加密方式的加密-语义算法语义-加密算法61.9762.1893.1693.3696.0496.1596.3396.2096.2396.22未加密加密一语义算法语义-加密算法510key1thekey rates of different keys密钥大小是不同的。本文研究了不同的加密方式如何减少密钥大小，仿真实验表明先进行语义信源编码再进行语义加密的密钥大小可以达到语义熵，远小于传统的先进行语义加密再进行语义信源编码的密钥大小，说明前一种语义加密方式能够使用较小的密钥保护语义信息。这种语义加密方式在单用户的端到端语义信息传输中具有潜力，未来可以扩展到多用户的点对点传输，例如安全多方计算、分布式共享、区块链和智能合约等。通过这些理论和技术，多个用户可以在点对点连接中安全地共享和处理数据，确保数据隐私和语义安全性，为未来的语义加密系统的设计提供参考。参考文献：1 C.E.Shannon.A Mathematical Theory of CommunicationJ.The Bell System Technical Journal,1948,27(4):623-656.1520NSR/dB2530key235402 C E Shannon,W Weaver.The Mathematical Theory ofCommunicationZ.The University of Ilinois Press,1949.3 W Weaver.Recent Contributions to the Mathematical Theoryof CommunicationJ.ETC:a review of general semantics,1953:261-281.4Gunduz D,Qin Z,Aguerri I E,et al.Beyond Transmitting Bits:Context,Semantics,and Task-Oriented CommunicationsJ.IEEE Journal on Selected Areas in Communications,2023,41(1):5-41.5 Zhijin Q,Xiaoming T,Jianhua L,et al.Semantic Communications:Principles and ChallengesJ/OLJ.arXiv,2022:2201.01389.6Wang Y,Guo S.Transceiver Cooperative Learning-aidedSemantic Communications Against Mismatched BackgroundKnowledge BasesJ/OL.2023-01-09.https:/arxiv.org/abs/2301.03133.7石光明，肖泳，李莹玉，等.面向万物智联的语义通信网络 .物联网学报，2 0 2 1,5(1)：1-12.8 Guo S,Wang Y,Zhang P.Signal Shaping for SemanticCommunication Systems with A Few MessageCandidatesCJ/2022 IEEE 96th Vehicular TechnologyConference(VTC2022-Fall).IEEE,2022:1-5.9 N Farsad,M Rao,A Goldsmith.Deep learning for jointsource-channel coding of textC.Proc.IEEE Intl.Conf.Acoustics Speech Signal Process(ICASSP),Calgary,Canada,Apr.2018:2326-2330.1332024年2 月第2 期第48 卷“语义通信”专题总第52 2 期10 P Jiang,C K Wen,S Jin,et al.Deep Source-Channel Codingfor Sentence Semantic Transmission With HARQJJ.IEEETransactions on Communications,Aug.2022,70(8):5225-5240.ll K Papineni,S Roukos,T Ward,et al.BLEU:a method forautomatic evaluation of machine translationC.Proc.AnnualMeeting Assoc.Comput.Linguistics(ACL),Philadelphia,PA,USA,Jul.2002:311-318.12 H Xie,Z Qin,G Y.Li,et al.Juang.Deep learning enabledsemantic communication systemsJ.IEEE Trans.SignalProcess,Apr.2021,69:2663-2675.13 H.Xie and Z.Qin.A lite distributed semantic communicationsystem for Internet of ThingsJ.IEEE Journal on SelectedAreas in Communications,Jan.2021,39(1):142-153.14 A W Rix,J G Beerends,M P Hollier,et al.Perceptualevaluation of speech quality(PESQ)-a new method for speechquality assessment of telephone networks and codecsCj.Proc.IEEE Int.Conf.Acoust.,Speech,Signal Process.(ICASSP),Salt Lake City,UT,USA,May.2001:749-752.15 Weng Z,Qin Z.Semantic communication systems forspeech transmissionJJ.IEEE Journal on Selected Areas inCommunications,2021,39(8):2434-2444.16 T Guo,J Han,H Wu,et al.Protecting Semantic InformationUsing An Efficient Secret Key.2022 IEEE InternationalSymposium on Information TheoryCJ.Espoo,Finland,2022:2660-2665.17 X Luo,Z Chen,M Tao,et al.Encrypted SemanticCommunication Using Adversarial Training for PrivacyPreservingJ IEEE Communications Letters,June 2023,27(6):1486-1490.18 Q Hu,G Zhang,Z Qin,et al.Robust SemanticCommunications Against Semantic NoiseC.2022 IEEE 96thVehicular Technology Conference(VTC2022-Fall),London,United Kingdom,2022:1-6.19 Z Li,et al.Boosting Physical Layer Black-Box Attacks withSemantic Adversaries in Semantic CommunicationsC.ICC2023-IEEE International Conference on Communications,Rome,Italy,2023:5614-5619.20 Z Li,J Zhou,G Nan,et al.SemBAT:Physical Layer Black-box Adversarial Attacks for Deep Learning-based SemanticCommunication SystemsC.2022 IEEE 96th VehicularTechnology Conference(VTC2022-Fall),London,UnitedKingdom,2022:1-5.2l H Yoo,T Jung,L Dai,et al.Demo:Real-Time SemanticCommunications with a Vision TransformerJ/OL.arXiv,2022:2205.03886.刘誉飞（orcid.org/0000-0003-2529-129X）：东南大学网络空间安全学院在读硕士研究生，主要研究方向为语义加密通信。魏淳悦：东南大学网络空间安全学院在读硕士研究生，主要研究方向为隐私计算。郭涛（orcid.org/0000-0002-8991-6757）：副教授，博士，现就职于东南大学网络空间安全学院，主要研究方向为信息论与编码、信息安全、隐私保护、语义通信。（上接第12 2 页）32 Arik S O,Chrzanowski M,Coates A,et al.Deep voice:Real-time neural text-to-speechC/International conference onmachine learning.PMLR,2017:195-204.33 Gao S H,Cheng M M,Zhao K,et al.Res2net:A new multi-scale backbone architectureJJ.IEEE transactions on patternanalysis and machine intelligence,2019,43(2):652-662.34 Zhao Z,Han S K,So I M,Architecture of knowledge graphconstruction techniquesJ.International Journal of Pure andApplied Mathematics,2018,118(19):1869-1883.35 Luo Z,Xu W,Liu W,et al.KGE-CL:Contrastive learning oftensor decomposition based knowledge graph embeddingsJ/OLJ.arXiv preprint arXiv:2112.04871,2021.36 Huang N,Deshpande Y R,Liu Y,et al.Endowing languagemodels with multimodal knowledge graph representationsJ/OLJ.arXiv preprint arXiv:2206.13163,2022.37Sun M,Chen X,Zhang K,et al.Thulac:An efficient lexicalanalyzer for chineseJ.Retrieved Jan,2016,10:2022.38Mikolov T,Chen K,Corrado G,et al.Efficient estimation of word representations in vector spaceJ/OL.arXiv preprintarXiv:1301.3781,2013.39He K,Zhang X,Ren S,et al.Deep residual learning forimage recognitionCJ/Proceedings of the IEEE conference oncomputer vision and pattern recognition.2016:770-778.40 Bu H,Du J,Na X,et al.Aishell-1:An open-source mandarinspeech corpus and a speech recognition baselineCJ/201720th conference of the oriental chapter of the internationalcoordinating committee on speech databases and speech I/Osystems and assessment(O-COCOSDA).IEEE,2017:1-5.41 Recommendation I T U T.Perceptual evaluation of speechquality(PESQ):An objective method for end-to-end speechquality assessment of narrow-band telephone networks andspeech codecsJ.Rec.ITU-T P.862,2001.陈思旭（orcid.org/0009-0001-3141-4658）：北京邮电大学人工智能学院在读硕士研究生，研究方向为语义通信、语音知识库和机器学习。作者简介刘辰尧：北京邮电大学人工智能学院在读博士研究生，研究方向为语义通信、视频编码和机器学习。郭杰洁：北京邮电大学人工智能学院在读硕士研究生，研究方向为语义通信、语音编码和人工智能。作者简介134移动通信2024年2 月第2 期