本發(fā)明涉及語義通信，尤其涉及一種面向電力物聯網終端的語義通信方法、裝置及系統(tǒng)。

背景技術：

1、隨著數字化社會的迅速發(fā)展，無線通信技術正在由5g技術向6g技術發(fā)展過渡，相較于5g，未來的6g通信網絡將需要支持更多設備以及復雜的智能化應用場景。然而，現有的通信系統(tǒng)主要關注基于比特數據的傳輸，難以滿足未來對于數據意義和意圖理解的需求，因此，語義通信技術應運而生。

2、語義通信旨在通過理解和傳輸信息的真正意義(即語義)，而不僅僅傳輸原始數據，來提高通信系統(tǒng)的效率和可靠性。然而，在資源受限的物聯網終端例如電力物聯網終端上實施語義通信面臨諸多挑戰(zhàn)，例如模型訓練消耗大量計算資源，以及數據傳輸過程中存在安全隱患等問題。因此需要一種新的解決方案，來實現語義通信技術在物聯網終端上的應用。

技術實現思路

1、本發(fā)明實施例提供了一種面向電力物聯網終端的語義通信方法、裝置及系統(tǒng)，以解決現有的語義通信方法不適于在物聯網終端上應用的問題。

2、第一方面，本發(fā)明實施例提供了一種面向電力物聯網終端的語義通信方法，包括：

3、接收云平臺訓練得到的目標語義模型的語義模型參數；

4、基于所述語義模型參數對本地語義模型進行更新，并根據更新的本地語義模型對待傳輸圖像數據進行編碼，得到待傳輸語義特征；所述本地語義模型和所述目標語義模型的結構相同；

5、依次對所述待傳輸語義特征的行維度、列維度和通道維度進行數據混淆，記錄數據混淆方案并得到混淆語義特征；

6、將所述數據混淆方案和所述混淆語義特征加密后傳輸給目標電力物聯網終端。

7、在一種可能的實現方式中，所述數據混淆方案包括行數據混淆方案、列數據混淆方案和通道數據混淆方案；

8、依次對所述待傳輸語義特征的行維度、列維度和通道維度進行數據混淆，記錄數據混淆方案并得到混淆語義特征，包括：

9、對所述待傳輸語義特征的行維度進行隨機排列，得到行混淆語義特征，并將對應的隨機排列結果記錄為行數據混淆方案；

10、對所述行混淆語義特征的列維度進行隨機排列，得到列混淆語義特征，并將對應的隨機排列結果記錄為列數據混淆方案；

11、對所述列混淆語義特征的通道維度進行隨機排列，得到混淆語義特征，并將對應的隨機排列結果記錄為通道數據混淆方案。

12、在一種可能的實現方式中，對所述待傳輸語義特征的行維度進行隨機排列，得到行混淆語義特征，并將對應的隨機排列結果記錄為行數據混淆方案，包括：

13、獲取所述待傳輸語義特征中每行特征對應的行索引值構成的陣列，記為原始行索引陣列；

14、對所述原始行索引陣列中的各個行索引值進行隨機排列，將所述原始行索引陣列的隨機排列結果記錄為行數據混淆方案；

15、按照所述行數據混淆方案中各個行索引值的順序調整所述待傳輸語義特征中的每行特征的順序，得到行混淆語義特征。

16、在一種可能的實現方式中，對所述行混淆語義特征的列維度進行隨機排列，得到列混淆語義特征，并將對應的隨機排列結果記錄為列數據混淆方案，包括：

17、獲取所述行混淆語義特征中每列特征對應的列索引值構成的陣列，記為原始列索引陣列；

18、對所述原始列索引陣列中的各個列索引值進行隨機排列，將所述原始列索引陣列的隨機排列結果記錄為列數據混淆方案；

19、按照所述列數據混淆方案中各個列索引值的順序調整所述行混淆語義特征中的每列特征的順序，得到列混淆語義特征。

20、在一種可能的實現方式中，對所述列混淆語義特征的通道維度進行隨機排列，得到混淆語義特征，并將對應的隨機排列結果記錄為通道數據混淆方案，包括：

21、獲取所述列混淆語義特征中每個通道特征對應的通道索引值構成的陣列，記為原始通道索引陣列；

22、對所述原始通道索引陣列中的各個通道索引值進行隨機排列，將所述原始通道索引陣列的隨機排列結果記錄為通道數據混淆方案；

23、按照所述通道數據混淆方案中各個通道索引值的順序調整所述列混淆語義特征中的每個通道特征的順序，得到混淆語義特征。

24、在一種可能的實現方式中，得到所述目標語義模型的語義模型參數的過程包括：

25、接收電力物聯網終端發(fā)送的訓練數據；

26、將所述訓練數據中的圖像作為原始圖像輸入基于swin?transformer的語義編碼器，并獲得對應的基于swin?transformer的語義解碼器輸出的重建圖像；

27、計算每個所述重建圖像和對應的所述原始圖像的均方誤差，并根據所述均方誤差得到損失函數；

28、基于adam優(yōu)化器，以所述損失函數最小為目標函數進行訓練，得到所述目標語義模型的語義模型參數。

29、在一種可能的實現方式中，所述損失函數為：

30、

31、其中，為所述損失函數，i＝1,2,…,n，n為所述訓練數據中圖像的數量，si為第i個所述原始圖像，為第i個所述重建圖像，為第i個所述重建圖像和第i個所述原始圖像的均方誤差。

32、在一種可能的實現方式中，所述目標函數為：

33、

34、其中，α和β分別表示構成所述目標語義模型的神經網絡的權重和偏置參數，為原始圖像s與重建圖像的聯合概率分布，表示對所述損失函數在聯合概率分布上求期望。

35、第二方面，本發(fā)明實施例提供了一種面向電力物聯網終端的語義通信裝置，包括：

36、接收模塊，用于接收云平臺訓練得到的目標語義模型的語義模型參數；

37、語義編碼模塊，用于基于所述語義模型參數對本地語義模型進行更新，并根據更新的本地語義模型對待傳輸圖像數據進行編碼，得到待傳輸語義特征；所述本地語義模型和所述目標語義模型的結構相同；

38、數據混淆模塊，用于依次對所述待傳輸語義特征的行維度、列維度和通道維度進行數據混淆，記錄數據混淆方案并得到混淆語義特征；

39、傳輸模塊，用于將所述數據混淆方案和所述混淆語義特征加密后傳輸給目標電力物聯網終端。

40、第三方面，本發(fā)明實施例提供了一種面向電力物聯網終端的語義通信系統(tǒng)，包括：云平臺、發(fā)送電力物聯網終端和目標電力物聯網終端；

41、所述云平臺，用于接收所述發(fā)送電力物聯網終端或所述目標電力物聯網終端發(fā)送的訓練數據；將所述訓練數據中的圖像作為原始圖像輸入基于swin?transformer的語義編碼器，并獲得對應的基于swin?transformer的語義解碼器輸出的重建圖像；計算每個所述重建圖像和對應的所述原始圖像的均方誤差，并根據所述均方誤差得到損失函數；基于adam優(yōu)化器，以所述損失函數最小為目標函數進行訓練，得到目標語義模型和所述目標語義模型的語義模型參數；

42、所述發(fā)送電力物聯網終端，用于接收所述云平臺訓練得到的目標語義模型的語義模型參數；基于所述語義模型參數對本地語義模型進行更新，并根據更新的本地語義模型對待傳輸圖像數據進行編碼，得到待傳輸語義特征；所述本地語義模型和所述目標語義模型的結構相同；依次對所述待傳輸語義特征的行維度、列維度和通道維度進行數據混淆，記錄數據混淆方案并得到混淆語義特征；將所述數據混淆方案和所述混淆語義特征加密后傳輸給所述目標電力物聯網終端；

43、所述目標電力物聯網終端，用于接收所述云平臺訓練得到的目標語義模型的語義模型參數、加密的所述數據混淆方案和加密的所述混淆語義特征；對加密的所述數據混淆方案和加密的所述混淆語義特征進行解密，得到所述數據混淆方案和所述混淆語義特征；基于所述數據混淆方案對所述混淆語義特征進行解混淆，得到所述待傳輸語義特征；基于所述語義模型參數對本地語義模型進行更新，并根據更新的本地語義模型對所述待傳輸語義特征進行解碼，得到所述待傳輸圖像的重建圖像。

44、本發(fā)明實施例提供一種面向電力物聯網終端的語義通信方法、裝置及系統(tǒng)，通過接收云平臺訓練得到的目標語義模型的語義模型參數，并基于語義模型參數對本地語義模型進行更新，實現在云平臺上完成目標語義模型的訓練并將模型參數回傳給電力物聯網終端，從而減輕電力物聯網終端的能耗和時耗。在此基礎上，根據更新的本地語義模型對待傳輸圖像數據進行編碼，得到待傳輸語義特征，然后依次對待傳輸語義特征的行維度、列維度和通道維度進行數據混淆，記錄數據混淆方案并得到混淆語義特征，最后將數據混淆方案和混淆語義特征加密后傳輸給目標電力物聯網終端，從而避免語義模型參數泄露導致待傳輸語義特征被竊聽的情況，通過行維度、列維度和通道維度的數據混淆進一步保證語義通信安全。