知识图谱增强的认知语义通信系统：对抗语义损伤的鲁棒性研究

《IEEE Transactions on Communications》：Knowledge Graph Enhanced Robust Cognitive Semantic Communication Against Semantic impairment

本文针对语义通信系统在开放无线信道中易受语义损伤（如对抗攻击和自然失真）影响的问题，提出了一种知识图谱增强的抗损伤认知语义通信框架。研究通过设计满足隐蔽性、语义导向、输入无关和多目标约束的语义损伤生成方法，并结合知识图谱的三元组索引传输与对抗训练，显著提升了系统在低信噪比和语义损伤环境下的分类准确率与鲁棒性。仿真结果表明，所提方法在CIFAR-10数据集上分类准确率较传统方案提升近15%，为高谱效无线网络提供了创新性解决方案。

　　

随着人工智能技术的飞速发展，各类智能应用间的高度交互给无线网络带来了前所未有的压力。传统基于传输符号的通信系统已逐渐逼近香农理论定义的通信速率极限，难以满足未来对高传输速率和频谱效率的需求。语义通信作为一种新兴通信范式，被视作解决频谱稀缺挑战的关键技术。与传统通信系统专注于比特级信息传输不同，语义通信致力于理解和传递信息的含义，从而减少冗余数据传输，在复杂通信环境中展现出卓越的效率和鲁棒性。

然而，由于无线信道的开放性和神经网络的脆弱性，语义通信极易受到语义损伤的威胁。这类扰动可能在信息传输过程中引发语义失真，导致解码和决策过程出错，严重降低系统性能。因此，增强语义通信系统对抗语义损伤的鲁棒性，已成为直接影响超高频谱效率无线网络性能与应用的关键研究挑战。

在这篇发表于《IEEE Transactions on Communications》的论文中，作者团队创新性地提出了知识图谱增强的抗损伤认知语义通信系统，通过结合知识图谱与对抗训练来提升对语义损伤的鲁棒性。研究发现，语义损伤会导致分类准确率下降超过50%，而通过引入知识图谱引导的解码策略，系统在低信噪比条件下的分类准确率提升了近15%，显著优于传统BPG（Better Portable Graphics）和JSCC（Joint Source-Channel Coding）方案。

为开展这项研究，作者主要采用了以下关键技术方法：首先设计了基于卷积神经网络和残差网络的语义编码器-解码器架构；其次开发了满足四种约束条件（隐蔽性、语义导向性、输入无关性和多目标性）的语义损伤生成算法；然后构建了包含模态转换器、三元组提取器和匹配器的知识图谱模块，将图像语义转换为文本三元组索引进行传输；最后通过对抗训练框架将知识图谱三元组信息作为附加语义先验融入解码过程。实验基于CIFAR-10数据集进行验证，采用分类准确率和PSNR（Peak Signal-to-Noise Ratio）作为核心评估指标。

系统模型

如Fig.1所示，该系统包含语义编码、信道传输和语义恢复三个阶段。语义编码器采用卷积神经网络提取图像特征，生成潜在向量；信道编码器对语义表示进行物理层传输处理；知识图谱模块将图像转换为文本三元组索引，通过余弦相似度匹配后传输至接收端；在解码阶段，三元组信息作为语义锚点辅助受损语义的恢复。该系统创新性地将结构化知识表示与连续语义特征传输相结合，形成双路径抗干扰机制。

语义损伤生成

研究从语义层面、隐蔽层面和效率层面定义了四种约束条件：隐蔽性约束通过限制扰动能量上限（‖Δs‖₂≤ε）和最小化MSE（Mean Squared Error）确保视觉不可感知；语义导向约束通过优化目标类与非目标类的损失函数差异（L_target-L_non-target）实现针对性攻击；输入无关约束通过随机噪声生成（Δs=ε·randn(d)）保证跨样本攻击一致性；多目标约束通过加权多类别损失函数（∑L_i）实现同时干扰多个类别。如Algorithm 1所示，这种多约束优化框架生成的语义损伤在CIFAR-10数据集上使分类准确率下降超过50%，显著优于FGSM（Fast Gradient Sign Method）和PGM（Projected Gradient Method）等传统攻击方法。

鲁棒对抗训练

如Fig.3所示，对抗训练过程采用min-max优化框架（min_Φmax_ΔsL(F_Φ(s+Δs);s)），将知识图谱三元组信息作为额外正则化项融入损失函数。训练过程中，训练损失在125轮后稳定在0.4以下，验证损失呈现相似下降趋势，表明模型有效收敛。知识图谱的引入使解码器能够利用符号化先验知识恢复受损语义，如Fig.4所示，系统分类准确率最终稳定在84.5%，接近89.6%的理论上限。

实验与数值结果

在攻击性能方面，语义损伤攻击对车辆、鸟类等语义特征集中的类别破坏性最强（准确率<15%），如Fig.6所示。在抗攻击性能测试中，所提K-SC（Knowledge Graph-enhanced Semantic Communication）方法在3dB低信噪比环境下仍能传输相对清晰的图像，而传统BPG+LDPC方法完全失效。如Fig.7和Fig.8所示，K-SC方法的PSNR值和分类准确率在语义损伤环境下显著优于WITT（Wireless Image Transmission Transformer）和JSCC方法，尤其在低信噪比区域优势明显。

知识图谱模块的消融实验（Fig.5）进一步验证了其关键作用：在对抗训练中加入知识图谱后，所有类别分类准确率平均提升15%以上，其中车辆、卡车等脆弱类别改善尤为显著。Table 1显示，系统在DIV2K数据集上的跨域测试仍保持较高准确率，证明知识图谱提供的语义先验具有良好的泛化能力。

研究结论表明，知识图谱增强的认知语义通信系统通过结构化知识表示与对抗训练的协同优化，有效提升了语义通信在复杂信道环境下的鲁棒性。这种将符号化推理与神经网络相结合的新范式，不仅为语义通信系统对抗恶意攻击提供了创新解决方案，也为未来6G网络中认知通信框架的设计提供了重要参考。尽管当前框架在分类准确率与理论上限间仍存在差距，但通过引入动态图神经网络等自适应机制，有望进一步强化系统的认知韧性，推动语义通信在自动驾驶、远程医疗等安全敏感领域的实际应用。