Hybrid NOMA Assisted Heterogeneous Semantic and Bit Users Communication

Technische Zusammenfassung: Hybride NOMA-unterstützte heterogene Kommunikation semantischer und bitbasierter Nutzer

Problemstellung
Der Artikel behandelt die Herausforderung der Integration traditioneller bitbasierter Kommunikation mit aufkommender semantischer Kommunikation in drahtlosen Netzwerken der nächsten Generation. Während semantische Kommunikation in Umgebungen mit niedrigem Signal-zu-Rausch-Verhältnis (SNR) Vorteile bietet, indem sie sich auf die Bedeutung von Informationen konzentriert, bleibt die traditionelle bitbasierte Kommunikation für eine nahezu verlustfreie Wiederherstellung bei höheren SNRs überlegen. Das Zusammenleben dieser beiden unterschiedlichen Nutzertypen (heterogene Nutzer) schafft spezifische Designherausforderungen, insbesondere hinsichtlich der sukzessiven Interferenzcancellation (SIC). Bei der Standard-Non-Orthogonal Multiple Access (NOMA) stützt sich die SIC auf Kanalbedingungen (stärkere Nutzer decodieren Signale schwächerer Nutzer). In einem gemeinsamen System fehlt den bitbasierten Nutzern jedoch das für die Decodierung semantischer Signale erforderliche vorab trainierte neuronale Netzwerk, wodurch die herkömmliche kanalbasierte SIC unwirksam wird. Darüber hinaus versagen bestehende hybride NOMA-Schemata oft darin, die Nutzerzuordnung und Decodierreihenfolge dynamisch an diese heterogenen Signalverarbeitungsanforderungen anzupassen.

Methodik
Die Autoren schlagen ein Downlink-Hybrid-NOMA-Framework vor, das Orthogonal Multiple Access (OMA) und NOMA dynamisch kombiniert, um einen bitbasierten Nutzer (B) und zwei semantische Nutzer (S1, S2) über Rayleigh-Fading-Kanäle zu bedienen.

• Systemmodell: Das System nutzt ein DeepSC-Modell (Deep Semantic Communication), bei dem semantische Raten durch eine semantische Ähnlichkeitsfunktion bestimmt werden, die über eine generalisierte logistische Funktion approximiert wird. Die Rate des bitbasierten Nutzers folgt Shannons Kapazitätsformel. Um einen Vergleich zu ermöglichen, wird die Rate des bitbasierten Nutzers in eine äquivalente semantische Rate umgewandelt.
• Adaptive Nutzerzuordnung und Decodierung: Der Kern der Methodik ist eine dynamische Slot-Allokationsstrategie (Algorithmus 1):
  • Heterogene Slots (Bit + Semantik): Wenn ein bitbasierter Nutzer und ein semantischer Nutzer einen Slot teilen, verwendet das System eine Bit-zu-Semantik-Decodierreihenfolge. Der bitbasierte Nutzer decodiert sein Signal zuerst und behandelt das semantische Signal als Interferenz. Der semantische Nutzer decodiert dann das Signal des bitbasierten Nutzers, wendet SIC an, um es zu entfernen, und decodiert sein eigenes Signal interferenzfrei.
  • Nur-Semantik-Slots: Wenn zwei semantische Nutzer einen Slot teilen, wird der Nutzer mit dem stärkeren Kanalgewinn zuerst decodiert (wobei der schwächere als Rauschen behandelt wird), gefolgt von SIC für den schwächeren Nutzer.
  • OMA-Übergang: Wenn ein semantischer Nutzer in einer potenziellen Paarung einen stärkeren Kanalgewinn als der bitbasierte Nutzer aufweist, wird der Slot ausschließlich dem bitbasierten Nutzer zugewiesen (OMA-Modus), um eine ineffiziente Ressourcennutzung zu vermeiden.
• Optimierung: Ein Leistungsallokationsproblem wird formuliert, um die erwartete äquivalente ergodische semantische Spektraleffizienz (SE) unter einer Gesamtleistungsbeschränkung ($P_{max}$) zu maximieren. Aufgrund der nicht-konvexen Natur der semantischen Ähnlichkeitsfunktion nutzen die Autoren die „Time-Sharing"-Bedingung, um starke Dualität herzustellen. Sie lösen das Problem unter Verwendung der Karush-Kuhn-Tucker (KKT)-Bedingungen und leiten geschlossene Näherungen sowie transzendente Gleichungen für die optimale Leistungsverteilung ab.

Hauptbeiträge

1. Hybrides NOMA-Framework: Vorschlag einer hybriden NOMA-Architektur, die speziell für heterogene Nutzer entwickelt wurde und Nutzer dynamisch basierend auf Echtzeit-Kanalbedingungen Zeit-Slots zuweist.
2. Adaptive Decodierungsstrategie: Einführung einer maßgeschneiderten Decodierreihenfolge, die in gemischten Slots eine Bit-zu-Semantik-Sequenz priorisiert (im Gegensatz zur herkömmlichen kanalbasierten SIC) und in Nur-Semantik-Slots eine stärker-zu-schwächer-Sequenz verwendet.
3. Optimierung der Leistungsallokation: Formulierung und Lösung eines nicht-konvexen Leistungsallokationsproblems, das die äquivalente ergodische semantische SE maximiert und dabei die unterschiedlichen Rate-Eigenschaften von bitbasierten und semantischen Nutzern berücksichtigt.
4. Leistungsvalidierung: Demonstration durch Simulationen, dass der vorgeschlagene hybride Ansatz OMA-exklusive Schemata in Bezug auf die ergodische semantische SE übertrifft.

Simulationsergebnisse
Die Autoren validieren ihren Ansatz mittels Monte-Carlo-Simulationen über $10^5$ Kanalrealisierungen mit einer Zellradius von 100 Metern.

• SE-Leistung: Das vorgeschlagene hybride NOMA-Setup erzielt konsistent eine höhere äquivalente ergodische semantische SE im Vergleich zu einem heterogenen OMA-Setup über verschiedene maximale Leistungsstufen ($P_{max}$) und semantische Ähnlichkeitsschwellenwerte ($\epsilon_{th}$).
• Verhalten der Leistungsallokation: Mit steigendem $P_{max}$ weist das System dem bitbasierten Nutzer deutlich mehr Leistung zu als den semantischen Nutzern. Die Autoren stellen fest, dass dies zu einer „ungerechten" Optimalität führt, getrieben durch den Unterschied zwischen dem logarithmischen Wachstum der bitbasierten Raten und dem sättigenden Charakter der semantischen Ähnlichkeitsfunktion.
• Schwellenwertempfindlichkeit: Obwohl die Erhöhung des semantischen Ähnlichkeitsschwellenwerts ($\epsilon_{th}$) die SE aufgrund von Rekonstruktionsbeschränkungen allgemein verringert, behält das hybride NOMA-Setup einen Leistungsvorteil gegenüber OMA bei, was der Fähigkeit des bitbasierten Nutzers zugeschrieben wird, durch effiziente Ressourcennutzung zur genauen Signalrekonstruktion beizutragen.

Bedeutung und Behauptungen
Der Artikel behauptet, dass sein vorgeschlagenes Framework die Lücke zwischen semantischer und bitbasierter Kommunikation effektiv schließt, indem es die Inkompatibilität der SIC in heterogenen Netzwerken löst. Durch den dynamischen Übergang zwischen OMA und NOMA und die Durchsetzung einer Bit-zu-Semantik-Decodierreihenfolge verbessert das System die gesamte Spektraleffizienz. Die Autoren behaupten, dass dieser Ansatz eine praktikable Lösung für zukünftige drahtlose Netzwerke bietet, die das Zusammenleben verschiedener Kommunikationsparadigmen erfordern, und dabei eine effiziente Ressourcennutzung sicherstellt, während die äquivalente semantische Leistung des Netzwerks maximiert wird. Die Arbeit wird als Schritt zur Optimierung heterogener Nutzernetzwerke präsentiert, ohne neue Technologien der physikalischen Schicht zu erfinden, sondern durch die Anpassung bestehender NOMA/OMA- und DeepSC-Konzepte in ein kohärentes, optimiertes Framework.