【论文阅读】Resource Allocation for Text Semantic Communications

这是一篇关于语义通信中资源分配的论文。全文共5页,篇幅较短。

目录在这里

  • 摘要
  • 关键字
  • 引言
    • 语义通信
    • 资源分配
    • 贡献
    • 公式符号
  • 系统模型
    • DeepSC Transmitter
    • Transmission Model
    • DeepSC Receiver
  • 语义感知资源分配策略
    • Semantic Spectral Efficiency (S-SE)
    • 问题建模
      • 优化目标
      • 通道分配约束条件
      • 平均语义符号数约束条件
      • 语义相似度约束条件
      • SS-E限制条件
      • 解决方法
  • 仿真结果
    • 变换方法
    • 基准
    • 实验结果
  • 结论

摘要

语义通信在传输可靠性方面有着天然优势,而其中的资源分配更是保证语义传输可靠性和通信效率的关键所在,但目前还没有研究者探索该领域。为了填补这一空白,我们研究了语义领域的频谱效率,并重新思考语义感知资源分配问题。具体来说,以文本语义通信为例,首次定义了语义谱效率(S-SE),并用于根据通道分配和传输的语义符号的数量来优化资源分配。此外,为了公平地比较语义通信系统和传统通信系统,开发了一种变换方法,将传统的基于比特的频谱效率转换为S-SE。仿真结果表明了所提出的资源分配方法的有效性和可行性,以及语义通信在S-SE方面的优越性。

关键字

语义通信 语义谱效率 资源分配

引言

语义通信

大家都知道,自从信息革命爆发以来,我们的信息量(数据量)也在不断膨胀。以往当我们进行通信时,是将信息放在信源上,系统就会像快递小哥,发给信宿。
在这里插入图片描述
但在这个万物互联的时代,我们的信道已经接近极限,但仍然不足以传输所有数据。这时,语义通信应运而生。
语义通信采用“先理解后发送”的机制,我们不必发送所有信息,仅仅发送最有价值,能够表达意思的信息就可以。

那语义通信怎么工作的呢,或是它的总体架构是怎么样子的。现在,语义通信研究还处于起步阶段,不同的研究团队有着不同的架构设计。而且,针对不同的通信类型(文本通信,音视频通信,图像通信等),语义通信的架构也随之不同。

资源分配

在无线通信中,如何测量信息内容以及频谱效率(SE)是资源分配的基础。我们需要从语义角度重新考虑资源分配。

尽管仍然缺乏完整的数据模型,但借助深度学习(DL)的语义系统设计,可以使得在语义域内定义可计算的SE。在本文中,我们以 DeepSC 为例来探索这种语义感知网络中的 SE 问题和资源分配问题。

贡献

  • 针对语义感知网络提出了一种新的资源分配模型。具体来说,首先定义语义谱效率(S-SE)从语义的角度来衡量通信效率。然后提出了一种新的公式,并在信道分配和传输的语义符号的数量方面最大化整体S-SE。
  • 为了公平地比较语义通信系统和传统通信系统,开发了一种变换方法将基于比特的SE转换为S-SE。
  • 仿真结果验证了所提出的资源分配模型的有效性,以及语义通信系统在S-SE方面的优越性。

公式符号

符号含义
R n × m \mathbb{R}^{n\times m} Rn×m大小为 n x m 的真实集合
x \mathbf{x} x向量
X \mathbf{X} X矩阵
x ∼ C N ( μ , σ 2 ) x \sim \mathcal{CN}(\mu, \sigma^2) xCN(μ,σ2)x服从循环对称复高斯分布

系统模型

现在考虑如下图所示的蜂窝网络架构1。该架构有一个基站,N个移动站。
在这里插入图片描述

DeepSC 被用作语义通信模型,并配备每个用户进行文本传输,其中底层文本的语义可以通过 Transformer 有效地提取。假设DeepSC收发器在BS或云平台上进行训练。然后将训练好的语义发射机模型广播给用户。下面我们来将详细介绍 BS 处的 DeepSC 发射器传输模型DeepSC 接收器

DeepSC Transmitter

第n个用户生成文本向量为 s n = [ w n , 1 , w n , 2 , . . . , w n , l , . . . . , w n , L n ] s_n = [w_{n, 1}, w_{n, 2}, ..., w_{n, l}, ...., w_{n, L_n}] sn=[wn,1,wn,2,...,wn,l,....,wn,Ln],向量总长度为 L n L_n Ln。这个向量会被DeepSC Transmitter 映射为Semantic Symbol 向量 X n = [ x n , 1 , x n , 2 , . . . . , x n , k n L n ] X_n = [\mathbf{x_{n, 1}, x_{n, 2}, ...., x_{n, k_nL_n}}] Xn=[xn,1,xn,2,....,xn,knLn]

其中, X n ∈ R k n L n × 2 X_n \in \mathbb{R}^{k_nL_n\times 2} XnRknLn×2, X n X_n Xn长度会随着 s n s_n sn的增加而增加,在第 n 个用户处,每个单词平均使用 k n k_n kn 个语义符号进行编码,而且每个语义符号可以直接通过传输物质传输。

Transmission Model

符号含义
M = { 1 , 2 , . . , m , . . . , M } \mathcal{M}=\{1, 2, .., m, ..., M\} M={1,2,..,m,...,M}可用信道集合(带宽为W),M是总数量
α m = [ α n , 1 , . . . , α n , M ] \bm{\alpha_m} = [\alpha_{n, 1}, ..., \alpha_{n, M}] αm=[αn,1,...,αn,M]和 第 n 个用户的相关性,只有0 1两个选项
p n p_n pn第n个用户的发射功率
g n g_n gn大尺度信道增益(包括路径损失和阴影)
h n , m h_{n,m} hn,m用户 n 在第 m 个信道上的雷利衰落系数
N 0 N_0 N0噪声功率谱密度

假设每个信道最多只能分配给一个用户,一个用户至多占据一个信道:
∑ n = 1 N α n , m ≤ 1 \sum^N_{n=1}\alpha_{n, m} \leq 1 n=1Nαn,m1
∑ m = 1 M α n , m ≤ 1 \sum^M_{m=1}\alpha_{n, m} \leq 1 m=1Mαn,m1
考虑到信道包含大尺度衰减和小尺度Rayleigh衰减,信噪比(度量用户 n 在第 m 个信道上的信号质量):

γ n , m = p n g n ∣ h n , m 2 ∣ W N 0 \gamma_{n,m}= \frac {p_ {n}g_ {n}|h_ {n,m}^ {2}|}{WN_ {0}} γn,m=WN0pngnhn,m2

DeepSC Receiver

符号含义
Y n = g n h n , m X n + z \bm{Y}_n = \sqrt{g_n}h_{n, m}\bm{X}_n+\mathbf{z} Yn=gn hn,mXn+z来自第 n 个用户的信号
s ^ n \widehat {s}_n s n估计第 n 个用户的原始向量
B(·)来自 Transformers (BERT) 模型的句子双向编码器表示,采用预训练的 Sentence-BERT 模型

在 BS 处,来自第 n 个用户的信号可以表示为 Y n Y_n Yn。接收到的信号首先由通道解码器解码,从而语义解码器估计句子 s ^ n \hat{s}_n s^n。为了评估语义通信在文本传输方面的性能,我们采用语义相似度作为性能指标.
ξ = B ( s ) B ( s ^ ) T ∣ B ( s ) ∣ ∣ B ( s ) ∣ \xi = \frac {B(s)B(\widehat {s})^T}{|B(s)||B(s)|} ξ=B(s)∣∣B(s)B(s)B(s )T

语义感知资源分配策略

S-SE 首先被定义为语义感知网络的新指标。然后语义感知资源分配在通道分配和传输的语义符号的数量方面被表述为 S-SE 最大化问题。最后,得到优化问题的最优解。

Semantic Spectral Efficiency (S-SE)

符号含义
D = { ( s j = [ w n , 1 , w n , 2 , . . . , w n , l , . . . . , w n , L n ] ) } j = 1 D \mathcal{D}=\{(s_j=[w_{n, 1}, w_{n, 2}, ..., w_{n, l}, ...., w_{n, L_n}])\}^D_{j=1} D={(sj=[wn,1,wn,2,...,wn,l,....,wn,Ln])}j=1D文本数据集,其中 s j s_j sj 是第 j 个句子,长度为 L j L_j Lj w j , l w_{j,l} wj,l是第 l l l 个单词。
I j I_j Ij s j s_j sj的语义信息量
p ( s j ) p(\mathbf{s_j}) p(sj) s j s_j sj 出现概率

假设语义信息可以通过表示语义信息基本单元的语义单元 (sut) 来衡量。基于此,可以定义两个关键的基于语义的性能指标:

  • 语义传输速率 (S-R) 👉每秒有效传输的语义信息, 单位suts/s
  • 语义谱效率(S-SE) 👉语义信息可以在带宽单位上成功传输的速率,单位suts/s/Hz

我们关注的是长文本的传输,因此L和I应取期望值,而不是随机值。在第n个用户处,平均有 k n L k_nL knL 个语义符号承载着 I I I 的语义信息量,每个语义符号的平均语义信息量为 I / ( k n L ) I/(k_nL) I/(knL)

由于符号速率等于通道带宽对于带通传输,在带宽为W的通道上传输的总语义信息量为 W I / ( k n L ) WI/(k_nL) WI/(knL)(语义信息量和bit数相对应吗),因此,第n个用户在第m个通道上的S-R可以表示为
Γ n , m = W I k n L ξ n , m \Gamma_ {n,m} = \frac {WI}{k_ {n}L} \xi _ {n,m} Γn,m=knLWIξn,m
第n个用户在第m个通道上的SS-E可以表示为
Φ n , m = Γ n , m W = I k n L ξ n , m \Phi _ {n,m} = \frac {\Gamma_ {n,m}}{W} = \frac {I}{k_ {n}L} \xi_{n,m} Φn,m=WΓn,m=knLIξn,m

问题建模

符号含义
Φ \Phi Φ所有用户整体 S-SE

信道分配向量是我们优化变量之一。此外,我们还会优化每个单词的传输语义符号的平均数量 k n k_n kn,以使每个符号携带更多的语义信息,从而在确保相同的传输可靠性的同时获得更高的 S-SE。

优化目标

max ⁡ α n , k n Φ = ∑ n = 1 N ∑ m = 1 M α n , m I k n L ξ n , m \max_{\bm{\alpha_n}, k_n} \Phi=\sum_{n=1}^{N}\sum_{m=1}^M\alpha_{n, m} \frac {I}{k_ {n}L} \xi_{n,m} αn,knmaxΦ=n=1Nm=1Mαn,mknLIξn,m

通道分配约束条件

  • 第 n 个用户是否占用第 m 条信道:
    α n , m ∈ { 0 , 1 } \alpha_{n, m} \in \{0, 1\} αn,m{0,1}

  • 每个信道最多只能分配给一个用户:
    ∑ n = 1 N α n , m ≤ 1 \sum^N_{n=1}\alpha_{n, m} \leq 1 n=1Nαn,m1

  • 一个用户至多占据一个信道:
    ∑ m = 1 M α n , m ≤ 1 \sum^M_{m=1}\alpha_{n, m} \leq 1 m=1Mαn,m1

平均语义符号数约束条件

每个单词的平均语义符号数允许范围,K 表示最大值
k n ∈ { 1 , 2 , 3 , . . . , K } k_n\in\{1, 2, 3, ..., K\} kn{1,2,3,...,K}

语义相似度约束条件

该约束条件反映所需的最小语义相似度 ξ t h \xi_{th} ξth:
ξ n , m ≥ ξ t h \xi_{n, m} \geq \xi_{th} ξn,mξth

SS-E限制条件

Φ n , m ≥ Φ t h \Phi_{n, m} \geq \Phi_{th} Φn,mΦth

解决方法

I / L I/L I/L 对于特定类型的源是一个常数,因此不会影响资源分配优化,目标函数可以改写为:
max ⁡ α n , k n Φ = ∑ n = 1 N ∑ m = 1 M α n , m ξ n , m k n \max_{\bm{\alpha_n}, k_n} \Phi=\sum_{n=1}^{N}\sum_{m=1}^M\alpha_{n, m} \frac {\xi_{n,m}}{k_ {n}} αn,knmaxΦ=n=1Nm=1Mαn,mknξn,m

ξ n , m \xi_{n, m} ξn,m 受 特定语义通信系统和物理信道条件的影响,我们在 AWGN 信道上运行 DeepSC 模型,得到了 ξ n , m \xi_{n, m} ξn,m ( k n , γ n , m ) (k_n, \gamma_{n, m}) (kn,γn,m) 之间的映射关系。如下图所示:
在这里插入图片描述
由于不同蜂窝链路的正交性,目标函数可以解耦成下面两个等效的独立优化问题。

  • P2 在所有候选通道上为所有用户获取SSE,由于 ξ n , m \xi_{n, m} ξn,m只能通过查表方法获得,因此采用穷尽法求解。
    max ⁡ k n Φ ~ n , m = ξ n , m / k n s . t . C 4 C 5 C 6 \max_{k_n} \tilde{\Phi}_{n, m} = \xi_{n, m}/k_n\\ s.t. \space C_4 \space C_5 \space C_6 knmaxΦ~n,m=ξn,m/kns.t. C4 C5 C6
  • P3 可以看作二向图的最大匹配问题。使用匈牙利算法解决。其中两个顶点分布是 N 和 M, Φ ~ n , m m a x \tilde{\Phi}_{n, m}^{max} Φ~n,mmax是第n个用户与第m个通道之间的权重。
    max ⁡ α n ∑ n = 1 N ∑ m = 1 M α n , m Φ ~ n , m m a x s . t . C 1 C 2 C 3 \max_{\bm{\alpha_n}}\sum_{n=1}^{N}\sum_{m=1}^M\alpha_{n, m} \tilde{\Phi}_{n, m}^{max} \\ s.t. \space C_1 \space C_2 \space C_3 αnmaxn=1Nm=1Mαn,mΦ~n,mmaxs.t. C1 C2 C3

仿真结果

在本节,我们进行了两个实验以全面评估所提出的语义感知资源分配方案的性能。

  • 将所提出的资源分配模型与传统的资源分配模型进行比较,以验证语义感知网络中的所提出的模型
  • 比较语义通信系统和传统通信系统的S-SE,以显示语义通信的优越性

由于传统系统通常在 bit 域中进行评估,我们开发了一种变换方法,将SE 转换成 S-SE ,从而实现公平比较。

变换方法

符号含义
C n , m C_{n, m} Cn,m第n用户第m信道的传输速率 bits/s
μ \mu μ转换因子,每个单词的平均比特数 bits/word

在传统通信系统中, 单词中的每个字母都可以通过源编码器映射到bit。从语义通信角度来看,每个位都可以简单地认为是一个语义符号。因此,等效S-R可以表示为:
Γ n , m ′ = C n , m I μ L ξ n , m \Gamma_{n, m}^{'}=C_{n, m}\frac{I}{\mu L}\xi_{n, m} Γn,m=Cn,mμLIξn,m
我们假设传统通信中没有位误差时, ξ n , m \xi_{n,m} ξn,m等于1。等效S-SE可以表示为:

Φ n , m ′ = R n , m I μ L \Phi_{n, m}^{'} = R_{n, m}\frac{I}{\mu L} Φn,m=Rn,mμLI

基准

本文所提出的资源分配方案是针对特定的语义系统,即DeepSC。我们将和下面三个基准进行比较:

  1. 理想系统:信道可以达到香农极限,且无比特误差。
  2. 4G 系统
  3. 5G 系统

实验结果

在我们的模拟中,考虑了半径为 r = 500 m 的圆形网络,其中 N 个用户均匀分布。除非另有说明,相关参数列于表 I。
在这里插入图片描述
我们首先检查了语义感知网络中的传统资源分配模型。在该仿真中,将理想系统中传统模型的最优信道分配结果以及不同的 k n k_n kn值。然后将得到的 S-SE 与所提出的模型进行比较。如图 3 所示,无论 kn 的值如何,传统模型的 SSE 都小于所提出模型的 SSE,这意味着传统模型不适合语义感知网络。此外, k n k_n kn = 3 的传统模型的 S-SE 等于 0,因为在这种情况下语义相似性小于阈值。
图三

图3. 具有不同模型的语义感知网络的 S-SE

下面,我们将不同的通信系统与相应的资源分配模型进行比较。

  • 不同系统的 S-SE 与通道数的关系
    当 M 从 1 增加到 5 时,所有系统的 S-SE 都会迅速增加,因为服务更多用户。然后当 M 继续从 5 增加到 10 时,S-SE 增长缓慢而不是保持稳定,因为有更多的通道可用,用户可以选择具有更高 SNR 的通道。
    在这里插入图片描述

  • S-SE与发射功率的关系
    随着pn的增加,理想系统的S-SE迅速增加,而语义通信系统、4G系统和5G系统的S-SE先增大后趋于常数,这意味着所有实际系统都具有信噪比增加的上界。此外,语义通信系统由于其压缩数据的能力更强,比 4G 和 5G 具有更大的上限。
    在这里插入图片描述

  • S-SE 与转换因子的关系
    语义通信系统的性能保持稳定,因为转换因子与其无关。对于传统系统,S-SE 随着 μ 的增加而减小,因为 S-SE 是 SE 与 μ 的比率,最大 SE 是不同 μ 的固定值。此外,当 μ 大于 19 位/字时,语义通信系统的性能优于 4G 和 5G。然而,当μ小于大约27位/字时,即一个词可以编码为小于27位,语义通信系统的性能比理想系统差。该图表明,语义通信系统是否大大优于传统系统中采用的源编码方案。
    在这里插入图片描述

结论

在本文中,我们研究了语义域中的 SE 问题,并探索了语义通信的资源分配。具体来说,首先定义了 S-R 和 S-SE,以便基于 DeepSC 模型测量语义通信系统的通信效率。为了最大化所有用户的整体SSE,语义感知资源分配被表述为一个优化问题,得到了最优解。

我们也进行了广泛的模拟以评估所提出方案的性能。对于文本传输,当单词通过传统的源编码技术平均映射到超过 19 位时,语义通信系统实现了比 4G 和 5G 系统更高的 S-SE。此外,如果编码单词所需的位增加到超过 27 位,发射功率为 10 dBm,语义通信系统甚至优于理想系统。

未来,如何设计资源分配方法来满足包括单模态和多模态任务在内的多个智能任务的要求,应该进一步研究。

【1】https://www.eet-china.com/mp/a245114.html


  1. https://zh.wikipedia.org/wiki/%E8%9C%82%E7%AA%9D%E7%BD%91%E7%BB%9C# ↩︎

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://xiahunao.cn/news/2659702.html

如若内容造成侵权/违法违规/事实不符,请联系瞎胡闹网进行投诉反馈,一经查实,立即删除!

相关文章

百度飞桨文心生态成果最新披露:开发者达1070万 模型数超86万

前言 12月28日,由深度学习技术及应用国家工程研究中心主办的WAVE SUMMIT深度学习开发者大会2023在北京召开。百度首席技术官、深度学习技术及应用国家工程研究中心主任王海峰现场公布了飞桨文心五载十届最新生态成果,文心一言最新用户规模破1亿&#xf…

PAT 乙级 1028 人口普查

解题思路:此题我想到俩种方法,一种是排序方法,一种是不排序的方法,首先都是看是否是有效年龄,然后一种是排序,另一种是维护最大值和最小值的变量,一定要注意如果有效数字是0那就只输出0就可以了…

Vue学习day_02

水果店的案例: 要求: 可以动态删除 一个对个数的修改,以及点击全选的时候,水果前面的按钮都要标记为选中,要把价格,结算的个数等都要动态变化出来. 分析: 1:渲染功能: v-if进行条件的判断,要是数组里面有数据的话,就把主页面显示出来,要是没数据的话,就显示另外一个盒子v-e…

【Java基础系列】body参数前后端不一致

💝💝💝欢迎来到我的博客,很高兴能够在这里和您见面!希望您在这里可以感受到一份轻松愉快的氛围,不仅可以获得有趣的内容和知识,也可以畅所欲言、分享您的想法和见解。 推荐:kwan 的首页,持续学…

一文详解Ehcache

Ehcache 快速入门 EhCache 是一个纯 Java 的进程内缓存框架,具有快速、精干等特点,是 Hibernate 中默认的 CacheProvider。 img 一、简介 Ehcache 虽然也支持分布式模式,但是分布式方案不是很好好,建议只将其作为单机的进程内缓存…

CAS-手写自旋锁

CAS与自旋锁,借鉴CAS思想 什么是自旋锁? CAS是实现自旋锁的基础,CAS利用CPU指令保证了操作的原子性,以达到锁的效果,至于自旋 锁---字面意思自己旋转。是指尝试获取锁的线程不会立即阻塞,而是采用循环的…

【CSAPP】探究BombLab奥秘:Phase_2的解密与实战

📋 前言 ​🌈个人主页:Sarapines Programmer🔥 系列专栏:《斯坦福大学之CSAPP》⏰诗赋清音:桃花灼灼春风暖,心随乐曲扬徐徐。 苦尽甘来梦未阑,岁月长河任舟游。 ​ 🎉欢迎…

来来来,带你实现最炫酷的卡片效果

📢 鸿蒙专栏:想学鸿蒙的,冲 📢 C语言专栏:想学C语言的,冲 📢 VUE专栏:想学VUE的,冲这里 📢 CSS专栏:想学CSS的,冲这里 &#x1f4…

掌汇云 | 公司库聚合企业,为垂直领域提供产品与服务展示窗口

11月29日晚,拼多多美股盘中市值首次超越阿里巴巴。拼多多是赢了,但也有人说阿里未必就输了,因为阿里拼的是整个阿里生态。 阿里生态使其庞大且屹立不倒,拼多多将社交用于撮合交易,通过平台连接消费者和供应商&#xf…

【没有哪个港口是永远的停留~论文简读】HRNet+OCR

一、Deep High-Resolution Representation Learning for Human Pose Estimation (HRNet) 论文:https://arxiv.org/pdf/1902.09212.pdf 代码:https://github.com/leoxiaobin/deep-high-resolution-net.pytorch 二、Deep high-res…

JVM篇:JVM的简介

JVM简介 JVM全称为Java Virtual Machine,翻译过来就是java虚拟机,Java程序(Java二进制字节码)的运行环境 JVM的优点: Java最大的一个优点是,一次编写,到处运行。之所以能够实现这个功能就是依…

ctf_show(web入门笔记)持续更新中

信息收集 1-2:查看源代码 3:bp抓包 4:robots.txt(这个文件里会写有网站管理者不想让爬虫的页面或其他) 5:网站源代码泄露index.phps 6:同样也是源码泄露,(拿到以后还…

C++力扣题目347--前k个高频元素

给你一个整数数组 nums 和一个整数 k &#xff0c;请你返回其中出现频率前 k 高的元素。你可以按 任意顺序 返回答案。 示例 1: 输入: nums [1,1,1,2,2,3], k 2 输出: [1,2]示例 2: 输入: nums [1], k 1 输出: [1] 提示&#xff1a; 1 < nums.length < 105k 的取…

别再写一堆的 for 循环了!Java 8 中的 Stream 轻松遍历树形结构,是真的牛逼!

可能平常会遇到一些需求&#xff0c;比如构建菜单&#xff0c;构建树形结构&#xff0c;数据库一般就使用父id来表示&#xff0c;为了降低数据库的查询压力&#xff0c;我们可以使用Java8中的Stream流一次性把数据查出来&#xff0c;然后通过流式处理。 我们一起来看看&#x…

Nginx直播服务器搭建及推拉流测试

文章目录 前言一、搭建 Nginx 直播服务器1、安装 Nginx 依赖2、下载并解压源码①、下载并解压 nginx-http-flv-module 直播模块源码②、下载并解压 Nginx 源码 3、编译安装4、配置 rtmp 服务①、添加 rtmp 服务②、验证配置 二、推流、拉流测试1、ffmepg 推流2、VLC 拉流 前言 …

案例224:基于微信小程序的餐厅点餐系统

文末获取源码 开发语言&#xff1a;Java 框架&#xff1a;SSM JDK版本&#xff1a;JDK1.8 数据库&#xff1a;mysql 5.7 开发软件&#xff1a;eclipse/myeclipse/idea Maven包&#xff1a;Maven3.5.4 小程序框架&#xff1a;uniapp 小程序开发软件&#xff1a;HBuilder X 小程序…

基于Java Swing的图书管理系统

一、项目总体架构 本项目基于Java Swing框架&#xff0c;数据库采用的是MySQL。项目文件夹如下&#xff1a; 二、项目截图 1.登录和注册界面 2.用户界面 3.管理员管理图书类别 4.管理员管理书籍 5.管理员管理用户 项目总体包括源代码和课程论文&#xff0c;需要源码的…

OCP NVME SSD规范解读-3.NVMe管理命令-part2

NVMe-AD-8&#xff1a;在某些情况下&#xff08;如Sanitize命令、Format NVM命令或TCG Revert方法后数据被清除&#xff09;&#xff0c;设备应允许读取已清除的LBAs而不产生错误&#xff0c;并在最后一次清除完成后&#xff0c;对未写入LBAs的读取返回所有零值给主机 NVMe-AD…

教育数字化:重塑新时代教育模式及教育理念

2023年&#xff0c;是加快教育强国建设新篇章的重要一年。在这一年里&#xff0c;ChatGTP、教育数字化、自主学习等成为年度教育热词&#xff0c;“教育数字化”&#xff0c;不仅是今年教育发展的关键词&#xff0c;同时也是重塑新时代教育模式及理念的基础。 2023年2月&#…

IPEmotion数据采集软件功能介绍

IPEmotion作为IPETRONIK的软件产品&#xff0c;主要应用于车辆测试和不同的实验室测试系统&#xff0c;能够满足各种测量需求。通过专业化的数据采集软件IPEmotion&#xff0c;我们可实现完整的数据采集过程&#xff0c;包括&#xff1a;配置数据采集设备&#xff1b;使用不同的…