智能化軍事信息系統的一種實現框架

朱念斌 趙燕燕

摘要：以提升軍事指揮效率為目標，提出了智能化軍事信息系統的一種實現框架。系統采用感知—決策—執行一體的閉環結構，綜合利用人工智能、軟件定義網絡等先進技術，自主優化網絡結構、資源調度、業務承載等系統要素，使系統具備在復雜戰場環境下的智慧化無人控制能力，在優化指揮系統性能的同時，也降低了網絡運行和維護的復雜度。

關鍵詞：人工智能；軟件定義網絡；網絡功能虛擬化

中圖分類號：TP18文獻標志碼：A文章編號：1008-1739（2019）21-60-3

0引言

現有軍事信息系統針對若干特定的應用場景進行設計，網絡結構基本固化，數據傳輸、資源管理及業務承載等主要依賴手動配置，導致系統無法高效適應復雜多變的戰場環境。

近年來，人工智能技術和軟件定義網絡/網絡功能虛擬化技術得到了蓬勃發展和廣泛應用，為軍事信息系統的智能化提供了良好的發展基礎。本文首先對人工智能機器學習技術進行了簡單介紹，然后提出了智能化軍事信息系統的一種實現框架，并對系統的架構和工作原理進行了描述，最后對系統典型應用進行了展望。

1人工智能

近年來，基于機器學習的人工智能技術在大規模數據處理、分類以及智能決策方面表現出了卓越性能[1-3]，已成為破解傳統信息系統業務滿足程度差和運維管理方式僵化的有效手段。依據機器學習在算法和網絡系統中的應用模式，可大致分為監督學習、無監督學習與增強學習，如圖1所示。

監督學習是通過已有的訓練樣本數據庫（已知數據以及其對應的輸出分類標簽）訓練得到一個判別模型（此模型類似擬合函數的集合，最優的評價標準為在特定準則下的結果準確率最高），再基于此模型將所有輸入映射為相應的輸出，由輸出得到判決信息，從而實現分類的目的。目前最為流行的監督學習算法包括卷積神經網絡、深度信念網絡等。

無監督學習是根據類別未知（沒有被標記）的訓練樣本來解決模式識別問題的機器學習方法。無監督學習主要用于聚類、降維等。聚類技術被廣泛應用于各種類型數據分析和異常檢測等應用中，其目標是以簇的形式在未標記的輸入數據中尋找數據的隱藏模式[4]，常見的聚類技術包括CNN，DBN，K-means等。真實世界的數據在許多數據集中通常具有高維度，這些維度可以衍生出成千上萬個甚至數百萬個潛在的相關維度，降維是以較少的維度表示數據，且確保數據的核心信息不丟失，常見的降維方法有堆疊自動編碼器（SAE）等。

增強學習的工作過程是決策者（或智能體）收集操作環境的狀態和策略獎勵，更新當前策略，經過不斷迭代訓練收斂到最佳策略，典型算法如Q-learning等[5]。

2系統架構及工作原理

智能化軍事信息系統的目標是借助人工智能和先進網絡等技術的蓬勃發展，在現有網絡技術的基礎上進行提升與定制化改進，以網絡傳輸效率、復雜環境下網絡自組織能力、軍事策略生成效率和網絡抗打擊能力等作為優化目標，在網絡結構、資源配置、功能分配以及業務承載等方面進行優化和智能控制。操作者僅需明確系統最終使用目標，而無需關注組網過程和復雜戰場建模的問題，系統自主根據戰場指揮人員的“使用目標”分析戰場態勢、輔助決策戰場資源的配置方案等，以智能動態適應現代戰場的復雜多變，從根本上提升現代戰爭的指揮效率。

智能化軍事信息系統采用“感知—決策—執行”一體的閉環結構：①感知：借助于戰場感知手段（雷達或其他傳感器），動態、實時感知戰場態勢與作戰資源分布，并基于高層邏輯目標的統一描述模型生成全網的終端視圖。②決策：針對戰場態勢復雜、作戰元素行為多變、復雜系統模型不確定等特點，進行戰場系統與作戰資源間的擬合，進而生成決策指令，實時決策戰場資源管控、運維方式等。③執行：針對戰場復雜多變場景下決策指令對具體作戰單元的適應性問題，運用硬件可重構、機器學習等高新技術，進行功能重組、資源認知等自適應調節，增強系統的業務適應性，支持多維戰場環境下的作戰元素動態分配，使其具有充分的作戰靈活性與組織結構魯棒性。

系統運行邏輯如圖2所示。戰場單元主要負責執行相關控制指令和上報戰場感知數據等；基礎平臺主要負責完成戰場軍事環境基本建模、軍事信息系統框架構建以及基本通信功能實現等；指揮決策模塊主要負責完成基于人工智能技術的相關決策和判別等任務。

指揮決策模塊具有3個重要性質：

①漸變跟隨。在動態適應戰場態勢信息的傳送要求和保證作戰效率之間進行智能化折中，屏蔽具體作戰元素部分特性在小時間、小范圍尺度上的天然隨機波動，基于指揮效果對系統參數進行策略調整。

②自主驅動。自主驅動系統資源管控，以符合戰略戰術目標和實際控制效果之間固有動態發展規律的方式，有效把握戰場資源的時間、空間控制尺度，實現暫態業務與作戰資源配置的實時最佳擬合，形成自動反饋的閉環控制結構。

③聚類擬合。系統對不同指揮元素的指揮行為進行聚類擬合，達到資源調整只針對特定的業務集群，而與其他任何非目標業務解耦的指揮效果。

3應用展望

3.1智能目標識別

結合目前深度神經網絡等技術，智能化信息系統能夠通過對前線感知系統（包括雷達、作戰單位反饋信息以及戰場傳感器單元等）獲取數據的實時采集分析，實現龐大數據的規?；幚?，從而實現多維化戰場數據的相互融合，為指揮人員提供快速可靠的目標信號識別結果，從而提升指揮效率與指揮精度。

3.2智能輔助決策

未來戰場環境復雜，作戰元素呈現出多元化、個體化態勢，指揮人員難以在短時間內對規模龐大、數量眾多的作戰元素進行精準化指揮，從而難以制定精細化的指揮策略。智能化軍事信息系統具備智能輔助決策能力，能夠提升指揮人員對戰場態勢感知的準確度，對指揮人員的宏觀、高層指揮行為進行細節補充，從而達到提高指揮精準度，將指揮人員的指揮思想快速準確地下達到具體作戰單元的目的。

3.3智能作戰效果評估

由于戰場環境的高度復雜性，現代戰場的建模需要高維數據輸入分析。而戰場的局部性以及作戰方向的多元同步性等因素使得作戰過程中很難對短時策略的有效性進行評估。智能化軍事信息系統能夠充分利用深度神經網絡等人工智能技術，實現超高維戰場綜合數據的快速計算與精確判別，從而在策略執行過程中輔助指揮人員對策略影響進行快速感知，以便及時調整策略，提高指揮效率。

4結束語

基于人工智能技術的智能化軍事信息系統描繪了新型軍事自動化技術演進和發展的前景，使軍事信息網絡具備面向泛在戰場環境下的智慧化“無人控制”能力，從而優化指揮系統性能，降低網絡運行和維護復雜度等。本文提出了智能化軍事信息系統的一種實現框架，并對其特性和原理進行了簡要的描述，可為下一代軍事信息系統的發展提供參考。

參考文獻

[1] Agoulmine N， Balasubramaniam S， Botvitch D， et al. Challenges for Autonomic Network Management[C]// 1st IEEE International Workshop on Modelling Autonomic Communications Environments （MACE），2006.

[2] Derbel H， Agoulmine N， Salaün M. ANEMA： Autonomic Network Management Architecture to Support Self-configuration and Self-optimization in IP Networks[J]. Computer Networks，2009，53（3）：418-430.

[3] Ahad N，Qadir J，Ahsan N.Neural Networks in Wireless Networks： Techniques， Applications and Guidelines[J].Journal of Network & Computer Applications，2016，68（4）：1-27.

[4] Grira N， Crucianu M， Boujemaa N. Unsupervised and Semi-supervised Clustering： a Brief Survey[C]// 7th ACM SIGMM International Workshop on Multimedia Information Retrieval，2004.

[5] Sutton R，Barto A.Reinforcement Learning： An Introduction[M].Cambridge：MIT Press，1998.