基于融合先驗信息的仿真交互可信度評估方法

王玉龍， 董志明， 彭文成， 王曉方

(1. 陸軍裝甲兵學院演訓中心， 北京 100072； 2. 武警后勤學院裝備保障系， 天津 300309)

可信度是分布式LVC (Live Virtual and Constructive)仿真系統的關鍵問題之一。交互事件是分布式LVC仿真系統中系統運行、推進的重要基礎，交互行為與事件可信對于系統的可靠運行、仿真的正確計算以及局勢的理解與判斷至關重要?；贚VC的分布式訓練仿真環境，可為參訓官兵提供貼近實戰的氛圍和感受。在實時性要求較高的大規模分布式LVC訓練仿真環境中，隨著實體數量的不斷增加、交互規模的不斷擴大，加之廣域網的隨機網絡延遲，會對時間管理服務帶來極大的運行負擔，可導致中間件開銷過高、消息序維護效率低下等問題，無法滿足訓練仿真活動的實時性和可信性需求。為確保每次仿真推進實體狀態的一致性，若采取保守機制，會導致仿真時間嚴重滯后，且在交互眾多、時延復雜的情況下較難獲取合理的Lookahead值；若采用樂觀機制，則會導致頻繁的回滾、中斷或容錯操作，特別是，在陸戰炮擊和空戰等場景中，會嚴重破壞演習的連續性和沉浸感，無法保證實兵實裝的LVC訓練仿真活動能夠按照真實演習的節奏、以貼近實戰的狀態開展。因此，為獲得高度可靠的實時LVC仿真能力，在采用獨立時間推進機制的同時，可進行系統交互可信狀態實時監控，為預先故障管理或容錯提供預警機制，以確保實兵實裝的LVC訓練仿真能夠連續、可信地進行。

對于仿真可信度評估問題，MEHTA等[1]指出決策者需要首先明確所使用仿真系統的可信度，才能夠基于該系統的仿真結果做出合理決策，不確定性的傳播和量化問題、參考數據或間接證據以及仿真校驗等是建立仿真可信度的基礎；王斐等[2]首先將可信度指標權重確定方法分為主觀和客觀2類，通過云模型確定主觀權重，采用熵權法和信息熵確定客觀權重，然后運用加法集成原理獲得綜合權重，最后使用變權灰色聚類理論獲得評價聚類結果，進而分析制導仿真系統的可信度;TANG等[3]針對作戰仿真系統的特點，提出了一種基于主題專家知識的主觀綜合評估方法，并將其應用于作戰仿真中，該方法充分利用了主題專家的知識、經驗，對評估對象相關因素進行評判，并綜合運用層次分析法、模糊綜合評判法、模糊層次分析法等對作戰仿真系統進行評估，獲得整個作戰仿真的可信度；潘云龍等[4]提出了基于證據理論和灰云聚類的可信度評估模型，解決了復雜制導仿真系統可信度量化的主觀性和不確定性問題，該方法主要采用群組層次分析法獲得專家意見并進行證據理論融合，得到高可信度的指標權重，采用灰云聚類方法量化處理定性指標，并計算灰色聚類系數獲得仿真系統可信度評估結果。

總體來看，現有文獻并未從仿真交互層面考慮系統可信性問題，筆者首先針對分布式LVC訓練仿真系統的仿真交互事件，給出了交互可信度的明確定義，根據歷史信息和專家經驗等先驗信息，在引入繼承因子的基礎上，綜合得到交互可信度融合先驗分布；然后結合測試環境中交互事件時序和間距等可信度度相關數據，依據交互可信度模型和閾值進行交互可信判斷；最后運用貝葉斯方法得到交互可信度的后驗分布和實時判斷，進而為系統容錯或預先故障管理等機制提供實時狀態數據支持。該過程是一個實時迭代和更新的過程，在首次后驗評估完成后，可使用其后驗評估數據和結果對先驗信息進行融合與更新，并在此基礎上進行新一輪的交互可信度貝葉斯評估，從而獲得實時連續的系統交互可信度評估結果，實現對大規模分布式LVC訓練仿真系統運行質量的實時在線監控。

1 交互可信度

1.1 交互一致

在分布式LVC仿真系統中，不同的節點都有其認知空間，該認知空間由節點對于實體狀態及其交互行為的認知所構成。節點的認知空間不僅包含其自身所維護的實體狀態信息，還包括該節點所感知的局部或整個系統的狀態及交互信息。在仿真推進過程中，由于存在時鐘不同步、時延和信息丟失等問題，節點難以同步、及時有效地獲取所需實體狀態信息，會導致不同節點對于同一實體的狀態和交互行為的認知存在差異，這種認知差異就是分布式LVC訓練仿真系統中的交互一致性問題，如圖1所示。在大規模分布式LVC訓練仿真系統中，隨著仿真實體數量的增加，中間件開銷不斷加大，加之通信網絡的局部時延存在差異，不同仿真實體對于其認知空間內狀態信息、交互行為和仿真態勢的理解存在不一致現象，這在一定程度上損害了仿真的真實性和公平性[5-6]。

圖1 LVC訓練仿真系統中的交互不一致性

1.2 交互可信判斷

在分布式LVC訓練仿真系統開發過程中，為了提高開發效率、降低開發成本，允許不同的仿真節點根據模型特點，運用不同的時空描述方法；同時，為豐富和拓展分布式LVC訓練仿真系統的應用場景和使用范圍，也要求分布式LVC仿真系統可兼容不同開發者和不同建模方法所構建的異構模型資源，這就為實現仿真模型交互的一致性帶來了困難。在同一仿真環境或空間中，節點間的信息交互要求不同實體對于同一事件實現一致性的認知與理解。若無法滿足交互一致性要求，則可能會給不同用戶造成認知差異、困惑與矛盾，甚至會影響仿真結果的正確性，導致用戶利益分配不公和仿真失敗等嚴重后果。因此，為保證系統仿真交互的真實性和公平性，應對節點交互的一致性情況進行分析和判斷。若交互行為的一致程度滿足計算精度、系統規范或用戶體驗要求，則認為該交互可信；若交互行為的不一致程度較為嚴重，甚至對分布式LVC訓練仿真系統產生違背期望、因果顛倒和理解歧義等不良影響[7]，則從用戶體驗角度來判斷，即可認定該仿真交互行為是不可信的。需要明確的是，交互可信只關注仿真事件本身的時序、間距或因果關系是否滿足系統要求等問題，而不關注實體模型層面的具體計算結果或概率。圖2為在某次炮擊事件訓練仿真中的交互不可信事件?？梢钥闯觯航换タ尚抨P注的是射擊實體的炮擊行為，在某個時間區間內是否都被訂閱該信息的不同觀察實體觀測到，若是，則可初步認定該交互事件可信；否則，認為該交互行為不一致，該事件不可信。至于該炮擊行為能否擊中目標或擊中目標的概率，不在交互可信考慮的范圍之內。

圖2 某次炮擊事件訓練仿真中的交互不可信事件

1.3 交互可信模型

交互可信的持續觀測需要量化、可測的交互可信度判斷模型來支撐。在分布式LVC訓練仿真系統中，可采用順序一致、因果一致等方法維護不同節點的交互一致性，筆者在文獻[8]提出的間距一致性模型的基礎上，對一致性要求進行重新定義，得到交互可信判斷依據。

設V={v1,v2,…,vn}，為仿真節點集合，O為所有交互事件的集合，g(om)為事件om的生成節點，R(om)為接收該事件的節點集合，tei為某一事件在節點vi(i=1,2,…,n)上被執行的時間，tei(om)為事件Om在節點vi上被執行的時間。

對于?om,on∈O,vi,vj∈R(om)∩R(on)，j=1,2,…,n，定義

1) 時序一致

tei(om)≤tei(on)?tej(om)≤tej(on)；

(1)

2) 絕對間距一致

tei(om)-tei(on)=tej(om)-tej(on)。

(2)

考慮到仿真系統及網絡環境變化具有很強的隨機性，式(2)所要求的絕對間距一致性條件相對苛刻，在分布式LVC訓練仿真系統中難以完全滿足，為此，筆者重新定義間距一致性要求如下：

|(ts(om)-ts(on))-(tei(om)-tei(on))|≤ε。

(3)

式中：ts(om)為事件om在生成節點g(om)上被發送的時間；ε為間距一致性閾值。

ε主要用來評價同一事件在不同節點滿足間距一致要求的程度，并以此為基礎判斷該交互事件是否可信。若某次交互同時滿足時序一致性要求(1)和間距一致性要求(3)，則認為該交互可信；反之，則認為該交互不可信。合理的閾值大小對于交互可信評估的有效性至關重要。間距一致性閾值設置不宜過大或過小，過大無法滿足間距一致性要求，過小則判斷條件過于苛刻，影響系統性能的發揮。

ε的設置可采用k-means聚類方法來實現：首先，在仿真系統運行狀態良好的情況下，周期性采集交互事件間距樣本，計算每一周期內同一交互事件任意2個節點間距樣本的Euclidean距離，得到閾值集合；其次，根據Euclidean距離的大小，采用k-means聚類方法將閾值集合分為2類(Euclidean距離較大的稱為交互不可信閾值集，Euclidean距離較小的稱為交互可信閾值集);最后，取交互可信閾值集最大者為間距一致性閾值。具體算法流程如下：

輸入：若干仿真步長內交互事件的間距數值集合A。

輸出：ε。

1) 計算間距數值集合A中每個步長同一交互事件的任意2個節點間距數值的Euclidean距離；

2) 保存Euclidean距離數據集B；

3) 從數據集B中隨機選取2個對象作為初始聚類中心；

4) 計算每個對象到聚類中心的距離，并將其重新劃分到最近的類中；

5) 計算新類中所有對象的均值，獲得2個新的聚類中心；

6) 重復執行步驟4)和5)，直到滿足最大迭代次數或聚類中心不再大范圍移動為止；

7) 保存k-means聚類方法生成的2個聚類集合B1和B2；

8) 根據Euclidean距離大小，將2個聚類分為交互可信閾值集B1和交互不可信閾值集B2；

9) 取交互可信閾值集B1中的最大值為ε賦值。

1.4 交互可信度定義

在量化可測的仿真交互可信判斷的基礎上，交互可信度為在某一時間區間內，在特定的網絡環境下，同時滿足時序一致性要求(1)和間距一致性要求(3)的交互事件數量占分布式LVC訓練仿真系統總的交互事件的百分比。

2 融合先驗分布

2.1 交互可信度先驗分布

由于分布式LVC訓練仿真系統的運行負載和網絡環境時刻處于變化狀態，仿真交互事件是否可信是一個隨機事件，則交互可信度為一個隨機變量。筆者選用β分布作為交互可信度評估的先驗分布。記交互可信度為θ，根據分布式LVC訓練仿真系統運行歷史信息和專家經驗，二者的交互可信度先驗分布為

(4)

(5)

式中：0≤θ≤1；i=1，為歷史信息先驗，i=2，為專家經驗先驗；ai>0、bi>0，為多種信息條件下先驗分布的超參數，在先驗分布形式已知的情況下，ai、bi的取值是確定先驗分布的關鍵。

2.2 基于歷史信息的先驗分布

基于歷史信息的先驗分布主要根據歷史數據分析、求解仿真交互可信度均值μ和方差S2，并確定先驗分布的超參數

(6)

(7)

2.3 基于專家經驗的先驗分布

由于專家經驗具有模糊性，交互可信度專家經驗值通常以連續區間的形式給出。設在某一分布式LVC訓練仿真系統的測試階段，專家經驗估計值為θ[θL,θH]。專家估計在區間值[θL,θH]內每一個值的置信度相同，可認為交互可信度θ在區間[θL,θH]上服從均勻分布，并記為θ～U(θL,θH)，則均值μ和方差S2分別為

(8)

以先驗參數為變量，均值為約束，方差為目標,建立優化模型

(9)

式中：

分別為β(ai,bi)分布的均值和方差。

利用最優化方法求解式(9)與均勻分布θ～U(θL,θH)擬合程度最高的β分布，即求解β(a2,b2)中的超參數a2、b2，得到交互可信度的專家經驗先驗分布。

2.4 先驗分布融合

為了有效利用先驗信息，全面描述先驗信息與樣本的異總體性，構造融合先驗分布

(10)

3 貝葉斯評估

若在分布式LVC訓練仿真系統中進行n次獨立的交互可信數據采集和判斷，其中交互可信的次數為X，則X服從二項分布b(n,θ)，交互可信度θ的似然函數為

(11)

根據貝葉斯定理，交互可信度后驗分布為

(12)

選后驗期望作為θ的貝葉斯評估結論，則交互可信度θ的貝葉斯估計為

(13)

4 仿真實驗

為驗證交互可信度評估方法的可行性，在一個由20個節點組成的局域網中搭建仿真實驗環境，該實驗以某訓練仿真系統為實驗平臺，部署RTX實時操作系統，通過調用“RtGetClockTime”函數獲取CLOCK_2高精度時鐘來實現計時，該時鐘精度單位為100 ns，運行環境如圖3所示。

圖3 訓練仿真系統運行環境

交互可信度實驗主要分為2部分：

1) 理想環境實驗，該實驗硬件配置包括2臺仿真計算機和1臺千兆交換機。2臺仿真計算機安裝訓練仿真基礎環境和其他所需軟件環境，并分別運行事件發送和接收程序，通過驗證收發數據包的一致性，計算測試時長和間距一致性是否滿足要求來進行交互可信判斷，獲得理想環境中交互可信度取值范圍，為基于專家經驗的先驗評估提供參考。

2) 局域網模擬實驗，該實驗環境為20個節點和1臺千兆交換機組成的局域網絡環境。每個節點同樣部署訓練仿真基礎環境及其配套軟件，為模擬分布式LVC訓練仿真系統網絡通信高延遲和動態性的特點，使用廣域網延遲模擬工具DS2來模擬網絡延遲情況。根據其拓展延遲模型，取若干節點作為仿真節點[11]，進而構造間距一致性判斷模型，并對測試數據進行間距一致性判斷；取實驗前期若干步長測試結果作為歷史先驗信息；后續實驗結果作為實時測試樣本，為貝葉斯后驗評估提供數據支持。

典型交互可信度模擬實驗測試結果如圖4所示?？梢钥闯觯?/p>

1) 當仿真時間步長在0～20內，訓練仿真實驗環境交互可信度維持在0.80以上，該系統運行負載穩定，網絡環境可靠；

圖4 典型交互可信度模擬實驗測試結果

2) 當仿真時間步長為25時，交互可信度出現明顯下降，其原因可能是廣域網隨機延遲增大或者訓練仿真系統負載增大導致。此時，若交互可信度能及時回升且未對關鍵交互事件造成誤判或仿真運行造成重大結果，短時的系統交互可信度下降可視情忽略；但如果交互可信度急劇或持續下降，則應及時發出預先警告并觸發應對措施。

由此可見：交互可信度評估可為訓練仿真系統提供關于其運行狀態的實時監測和評估結果，進而為及時啟動有效的干預措施提供重要判斷依據。

5 結論

筆者針對分布式LVC訓練仿真系統交互可信度問題，提出了交互可信度的明確定義，建立了交互可信判斷模型，量化分析了分布式LVC訓練仿真系統交互事件的可信性問題；引入繼承因子，對先驗信息與樣本信息的異總體性進行了判斷，融合多種先驗信息進行交互可信度的先驗分布擬合，提高交互可信度評估的可靠度，并在此基礎上運用貝葉斯方法得到了實時連續的交互可信度后驗估計。實驗結果表明：該方法對于相關變量內涵定義明確，計算簡單有效，為分布式LVC訓練仿真系統可信度評估問題提供了一種新的思路和方法。

本研究在一定程度上實現了分布式LVC訓練仿真系統交互可信度實時狀態監控，但對于交互可信度變化的具體原因以及相應的容錯方法和措施，并未涉及和分析，有待于下一步進行深入研究和探索。