朱念斌 趙燕燕

摘要：以提升軍事指揮效率為目標(biāo)，提出了智能化軍事信息系統(tǒng)的一種實(shí)現(xiàn)框架。系統(tǒng)采用感知—決策—執(zhí)行一體的閉環(huán)結(jié)構(gòu)，綜合利用人工智能、軟件定義網(wǎng)絡(luò)等先進(jìn)技術(shù)，自主優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)、資源調(diào)度、業(yè)務(wù)承載等系統(tǒng)要素，使系統(tǒng)具備在復(fù)雜戰(zhàn)場環(huán)境下的智慧化無人控制能力，在優(yōu)化指揮系統(tǒng)性能的同時(shí)，也降低了網(wǎng)絡(luò)運(yùn)行和維護(hù)的復(fù)雜度。

關(guān)鍵詞：人工智能；軟件定義網(wǎng)絡(luò)；網(wǎng)絡(luò)功能虛擬化

中圖分類號(hào)：TP18文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1008-1739（2019）21-60-3

0引言

現(xiàn)有軍事信息系統(tǒng)針對若干特定的應(yīng)用場景進(jìn)行設(shè)計(jì)，網(wǎng)絡(luò)結(jié)構(gòu)基本固化，數(shù)據(jù)傳輸、資源管理及業(yè)務(wù)承載等主要依賴手動(dòng)配置，導(dǎo)致系統(tǒng)無法高效適應(yīng)復(fù)雜多變的戰(zhàn)場環(huán)境。

近年來，人工智能技術(shù)和軟件定義網(wǎng)絡(luò)/網(wǎng)絡(luò)功能虛擬化技術(shù)得到了蓬勃發(fā)展和廣泛應(yīng)用，為軍事信息系統(tǒng)的智能化提供了良好的發(fā)展基礎(chǔ)。本文首先對人工智能機(jī)器學(xué)習(xí)技術(shù)進(jìn)行了簡單介紹，然后提出了智能化軍事信息系統(tǒng)的一種實(shí)現(xiàn)框架，并對系統(tǒng)的架構(gòu)和工作原理進(jìn)行了描述，最后對系統(tǒng)典型應(yīng)用進(jìn)行了展望。

1人工智能

近年來，基于機(jī)器學(xué)習(xí)的人工智能技術(shù)在大規(guī)模數(shù)據(jù)處理、分類以及智能決策方面表現(xiàn)出了卓越性能[1-3]，已成為破解傳統(tǒng)信息系統(tǒng)業(yè)務(wù)滿足程度差和運(yùn)維管理方式僵化的有效手段。依據(jù)機(jī)器學(xué)習(xí)在算法和網(wǎng)絡(luò)系統(tǒng)中的應(yīng)用模式，可大致分為監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)與增強(qiáng)學(xué)習(xí)，如圖1所示。

監(jiān)督學(xué)習(xí)是通過已有的訓(xùn)練樣本數(shù)據(jù)庫（已知數(shù)據(jù)以及其對應(yīng)的輸出分類標(biāo)簽）訓(xùn)練得到一個(gè)判別模型（此模型類似擬合函數(shù)的集合，最優(yōu)的評價(jià)標(biāo)準(zhǔn)為在特定準(zhǔn)則下的結(jié)果準(zhǔn)確率最高），再基于此模型將所有輸入映射為相應(yīng)的輸出，由輸出得到判決信息，從而實(shí)現(xiàn)分類的目的。目前最為流行的監(jiān)督學(xué)習(xí)算法包括卷積神經(jīng)網(wǎng)絡(luò)、深度信念網(wǎng)絡(luò)等。

無監(jiān)督學(xué)習(xí)是根據(jù)類別未知（沒有被標(biāo)記）的訓(xùn)練樣本來解決模式識(shí)別問題的機(jī)器學(xué)習(xí)方法。無監(jiān)督學(xué)習(xí)主要用于聚類、降維等。聚類技術(shù)被廣泛應(yīng)用于各種類型數(shù)據(jù)分析和異常檢測等應(yīng)用中，其目標(biāo)是以簇的形式在未標(biāo)記的輸入數(shù)據(jù)中尋找數(shù)據(jù)的隱藏模式[4]，常見的聚類技術(shù)包括CNN，DBN，K-means等。真實(shí)世界的數(shù)據(jù)在許多數(shù)據(jù)集中通常具有高維度，這些維度可以衍生出成千上萬個(gè)甚至數(shù)百萬個(gè)潛在的相關(guān)維度，降維是以較少的維度表示數(shù)據(jù)，且確保數(shù)據(jù)的核心信息不丟失，常見的降維方法有堆疊自動(dòng)編碼器（SAE）等。

增強(qiáng)學(xué)習(xí)的工作過程是決策者（或智能體）收集操作環(huán)境的狀態(tài)和策略獎(jiǎng)勵(lì)，更新當(dāng)前策略，經(jīng)過不斷迭代訓(xùn)練收斂到最佳策略，典型算法如Q-learning等[5]。

2系統(tǒng)架構(gòu)及工作原理

智能化軍事信息系統(tǒng)的目標(biāo)是借助人工智能和先進(jìn)網(wǎng)絡(luò)等技術(shù)的蓬勃發(fā)展，在現(xiàn)有網(wǎng)絡(luò)技術(shù)的基礎(chǔ)上進(jìn)行提升與定制化改進(jìn)，以網(wǎng)絡(luò)傳輸效率、復(fù)雜環(huán)境下網(wǎng)絡(luò)自組織能力、軍事策略生成效率和網(wǎng)絡(luò)抗打擊能力等作為優(yōu)化目標(biāo)，在網(wǎng)絡(luò)結(jié)構(gòu)、資源配置、功能分配以及業(yè)務(wù)承載等方面進(jìn)行優(yōu)化和智能控制。操作者僅需明確系統(tǒng)最終使用目標(biāo)，而無需關(guān)注組網(wǎng)過程和復(fù)雜戰(zhàn)場建模的問題，系統(tǒng)自主根據(jù)戰(zhàn)場指揮人員的“使用目標(biāo)”分析戰(zhàn)場態(tài)勢、輔助決策戰(zhàn)場資源的配置方案等，以智能動(dòng)態(tài)適應(yīng)現(xiàn)代戰(zhàn)場的復(fù)雜多變，從根本上提升現(xiàn)代戰(zhàn)爭的指揮效率。

智能化軍事信息系統(tǒng)采用“感知—決策—執(zhí)行”一體的閉環(huán)結(jié)構(gòu)：①感知：借助于戰(zhàn)場感知手段（雷達(dá)或其他傳感器），動(dòng)態(tài)、實(shí)時(shí)感知戰(zhàn)場態(tài)勢與作戰(zhàn)資源分布，并基于高層邏輯目標(biāo)的統(tǒng)一描述模型生成全網(wǎng)的終端視圖。②決策：針對戰(zhàn)場態(tài)勢復(fù)雜、作戰(zhàn)元素行為多變、復(fù)雜系統(tǒng)模型不確定等特點(diǎn)，進(jìn)行戰(zhàn)場系統(tǒng)與作戰(zhàn)資源間的擬合，進(jìn)而生成決策指令，實(shí)時(shí)決策戰(zhàn)場資源管控、運(yùn)維方式等。③執(zhí)行：針對戰(zhàn)場復(fù)雜多變場景下決策指令對具體作戰(zhàn)單元的適應(yīng)性問題，運(yùn)用硬件可重構(gòu)、機(jī)器學(xué)習(xí)等高新技術(shù)，進(jìn)行功能重組、資源認(rèn)知等自適應(yīng)調(diào)節(jié)，增強(qiáng)系統(tǒng)的業(yè)務(wù)適應(yīng)性，支持多維戰(zhàn)場環(huán)境下的作戰(zhàn)元素動(dòng)態(tài)分配，使其具有充分的作戰(zhàn)靈活性與組織結(jié)構(gòu)魯棒性。

系統(tǒng)運(yùn)行邏輯如圖2所示。戰(zhàn)場單元主要負(fù)責(zé)執(zhí)行相關(guān)控制指令和上報(bào)戰(zhàn)場感知數(shù)據(jù)等；基礎(chǔ)平臺(tái)主要負(fù)責(zé)完成戰(zhàn)場軍事環(huán)境基本建模、軍事信息系統(tǒng)框架構(gòu)建以及基本通信功能實(shí)現(xiàn)等；指揮決策模塊主要負(fù)責(zé)完成基于人工智能技術(shù)的相關(guān)決策和判別等任務(wù)。

指揮決策模塊具有3個(gè)重要性質(zhì)：

①漸變跟隨。在動(dòng)態(tài)適應(yīng)戰(zhàn)場態(tài)勢信息的傳送要求和保證作戰(zhàn)效率之間進(jìn)行智能化折中，屏蔽具體作戰(zhàn)元素部分特性在小時(shí)間、小范圍尺度上的天然隨機(jī)波動(dòng)，基于指揮效果對系統(tǒng)參數(shù)進(jìn)行策略調(diào)整。

②自主驅(qū)動(dòng)。自主驅(qū)動(dòng)系統(tǒng)資源管控，以符合戰(zhàn)略戰(zhàn)術(shù)目標(biāo)和實(shí)際控制效果之間固有動(dòng)態(tài)發(fā)展規(guī)律的方式，有效把握戰(zhàn)場資源的時(shí)間、空間控制尺度，實(shí)現(xiàn)暫態(tài)業(yè)務(wù)與作戰(zhàn)資源配置的實(shí)時(shí)最佳擬合，形成自動(dòng)反饋的閉環(huán)控制結(jié)構(gòu)。

③聚類擬合。系統(tǒng)對不同指揮元素的指揮行為進(jìn)行聚類擬合，達(dá)到資源調(diào)整只針對特定的業(yè)務(wù)集群，而與其他任何非目標(biāo)業(yè)務(wù)解耦的指揮效果。

3應(yīng)用展望

3.1智能目標(biāo)識(shí)別

結(jié)合目前深度神經(jīng)網(wǎng)絡(luò)等技術(shù)，智能化信息系統(tǒng)能夠通過對前線感知系統(tǒng)（包括雷達(dá)、作戰(zhàn)單位反饋信息以及戰(zhàn)場傳感器單元等）獲取數(shù)據(jù)的實(shí)時(shí)采集分析，實(shí)現(xiàn)龐大數(shù)據(jù)的規(guī)?；幚恚瑥亩鴮?shí)現(xiàn)多維化戰(zhàn)場數(shù)據(jù)的相互融合，為指揮人員提供快速可靠的目標(biāo)信號(hào)識(shí)別結(jié)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(zhàn)場環(huán)境復(fù)雜，作戰(zhàn)元素呈現(xiàn)出多元化、個(gè)體化態(tài)勢，指揮人員難以在短時(shí)間內(nèi)對規(guī)模龐大、數(shù)量眾多的作戰(zhàn)元素進(jìn)行精準(zhǔn)化指揮，從而難以制定精細(xì)化的指揮策略。智能化軍事信息系統(tǒng)具備智能輔助決策能力，能夠提升指揮人員對戰(zhàn)場態(tài)勢感知的準(zhǔn)確度，對指揮人員的宏觀、高層指揮行為進(jìn)行細(xì)節(jié)補(bǔ)充，從而達(dá)到提高指揮精準(zhǔn)度，將指揮人員的指揮思想快速準(zhǔn)確地下達(dá)到具體作戰(zhàn)單元的目的。

3.3智能作戰(zhàn)效果評估

由于戰(zhàn)場環(huán)境的高度復(fù)雜性，現(xiàn)代戰(zhàn)場的建模需要高維數(shù)據(jù)輸入分析。而戰(zhàn)場的局部性以及作戰(zhàn)方向的多元同步性等因素使得作戰(zhàn)過程中很難對短時(shí)策略的有效性進(jìn)行評估。智能化軍事信息系統(tǒng)能夠充分利用深度神經(jīng)網(wǎng)絡(luò)等人工智能技術(shù)，實(shí)現(xiàn)超高維戰(zhàn)場綜合數(shù)據(jù)的快速計(jì)算與精確判別，從而在策略執(zhí)行過程中輔助指揮人員對策略影響進(jìn)行快速感知，以便及時(shí)調(diào)整策略，提高指揮效率。

4結(jié)束語

基于人工智能技術(shù)的智能化軍事信息系統(tǒng)描繪了新型軍事自動(dòng)化技術(shù)演進(jìn)和發(fā)展的前景，使軍事信息網(wǎng)絡(luò)具備面向泛在戰(zhàn)場環(huán)境下的智慧化“無人控制”能力，從而優(yōu)化指揮系統(tǒng)性能，降低網(wǎng)絡(luò)運(yùn)行和維護(hù)復(fù)雜度等。本文提出了智能化軍事信息系統(tǒng)的一種實(shí)現(xiàn)框架，并對其特性和原理進(jìn)行了簡要的描述，可為下一代軍事信息系統(tǒng)的發(fā)展提供參考。

參考文獻(xiàn)

[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.