江志浩,周 卿,石 敏,鄭義成,王雅芬
(1.91977部隊,北京102249;2.海軍裝備部,北京100071)
高技術條件下作戰(zhàn),各類戰(zhàn)場傳感器和監(jiān)控設備被廣泛使用,產(chǎn)生的各類作戰(zhàn)數(shù)據(jù)、情報數(shù)據(jù)呈“爆炸式”增長,且各類作戰(zhàn)目標信息具有數(shù)據(jù)量大、傳輸迅速等特點。因此,在現(xiàn)代戰(zhàn)爭中,造成“戰(zhàn)爭迷霧”的主要因素已不再是信息匱乏,而是信息過剩。如何將各類作戰(zhàn)目標信息快速、高效、準確地提供給指揮員,避免其淹沒在海量信息中,是作戰(zhàn)目標信息服務保障和輔助決策的核心問題之一。
作戰(zhàn)目標信息具有典型的大數(shù)據(jù)“4V”特征[1-2]:①規(guī)模巨大(Volume),包括陸、海、空、天、電磁、網(wǎng)絡等各作戰(zhàn)域的作戰(zhàn)目標信息;②類型多樣(Variety),包括多種戰(zhàn)場偵察監(jiān)視手段獲取的多類作戰(zhàn)目標結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化信息;③高速處理(Velocity),戰(zhàn)場態(tài)勢瞬息萬變,對作戰(zhàn)目標信息處理提出高速甚至實時性要求;④高價值(Value),作戰(zhàn)目標數(shù)據(jù)直接關乎軍事利益和國家利益,本身具有高價值的特征。如何將這些戰(zhàn)場信息優(yōu)勢轉(zhuǎn)換為決策優(yōu)勢和作戰(zhàn)優(yōu)勢是作戰(zhàn)目標信息服務保障的難題之一。
知識圖譜(Knowledge Graph)[3-5]是解決上述難題的方法之一。知識圖譜可對海量數(shù)據(jù)進行重新抽象、整理和組織,以更加合理、有序、直觀的方式將知識展示給用戶,使之能更加有利于人的理解和認知,從而更加有效地指導決策。
知識圖譜,本質(zhì)上是一種語義網(wǎng)絡,用于以符號形式描述物理世界中的概念及其相互關系。知識圖譜用于繪制、分析和顯示研究主題之間的相互聯(lián)系,是將應用數(shù)學、圖形學、信息可視化、信息科學等學科的理論和方法與計量學引文分析、共現(xiàn)分析等方法結(jié)合,達到知識融合目的的現(xiàn)代理論。它將復雜的知識領域通過數(shù)據(jù)挖掘、信息處理、知識計量和圖形繪制顯示出來,揭示知識領域的動態(tài)發(fā)展規(guī)律,可為特定領域研究提供切實、有價值的參考。
知識圖譜構(gòu)成了一張巨大的語義網(wǎng)絡圖,網(wǎng)絡節(jié)點表示一個實體或一個概念,節(jié)點之間的邊表示屬性或關系。因此,知識圖譜的基本組成單位是“實體—屬性”和“實體—屬性—實體”“實體—關系—實體”三元組,實體間通過關系相互鏈接而構(gòu)成一個網(wǎng)狀的知識結(jié)構(gòu),通過一個由眾多節(jié)點和邊構(gòu)成的網(wǎng)狀圖對知識進行完整而清晰的描述。當大量知識圖譜經(jīng)整合并按體系分類組織后,就形成了知識庫。
目標在作戰(zhàn)指揮中的定義是:交戰(zhàn)雙方為實現(xiàn)某種作戰(zhàn)意圖,彼此進行跟蹤、打擊、壓制、攻占或摧毀的對象[1]。因此,作戰(zhàn)目標既包括敵我雙方參與作戰(zhàn)的飛機、坦克、車輛、艦艇、衛(wèi)星等平臺,又包括來襲導彈、魚(水)雷、作戰(zhàn)機器人、UUV/UAV、潛(?。说任淦骱蛡鞲衅髂繕?,還包括各類作戰(zhàn)工事、指揮所、部隊甚至重點人員等目標。
在作戰(zhàn)過程中,指揮機構(gòu)和指揮員要做出準確的決策。這不僅要及時了解目標實時態(tài)勢等戰(zhàn)場情報信息,而且要結(jié)合戰(zhàn)場情報信息對敵我雙方戰(zhàn)場目標進行及時、準確、全面的理解。因此,作戰(zhàn)目標信息應該包含以下4個方面。
1)目標基本數(shù)據(jù)。如目標的名稱、屬性、類型、身份、尺寸、結(jié)構(gòu)、作用、技戰(zhàn)術性能等。
2)目標特征數(shù)據(jù)。聲學、光電(含可見光、紅外、激光、紫外線等)、射頻(包括通信輻射源、雷達輻射源、雷達散射特征等、電磁指紋特征等)、核輻射等特征數(shù)據(jù)。
3)目標戰(zhàn)例數(shù)據(jù)。歷史航跡、主要作戰(zhàn)樣式、以往戰(zhàn)例等信息。
4)目標戰(zhàn)場數(shù)據(jù)。目標指揮關系,目標與目標、目標與任務之間可能存在的關系等信息。
知識圖譜在商用領域的應用,展現(xiàn)出其在解決知識理解、知識推理、知識演化方面問題的巨大優(yōu)勢。目前,知識圖譜多應用于醫(yī)療、圖書等通用領域,在軍事等針對性較強領域的應用相當有限,尤其是面向作戰(zhàn)目標分析的知識圖譜技術應用,還沒有較好地實現(xiàn)知識圖譜構(gòu)建和應用。
傳統(tǒng)的作戰(zhàn)目標保障通常采用多頭保障、分級處理模式。因此,作戰(zhàn)目標數(shù)據(jù)通常散落在特定傳感器、情報分析、指揮決策、武器等系統(tǒng)的各個角落,難以形成目標知識體系和數(shù)據(jù)合力。新技術條件下,戰(zhàn)場目標信息呈爆炸式增長,傳統(tǒng)的信息管理、處理方式已經(jīng)無法滿足對戰(zhàn)場信息及大量作戰(zhàn)知識的管理、應用和理解。
利用多源情報戰(zhàn)場態(tài)勢數(shù)據(jù),通過作戰(zhàn)目標知識圖譜的構(gòu)建,可對戰(zhàn)場目標的真實情況、目標信息、行為模式、作戰(zhàn)關系等進行“深度刻畫”,將有效支撐戰(zhàn)場作戰(zhàn)指揮、情報研究、動向預判等行動。
作戰(zhàn)目標知識表示是作戰(zhàn)目標知識圖譜構(gòu)建的核心之一,直接影響到基于作戰(zhàn)目標知識圖譜的推理、計算、關聯(lián)等應用。作戰(zhàn)目標知識圖譜通常利用目標本體知識表示對目標進行描述。目標本體知識表示包括實體、事件、屬性、關系、狀態(tài)等方面。其中,實體包括作戰(zhàn)目標對象、裝備、設施、人員等,例如“里根”號航母、美軍駐日本橫須賀海軍基地、AN/FPS-115遠程預警雷達;事件包括各類作戰(zhàn)案例、軍事行動等,如“環(huán)太平洋-2020”聯(lián)合軍演、亞丁灣護航、跟蹤監(jiān)視等;屬性是實體或事件相關的特征屬性,如目標國別、目標種類、時間、地點、噸位、規(guī)模尺寸等;關系是指實體與實體、實體與事件、事件與事件之間的邏輯關系,包括隸屬關系、指揮關系、從屬關系、時空關系、因果關系等;狀態(tài)為作戰(zhàn)目標與時間、空間相關的狀態(tài),如航渡、錨泊、維修、封存、墜毀等。
作戰(zhàn)目標本體知識表示如圖1所示。
圖1 作戰(zhàn)目標本體知識表示示例Fig.1 Target ontology diagram of knowledge description in battlefield
作戰(zhàn)目標知識圖譜應用架構(gòu)共3 層,包括作戰(zhàn)目標知識收集、作戰(zhàn)目標知識庫構(gòu)建、作戰(zhàn)目標知識圖譜應用服務,如圖2所示。
圖2 作戰(zhàn)目標知識圖譜應用架構(gòu)Fig.2 Application framwork of target knowledge graph in battlefield
作戰(zhàn)目標知識收集是建立知識圖譜構(gòu)建的基礎,通過對目標特性、地理信息、戰(zhàn)場環(huán)境、情報資料、武器裝備等數(shù)據(jù)資料進行收集、整理、分類,形成作戰(zhàn)知識體系。
作戰(zhàn)目標知識圖譜構(gòu)建是知識圖譜技術在軍事應用中的核心,主要是通過知識抽取、知識融合技術,從各類數(shù)據(jù)中抽取目標實體、屬性(值)及關系,并對作戰(zhàn)目標知識進行整合和優(yōu)化,完成知識圖譜構(gòu)建。
作戰(zhàn)目標知識應用服務是基于作戰(zhàn)目標知識庫和具體軍事需求開展的搜索查詢、統(tǒng)計分析、可視化表示、知識挖掘、語義分析的軍事化應用。
2.2.1 實體抽取
實體抽取[6-7],也叫命名實體識別(Named Entity Recognition,NER),是從各種知識數(shù)據(jù)中自動提取出實體并對每個實體做分類、標簽。
傳統(tǒng)的方法有基于規(guī)則的方法,如從數(shù)據(jù)集中識別抽取出人名、地名等專有名詞等實體信息;基于統(tǒng)計學習的方法,是一種基于有監(jiān)督學習的實體抽取方法,在準確率和召回率上的表現(xiàn)還不夠理想,且算法的性能依賴于訓練樣本的規(guī)模。
由于軍事領域的實體分類相對固定,人工預先定義分類與統(tǒng)計聚類相結(jié)合的方法可實現(xiàn)實體抽取。對于任意給定的實體,采用統(tǒng)計機器學習的方法,從目標數(shù)據(jù)集中抽取出與之具有相似上下文特征的實體,從而實現(xiàn)實體的分類和聚類。
2.2.2 關系抽取
關系抽取[8-9]就是從數(shù)據(jù)集中提取出實體之間的關聯(lián)關系,通過這些關聯(lián)關系,實現(xiàn)對實體不同知識的聯(lián)系,進而形成網(wǎng)狀的知識結(jié)構(gòu)。
早期的關系抽取研究方法主要是通過人工構(gòu)造語法和語義規(guī)則,據(jù)此采用模式匹配的方法來識別實體間的關系;基于特征向量或核函數(shù)的有監(jiān)督學習方法,但需要大量人工標注的訓練集,才能確保算法的有效性和準確性。
由于軍事領域的實體關系具有多樣性和復雜性,可采用基于自監(jiān)督學習的開放信息抽取模型,通過采用少量人工標記數(shù)據(jù)作為訓練集,據(jù)此得到一個實體關系分類模型;再依據(jù)該模型對開放數(shù)據(jù)進行分類;依據(jù)分類結(jié)果,訓練統(tǒng)計機器學習模型來識別“實體—關系—實體”三元組關系。
2.2.3 屬性抽取
屬性抽取[7]是從不同信息源中采集特定實體的屬性信息的過程。例如,針對某個特定敵方目標,可以從各類目標信息中得到其呼號、代號、國籍等信息。屬性抽取能夠從多種數(shù)據(jù)源中匯集這些信息,實現(xiàn)對實體屬性的完整勾畫。
作戰(zhàn)目標知識圖譜存在一些涉密實體,大量的實體屬性為涉密信息,公開數(shù)據(jù)集、公開知識庫很難滿足屬性抽取的需求。對于結(jié)構(gòu)化數(shù)據(jù),實體屬性可視為實體與屬性之間的一種名詞性關系,將屬性抽取問題視為關系抽取問題;對于半結(jié)構(gòu)化數(shù)據(jù),可通過對結(jié)構(gòu)化部分自動抽取生成語料,用于訓練實體屬性標注模型,然后將其應用于非結(jié)構(gòu)化數(shù)據(jù)的實體屬性抽??;對于公開數(shù)據(jù)集、公開知識庫查詢不到的實體,須通過人工標注數(shù)據(jù)作為訓練集,采用數(shù)據(jù)挖掘的方法直接從數(shù)據(jù)源中挖掘?qū)嶓w屬性與屬性(值)之間的關系模式,依據(jù)實體屬性(值)附近都存在一些用于限制和界定該屬性(值)含義的關鍵詞,進行屬性抽取。
2.2.4 實體消歧
實體消歧是解決因?qū)嶓w同名產(chǎn)生歧義問題的過程。在實際應用中,經(jīng)常會遇到某個實體名稱在不同環(huán)境下對應不同實體對象的問題。如“DDG 171”這個代號可以是日本“旗風”級導彈驅(qū)逐艦“旗風”號,也可以是我國052C 型導彈驅(qū)逐艦“海口”號。因此,必須通過實體消歧,建立實體、關系、屬性的準確鏈接。
對于作戰(zhàn)目標知識圖譜來說,不能采用百科知識模型和開源知識模型,須利用作戰(zhàn)目標之間的關系將與之相關的指稱項鏈接起來構(gòu)成一個知識網(wǎng)絡。在每個網(wǎng)絡節(jié)點上加上目標實體指稱項的上下文語義特征作為其屬性,利用網(wǎng)絡圖分析技術,計算該網(wǎng)絡中節(jié)點與指稱項之間的相似度,利用極大似然準則實現(xiàn)實體消歧。
2.2.5 指代消解
指代消解是解決多個指稱項對應于同一實體對象問題的過程。在實際作戰(zhàn)應用中,一個目標有艦/機名、舷/機號、呼號,在指揮系統(tǒng)中還有批號,這些指稱項往往指向同一個實體對象,必須利用指代消解技術將這些指稱項關聯(lián)合并到正確的對象上。
傳統(tǒng)基于句法分析的指代消解方法,通過建立搜索樹,僅適用于實體與不同指代出現(xiàn)在同一場景,具有較大局限性。作戰(zhàn)目標知識圖譜的指代消解可采用統(tǒng)計機器學習方法,將指代消解作為分類和聚類問題進行求解,聚類法的基本思想是以實體指稱項為中心,通過實體聚類實現(xiàn)指稱項與實體對象的匹配,其關鍵問題是如何定義實體間的相似性測度。
知識圖譜智能搜索包含2 類核心任務:一是利用相關性在知識庫中找到相應的實體;二是在此基礎上根據(jù)實體的類別關系及相關性等信息找到關聯(lián)的實體[10]。
目前,知識圖譜智能搜索主要用于語義搜索[11-12]和知識問答[13],在作戰(zhàn)或指揮信息系統(tǒng)中對智能搜索的需求主要是語義搜索,旨在解決現(xiàn)階段基于關鍵字的Web搜索或數(shù)據(jù)庫搜索中,因無法理解用戶需求而導致的搜索精準度低、關聯(lián)查詢難的問題。
根據(jù)作戰(zhàn)系統(tǒng)或指揮信息系統(tǒng)對作戰(zhàn)目標知識智能檢索的需求,可利用本體、屬性、關系3 種方式構(gòu)建檢索策略,即基于本體搜索的目標檢索、基于屬性的目標檢索、基于關聯(lián)關系的目標檢索。基于本體搜索的目標檢索是一種靈活有效的查詢方式,將本體描述中所有名稱和本體自身元數(shù)據(jù)中的文本內(nèi)容拼接成一個文本,進而建立面向關鍵詞的搜索;基于屬性的目標檢索是將關鍵詞索引的范圍從本體名稱擴大到與其直接相關的屬性、類型等知識的技術,以便支持更加便捷的查詢。該技術在關鍵詞索引基礎上引入了實體屬性、類型等信息形成多個約束條件,可支撐方面搜索(Faceted Search);基于關聯(lián)關系的目標檢索是利用特定實體之間的關聯(lián)關系進行實體檢索的技術。在知識圖譜技術中,圖結(jié)構(gòu)的RDF數(shù)據(jù)[14]特別適合實體間的關聯(lián)查詢,可通過廣度優(yōu)先遍歷搜索每個節(jié)點到初始節(jié)點的路徑挖掘節(jié)點間的隱形關聯(lián),或通過圖相似模式挖掘其潛在關聯(lián)。
知識圖譜可視化[15-16]是將知識庫中的信息以易于用戶理解的形式呈現(xiàn)的技術。在戰(zhàn)場態(tài)勢分析和作戰(zhàn)目標研究等方面,通過基于知識圖譜的可視化分析界面,可實現(xiàn)目標和態(tài)勢的多維度視覺展示和分析,尤其在作戰(zhàn)中對群目標進行分析時,既可以采用傳統(tǒng)模式將群目標中的每個目標信息進行視覺表示和可視化分析,也可以利用知識圖譜優(yōu)勢,從時間、空間、頻譜、統(tǒng)計、關聯(lián)度等多個維度進行表示,支持對作戰(zhàn)目標和態(tài)勢進行時序、分布、熱度、樹形、網(wǎng)絡的分析。
作戰(zhàn)關系分析是以對戰(zhàn)場環(huán)境、敵我目標的認知為基礎,建立戰(zhàn)場數(shù)據(jù)、信息、知識之間的內(nèi)在聯(lián)系,是對戰(zhàn)場信息的深層次融合?;谥R圖譜的知識推理,是從實體關系、屬性等出發(fā),通過建模、計算和分析,從現(xiàn)有知識中發(fā)現(xiàn)新的知識的過程。知識推理的對象不僅針對實體間的關系,也針對實體的屬性值、屬性類別等。知識推理的方法主要有2類:基于邏輯的推理和基于圖的推理[17-18]。
作戰(zhàn)目標知識圖譜具有實體類別和數(shù)量多,實體關系復雜、多變,實體屬性多樣、信息繁雜等特點,非常適合基于圖的推理方法。
圖神經(jīng)網(wǎng)絡(Graph Neural Networks,GNN)是當前AI領域最熱門的研究方向,適用于圖結(jié)構(gòu)數(shù)據(jù)的深度學習架構(gòu)。GNN利用節(jié)點和關系對事物進行描述,且節(jié)點和關系均帶有屬性。由于知識圖譜先天具有上述圖結(jié)構(gòu)特性,且擅長推理是GNN 的優(yōu)勢之一。因此,“知識圖譜+GNN”的技術組合,成為解決基于知識圖譜進行關系分析和挖掘問題的新型手段。
文獻[19]研究表明,基于GNN方法可實現(xiàn)三元組鄰域復雜而隱含的模式信息的生成,可基于知識圖譜構(gòu)建實現(xiàn)實體關系的補全。該成果應用在作戰(zhàn)目標分析中,恰恰就是一個目標關系推理的實現(xiàn)過程。因此,通過“知識圖譜+GNN”技術組合的應用,不僅可以挖掘推理得出戰(zhàn)場目標間的關系,而且還可實現(xiàn)目標與戰(zhàn)場事件的關系。
目標活動規(guī)律體現(xiàn)目標在時間、空間域上的關聯(lián)規(guī)律,包括基本關聯(lián)、時序關聯(lián)、因果關聯(lián)等。目標活動規(guī)律除目標自身的活動規(guī)律之外,不僅有目標與目標(或事件)之間的活動規(guī)律,如一個目標的出現(xiàn)經(jīng)常伴隨著另外一個目標的出現(xiàn);而且還有目標在時序上的不同狀態(tài)以及不同狀態(tài)下的屬性特征,如作戰(zhàn)目標在執(zhí)行任務不同階段的編隊特征、電子設備開關機規(guī)律和航行參數(shù)等。
目標活動規(guī)律挖掘過程如圖3所示。
圖3 目標活動規(guī)律挖掘示意圖Fig.3 Diagram of mining of the target’s activity law in battlefield
利用作戰(zhàn)目標知識圖譜對目標實體語義特征提取,進行目標活動規(guī)律挖掘,可以著力研究以下幾個方面.
1)目標綜合識別與規(guī)律分析。根據(jù)目標相關特征數(shù)據(jù),進行目標識別,并統(tǒng)計目標各類武器、傳感器活動規(guī)律統(tǒng)計,形成目標載荷開關機規(guī)律及其載荷間的作戰(zhàn)協(xié)同規(guī)律。
2)目標分布規(guī)律分析。根據(jù)目標航跡數(shù)據(jù),對戰(zhàn)場目標歷史航跡進行統(tǒng)計分析,從時間、空間2個維度形成熱力圖,獲取目標分布規(guī)律。分析目標分布規(guī)律,獲取目標穩(wěn)定航線、活躍陣位以及后續(xù)動向等信息?;趹?zhàn)場空間熱力圖結(jié)合目標作戰(zhàn)能力知識,獲取戰(zhàn)場火力分布情況。
3)目標編組模型分析。在執(zhí)行特定作戰(zhàn)任務時,目標編配、武器傳感器編配甚至目標運動狀態(tài)均存在一定規(guī)律。如航母在執(zhí)行艦載機作業(yè)時,對海雷達、對空雷達、預警機、作戰(zhàn)飛機、母艦航向航速等知識在時間、任務維度均具有一定編組規(guī)律。因此,通過目標知識的編組模型可獲取隱藏在這些目標、關系、狀態(tài)等信息中的“真相”。
4)目標活動模型分析。根據(jù)對執(zhí)行特定作戰(zhàn)任務的目標時空序列、作戰(zhàn)目標性能進行關聯(lián)研究,分析目標保障周期、典型作戰(zhàn)任務周期等作戰(zhàn)目標知識,并結(jié)合戰(zhàn)場目標態(tài)勢、電磁態(tài)勢等知識,判斷作戰(zhàn)目標工作狀態(tài)和所處任務階段。
利用知識圖譜技術,可以有效地將海量的戰(zhàn)場信息和數(shù)據(jù)利用起來,輔助情報分析人員、作戰(zhàn)指揮員進行戰(zhàn)場態(tài)勢的理解,為指揮決策提供更加準確、高效、可靠的信息依據(jù)。
例如,利用知識圖譜技術可以基于事件驅(qū)動傳導路徑的方式進行知識發(fā)現(xiàn),從而發(fā)現(xiàn)事件與事件、事件與目標之間的邏輯關系、統(tǒng)計學關系,挖掘出實現(xiàn)傳統(tǒng)戰(zhàn)場信息保障中隱藏的目標知識。在作戰(zhàn)輔助決策過程中,往往需要根據(jù)當前戰(zhàn)場態(tài)勢進行推演,利用事件的因果關系,預測不同作戰(zhàn)行動后戰(zhàn)場形式的發(fā)展趨勢,梳理作戰(zhàn)目標、行動過程,從而準確把握作戰(zhàn)行動的走向,以便提前預案和應對。
利用知識圖譜開展作戰(zhàn)意圖識別和態(tài)勢預測,是通過構(gòu)建一個戰(zhàn)場動態(tài)序列知識體系,對目標相關屬性、類型、狀態(tài)、行為模式和戰(zhàn)場環(huán)境等若干態(tài)勢要素進行分析,從而發(fā)現(xiàn)其內(nèi)部或之間的相互關系,用于對戰(zhàn)場態(tài)勢發(fā)展趨勢進行預判識別的過程。
貝葉斯理論是以隨機事件之間的邏輯關聯(lián)關系及關聯(lián)關系的先驗概率分布參數(shù)為背景知識,在明確部分隨機事件狀態(tài)的前提下,計算與之相關的隨機事件狀態(tài)概率的過程。基于作戰(zhàn)目標知識圖譜和貝葉斯網(wǎng)絡模型的作戰(zhàn)意圖識別和態(tài)勢預測流程如圖4所示。
圖4 作戰(zhàn)意圖識別與態(tài)勢預測流程Fig.4 Flow chart of combat intention recognition and situation prediction
圖4 中,貝葉斯網(wǎng)絡的邏輯片斷通常由先驗信息組成若干推理規(guī)則集合,主要包括3類。
1)基本關系邏輯推理,是通過建立事件、目標的靜態(tài)關系,用于描述戰(zhàn)場目標、事件之間的相互邏輯關系。
2)概率遷移邏輯推理,是通過統(tǒng)計事件之間的概率轉(zhuǎn)移關系,從而發(fā)現(xiàn)事態(tài)發(fā)展的可能性,用于描述戰(zhàn)場目標、事件之間的概率遷移關系。
3)序列關系邏輯推理,是通過統(tǒng)計和分析作戰(zhàn)目標的行為序列關系,從而發(fā)現(xiàn)其時序關系或因果關系,用于描述戰(zhàn)場目標、事件之間時序和根事件狀態(tài)空間的對應關系。作戰(zhàn)目標的行為序列通常指其在遂行特定戰(zhàn)術任務時,依據(jù)作戰(zhàn)目標的特點、性能、對象,乃至作戰(zhàn)手冊、條令等要求執(zhí)行的一系列特定的動作序列。
現(xiàn)代戰(zhàn)爭瞬息萬變,各類傳感器和指揮系統(tǒng)、情報系統(tǒng)產(chǎn)生的戰(zhàn)場態(tài)勢和目標數(shù)據(jù)量巨大、數(shù)據(jù)流轉(zhuǎn)快,對作戰(zhàn)目標保障的時效性帶來巨大考驗。為解決作戰(zhàn)目標知識圖譜應用的時效性問題,須在以下2 個方面進行突破。
1)大規(guī)模存儲計算一體化技術。隨著實時作戰(zhàn)數(shù)據(jù)的引入,作戰(zhàn)目標知識圖譜將快速增加,給數(shù)據(jù)存儲、計算帶來巨大挑戰(zhàn)。存儲計算一體化將大幅減少數(shù)據(jù)流轉(zhuǎn),提高計算效能,被認為是下一代AI 系統(tǒng)的“入場券”。
2)片上應用技術。為解決基于作戰(zhàn)目標知識圖譜的人工智能技術在傳感器、兵器等末端的應用問題,從而減少數(shù)據(jù)流轉(zhuǎn)環(huán)節(jié)對時效性的影響,必須通過相關技術在片上系統(tǒng)應用,突破計算機集群的束縛。
在作戰(zhàn)目標知識圖譜的應用中,只有準確、全面的高質(zhì)量作戰(zhàn)目標知識才能成為作戰(zhàn)目標信息服務保障和輔助決策的有效支撐,而通過各種手段獲取作戰(zhàn)目標知識的質(zhì)量不盡相同,甚至會出現(xiàn)一些低質(zhì)量知識。此外,知識規(guī)模將隨著這些知識的不斷積累而增長,對知識管理、存儲及應用帶來巨大挑戰(zhàn)。同時,大量低質(zhì)量數(shù)據(jù)也會涌入知識系統(tǒng)。如何將海量知識快速有效地形成目標信息,同時避免低質(zhì)量知識對目標信息的干擾,這是解決大規(guī)模作戰(zhàn)目標知識圖譜應用的關鍵所在。
因此,在作戰(zhàn)目標構(gòu)建知識圖譜應用體系中,一方面可利用分布式存儲、并行計算技術為超大規(guī)模知識圖譜解決存儲、算力等問題;另一方面,應建立知識質(zhì)量評價體系,盡可能降低知識系統(tǒng)中的低質(zhì)量知識的比例;此外,在知識應用過程中加強數(shù)據(jù)融合,將各類目標信息進行綜合、過濾、合并,降低低質(zhì)量數(shù)據(jù)的干擾。
本文從作戰(zhàn)目標服務保障中知識圖譜技術的應用需求出發(fā),提出了作戰(zhàn)目標知識圖譜應用架構(gòu)和具體步驟,給出了典型應用。盡管在軍事領域,作戰(zhàn)目標知識圖譜具有廣泛的應用前景,但目前的作戰(zhàn)目標知識圖譜的技術儲備和應用基礎還比較薄弱,尤其是基于該技術的目標關系、規(guī)律挖掘等還有待提高,這是下一步深入研究的方向之一。