一種移動自組織網絡數據分發方法*1

?

一種移動自組織網絡數據分發方法*1

吉波1,2，張宏亮2，張科1

(1.西北工業大學 航天學院，陜西 西安710072； 2. 中國人民解放軍駐210所軍事代表室，陜西 西安710065)

摘要：針對戰場移動自組織網絡實時、高效傳輸大容量情報信息的應用需求，提出一種基于壓縮傳感與用戶需求匹配分析的網絡數據分發方法。該方法通過分析用戶需求，篩選匹配的用戶數據，并利用統一表征字典實施稀疏表示與精確重建，同時利用新情報信息自主更新和維護表征字典，支撐擴展的作戰應用。將其應用于分析戰場偵察的可見光圖像，仿真結果表明新方法能大幅度降低有限帶寬網絡實時傳輸數據量。

關鍵詞：壓縮傳感；Ad Hoc網絡；稀疏表示；數據挖掘；特征提取；戰場管理

0引言

在作戰體系的對抗中，有效奪取戰場“信息制勝權”需要綜合運用多種傳感器，挖掘傳感器對戰場的感知信息，經過加工處理才能完整地感知戰場環境。然而，多種傳感器的投入使用，將使得作戰平臺可獲取大量具有冗余性的情報數據，影響作戰決策。另一方面，戰場環境通信網絡的作戰資源畢竟有限，尤其是網絡的帶寬資源。大量戰場情報數據在有限帶寬資源條件下傳輸對作戰信息系統提出巨大的挑戰[1-2]。

美軍是最早研究復雜戰場環境下可靠傳輸戰術信息網絡的國家之一。早在20世紀70年代，美國國防部高級研究規劃署(defense advanced research projects agency，DARPA)出于對未來戰爭的考慮便開始研究在戰場環境下利用移動自組織網絡進行數據通信[3-4]。1994年，DARPA又啟動了全球移動信息系統項目，研究能夠滿足軍事應用需要的、可快速展開的、高抗毀性的移動信息系統[5]。1997年，DARPA啟動了先進戰術瞄準技術項目，專門研究基于自組織網絡快速、準確定位遠距離敵方機動防控雷達的瞄準技術[6]；隨后，針對面上移動目標精確打擊需求，DARPA啟動了經濟型地/海面移動目標交戰項目[5]，旨在研究與開發經濟可承受的全天候、遠程精確快速打擊移動目標的技術。在這一系列DARPA計劃/項目推進過程中，美軍構建了多種戰地數據鏈網絡，其中以戰術數據鏈(Link16)、基于移動自組織網絡技術的戰術瞄準網絡技術[7](tactical targeting network technology, TTNT)和協同交戰概念[7-8](cooperative engagement capability, CEC)最具代表性，分別代表了美空軍與海軍支撐網絡中心戰的作戰概念。作戰平臺之間通過高速交換目標跟蹤、探測定位與圖形圖像等信息，對移動/固定目標進行持續跟蹤與準確定位。然而，網絡成員數越多，目標批次越多，數據更新越快，對系統的傳輸容量和速率要求愈高。

為靈活高效支撐復雜戰場環境信息可靠交換，美軍在數據鏈網絡的物理層、鏈路層和網絡層體制上取得了突破性進展，由靜態規劃的網絡架構向移動自組織網絡架構方向發展。美軍開發了戰術成員網[7](tactical network of members，TCN)，采用按需分發原則，建立信息收發映射關系，過濾各種傳感器發送的量測數據，避免直接廣播原始量測造成的帶寬資源浪費。TCN通過重新定義目標屬性，壓縮傳輸帶寬，從而能適配各種通信信道，保證其能適合多軍兵種、多任務的作戰需要。基于數據鏈網絡的基礎信息交換能力，依據作戰應用適時、按需分發各類戰術信息將是數據鏈網絡信息處理的重要發展趨勢。

本文結合移動自組織網絡在戰場環境的應用現狀，提出了一種移動自組織網絡數據分發方法，通過挖掘傳感器數據潛在知識，建立適應復雜戰場環境的高效、動態的數據分發機制，為作戰人員實時提供作戰應用可用的戰術信息，在有限帶寬資源下提高數據的利用效率。

1數據分發研究現狀

隨著傳感器技術、作戰規模與作戰樣式的發展，現代高技術條件下的戰爭涉及海量作戰信息的交互與處理。從海量的作戰信息中篩選各作戰平臺/作戰人員真正需要的信息，是將信息優勢轉化為知識優勢，進而轉化為決策優勢的基礎和前提。借鑒美軍TCN的成功經驗，需要對海量作戰信息實施按需分發，實現在戰時通信資源極度緊張的條件下為作戰人員傳輸有用、可用、可靠的戰術信息，避免大量無關信息、無用信息對作戰人員造成的“信息淹沒”。

目前，實現作戰信息的按需分發主要有3種方法。

1.1基于主動服務的信息分發方法[9]

主動服務信息系統通過人工智能與專家系統的推理技術和關聯匹配技術等建立規則庫以及信息分發與用戶需求的關系，向需求用戶分發相關數據，其信息分發系統結構如圖1所示。

圖1　基于主動服務的信息分發Fig.1　Information dissemination based on active service

系統中各用戶以及其他的上級通報、衛星數據、人工情報以及共享信息空間等構成了綜合的信息池，其中共享信息空間是一個動態的數據集，可存儲多種結構的信息數據。信息資源管理器對信息池中的數據進行更新與管理；匹配規則庫按照需求分析信息特征的匹配度，將匹配程度高的數據主動推送到相應的用戶。用戶完全不需要做額外的工作便可以獲得所需的信息。

系統結構簡單，工作流程清晰。缺點是匹配規則庫復雜，尤其是在信息量與需求量很大的情況下，匹配規則難以保證系統的適用性和時效性。因此，基于主動推送的按需分發方法只適用于小規模或局部用戶網。

1.2基于發布/訂閱的信息分發方法[9]

與主動推送的信息分發處理方式不同，基于發布/訂閱的信息分發方法是需求驅動的信息分發方法。用戶根據自己的信息需求，向系統發布訂閱消息，當中包含用戶需求的規范化描述[10]；系統依據訂閱消息的具體要求向該用戶發送所需信息，或者向用戶返回所需信息的訪問地址。基于發布/訂閱的系統結構如圖2所示。

圖2　基于發布/訂閱的信息分發Fig.2　Information dissemination based on　　　release/subscription scheme

1.3基于過濾的信息分發方法[9]

基于過濾的信息分發方法的核心思想是信息過濾，即用戶端根據自身需求的總體或大致特征，將不符合需求的信息屏蔽處理[11]。當用戶的信息需求不容易明確描述和體現，或者用戶對自己的需求認識不夠清晰時，用戶根據自身性能特點及需求對所接收的信息進行取舍、篩選，僅保留符合程度較高的信息，從而達到信息分發的目的[12]。然而，在整個過程中，信源用戶端由于不明確用戶需求而將所有信息堆積在信道上進行傳輸，極易造成信道資源的浪費。

以上3種方法從信息層面提供了信息按需分發的部分解決方案。但仍未結合網絡帶寬需求統籌數據到信息的整合過程，復雜電磁環境下的信息分發支持能力有限。為此，需要貫穿數據獲取、信息產生、信息交換的處理過程，制定適應低帶寬條件的數據分發方案。

2移動自組織網絡數據分發方法

2.1數據分發模型

考慮到信息的幾何增長效應以及戰地數據鏈網絡的通信帶寬資源這兩方面的因素限制[13]，本文分2條線構建數據按需分發處理模型，該模型一方面解決數據的組織與管理，使得大量傳感器探測的情報信息進行組織與管理，形成分類有序的情報數據倉庫以及對應的檢索分析表；另一方面在需求驅動時結合索引分析表進行需求匹配分析，篩選符合需求或者需求符合程度高的數據進行分發。面向內容的數據按需分發模型如圖3所示。

圖3　移動自組織網絡數據分發模型Fig.3　Data dissemination model for mobile　　　Ad Hoc network

該數據按需分發模型包含數據接收與分發、面向信息內容的數據管理模型、數據庫更新與管理和需求匹配4個功能模塊組成。

(1) 數據接收與分發功能模塊主要完成2個功能：

1) 接收并重建作戰體系其他平臺的信息；

2) 壓縮分發本平臺發與其他平臺的信息。

(2) 面向信息內容的數據管理模型功能模塊完成如下功能：

3) 對本平臺以及他平臺數據在統一描述空間上進行數據統一表示；

4) 在數據統一表示基和數據模板基礎上完成數據挖掘，將大量情報信息轉化為易理解的戰場感知知識。

(3) 數據庫更新與管理功能模塊的主要功能如下：

1) 對數據挖掘的情報信息進行組織與管理；

2) 形成數據倉庫的內容索引表；

3) 更新系統的數據模板，使其對環境具有強適應性。

(4) 需求匹配功能模塊的功能是：

對需求進行描述與提煉。

2.2數據組織與管理

數據組織與管理是高效實現數據按需分發的重要前提，也是消除各作戰平臺大量情報數據冗余性的重要手段，避免無關或無用數據對數據分發需求的誤導。

綠色經濟有兩種含義，一種是對原有的經濟產業進行生態化的改造，由原來的非環保型產業轉變為環保型的綠色產業，哪怕放棄一部分收益，也堅決不過度破壞環境。另一種是發展一些對環境本身影響較小的或者利于改善環境的企業。例如農家樂、服務業、有機蔬果等。總的來說，綠色經濟就是大力發展無污染、節約能源的綠色經濟產業，并能實現環保與經濟的雙向發展，人們需要認識到綠色經濟在我們日常生活中的深層次影響。對于整個社會發展來說，在綠色經濟的理念下，其帶來的變化將是層次化和多樣化的。比如：在這一理念下，只有淘汰那些落后的產業和企業，并積極發展一些綠色生態的企業，才能讓其適應時代的發展。

2.2.1數據表示

面向數據內容的數據統一表示包含2部分內容：面向數據內容的代表性特征分析和數據稀疏表示。

假定x是輸入數據，劃分為大小一致的m個子數據x1,x2,…,xm，為了消除子數據之間的冗余性以體現數據的本質內容，本文采用馬爾科夫隨機場算法對各子模塊數據進行分析。

(1)

2.2.2信息與檢索

獲得輸入數據與數據模板之間的關系后，仍需進一步挖掘它們之間本質內容關系，方能將輸入數據按照內容存放到數據倉庫中。基于L1,L1/2的正則化理論認為源數據空間中數據的關系與源數據的本征特征空間上特征關系是一致的。也就是說，當把數據的本質內容看成源數據的代表性約束特征時，數據統一表示所獲得關系信息y可進一步描述本質內容之間的關系。因此，采用數據挖掘的分類技術可生成內容索引表。

假定數據模板對應的內容特征為C=(c1,c2,…,cK)，輸入數據的內容特征向量為ci，于是，按照基于L1,L1/2的正則化理論有：

ci=Cy,

(2)

2.2.3數據管理

在輸入數據的內容索引表生成后，輸入數據可按照內容索引值對應的類別，將輸入數據存儲在該類中。當某一類數據的數據量較大時，需要實時對數據倉庫進行管理與更新，一方面使得數據倉庫中數據得以更有效地組織，另一方面則是更新數目模板，使得本文提出的數據按需分發模型更能夠適應戰場復雜多變的環境。

數據倉庫管理與更新采用數據挖掘中的聚類算法，實時利用本類數據生成最具代表性的數據模板，更新已有的數據模板。

2.3數據分發流程

面向信息內容的數據組織與管理的目的是更好地滿足數據按需分發需求。當網絡中其他用戶需要某類信息時，實時發出數據請求。系統的數據接收/分發功能模塊接收到數據請求時，實時在本平臺內部進行數據檢索與分發的處理過程。

2.3.1匹配分析

關聯分析的目的是挖掘用戶需求與內容索引表間的相互關系。結合分布式數據挖掘的概念和處理流程，本課題采用關聯規則技術來實現。比較經典的算法是由 R.Agrawal 等人于1993 年提出經典的關聯規則發現算法Apriori算法，算法中提出的最大頻繁項集(most frequency index,MFI)是相似度衡量的基礎。具體算法實現如下：

設A和B是2個同類分布式數據集，

MFA={(A1,CA1),(A2,CA2),…(Am,CAm)},

MFB={(B1,CB1),(B2,CB2),…(Bn,CBn)},

式中：Ai為集合A的各個數據集的最大頻項集；CAi為各自的支持度，1≤i≤m；Bj為集合B的各個數據集的最大頻項集；CBj為各自的支持度，1≤j≤n。

對于集合A和集合B的相似度定義如下：

SIM(A，B)=2I3/(I1+I2).

I1，I2，I3分別如下：

2.3.2數據壓縮傳輸

對于數據收發部分，本文采用基于壓縮傳感的數據壓縮傳輸方法減輕有限資源帶寬對數據傳輸的壓力。基于壓縮傳感的數據壓縮傳輸模塊包含3部分關鍵內容，分別為壓縮測量、基于冗余字典的數據稀疏表示、數據精確重建。基于壓縮傳感的數據傳輸模型[15]如下：

(3)

式中：A=ΦΨ為M×N矩陣；Ψ為N×N的特征變換矩陣；s為x在特征變換矩陣Ψ下的稀疏表示向量，包含β個非零分量。

(1) 壓縮測量

壓縮測量通過冗余、統一的測量矩陣將源數據投影到低維特征空間，以達到壓縮數據傳輸規模的目的。壓縮測量的關鍵在于分布式網絡如何生成一致的測量矩陣。為解決此問題，本文設計分布式測量矩陣生成協議，主要思想是在時間同步基礎上利用偽隨機算法保證測量矩陣生成的一致性。

(2) 稀疏表示字典

海量信息預處理系統的數據壓縮模塊針對各種傳感器的類型采用基于K-SVD字典學習算法[15]建立稀疏表示字典庫。平臺加電開始工作后，數據壓縮模塊從本地預加載的關于各傳感器采集的一維和二維信號數據，利用K-SVD字典學習算法訓練得到各傳感器對應的稀疏字典庫。當接收平臺接收到其他平臺發送的數據壓縮測量時，接收平臺根據數據中傳感器類型標識自適應地從稀疏字典庫中選擇用于原始信號稀疏表示的字典。

稀疏字典的構造是實現信號稀疏分解的重要前提。K-SVD算法旨在通過預加載的圖像訓練集尋找最優的字典，使基于此字典的信號稀疏表示對于訓練樣本的方差達到最小。K-SVD字典學習算法的目標為

(4)

式中：F為從預加載訓練圖像集生成的訓練樣本矩陣，每一個列向量對應一個訓練樣本；D為待構造的冗余稀疏表示字典，每一個列向量對應一個字典元素；S為F在D上分解得到的系數矩陣，滿足約束限定的稀疏性。

(3) 數據重建

壓縮傳感理論利用信號稀疏或者可壓縮性質有效地重建原始信號。當信號為稀疏或可壓縮信號時，數據重建可以通過求解一個系數約束的最優化問題實現。信號的稀疏約束可以通過最小L1范數實現，即為

(5)

式中：A為已知的表示矩陣。

3應用實例

利用自然圖像按8×8大小的小圖像塊采樣，構成11 000個樣本數據，經特征提取形成了如圖4所示的數據特征模板，具有特征不變的方向性和邊緣性。

圖4　數據特征模版Fig.4　Feature templates of natural images

數據特征模版構成了自然環境可見光圖像的表示字典。不同的數據按照表示字典的編碼向量進行聚類分析，形成同類組織的數據倉庫。圖5為陸海空戰場環境偵察圖像表征示意圖，其中方形、圓形和菱形分別表示海軍編隊、海空協同作戰和陸戰場環境的表征結果。由于海軍編隊與海空協同作戰場景具有類似的背景，其表征重疊；陸戰場則具有明顯不同的表征特性。可見，利用統一的數據特征模版，可區分不同戰場環境。

圖5　統一數據特征模版下的不同場景表征Fig.5　Different encoding under uniform　　　data feature templates

當傳感器平臺利用可見光傳感器探測到戰場環境圖像時，利用數據特征模版進行特征表示。表征前后數據量比例約為6：1，遠端接收平臺接收到壓縮測量后，利用數據特征模版重建原始數據。可見，利用壓縮傳感的數據分發方式，在自組織網絡上交換數據量是原數據的1/6，有效降低了網絡傳輸的業務量。

4結束語

為了提高復雜戰場環境下信息的利用效率，本文致力于解決多傳感器投入使用引起的“信息幾何增長效應”以及網絡有限傳輸帶寬的固定限制，提出了面向信息內容的自組織網絡按需分發方案。方案采用了馬爾科夫隨機場、稀疏表示、數據挖掘等智能信息處理技術面向信息內容對數據進行組織與管理，同時利用數據壓縮傳感技術構建了低帶寬利用的數據壓縮傳輸子系統，減輕網絡傳輸大量數據的壓力。

參考文獻：

[1]王相平，楊瑞娟，黃美榮，等．基于聚類的雷達數據按需分發技術[J].計算機工程，2011，37(19): 289-290.

WANG Xiang-ping, YANG Rui-juan, HUANG Mei-rong, et al. Technology of Radar Data Distribution on Demand Based on Clustering[J].Computing Engineering, 2011, 37(19): 289-290.

[2]陳潔. 基于內容分發的信息分發管理系統[J].計算機工程，2008，34(21): 82-84.

CHEN Jie. Information Dissemination Management System Based on Content Distribution[J].Computing Engineering, 2008，34(21): 82-84.

[3]JUBIN J, TORNOW J D.The DARPA Packet Radio Network Protocols[C]∥Proceedings of the IEEE, 1987, 75(1): 21-32.

[4]SCHACHAM N, WESCOTT J. Future Direction in Packet Radio Architectures and Protocols[C]∥Proceedings of the IEEE, 1987：83-99.

[5]TOH C K. Ad Hoc Mobile Wireless Networks[M].Upper Saddle River, New Jersey, Prentice Hall PTR, 2002.

[6]陳赤聯, 宋明, 王曉明. 武器數據鏈發展分析[J]. 導航，2008(1): 11-17.

CHEN Chi-lian, SONG Ming, WANG Xiao-ming. Analysis on Weapon Data Link Development [J].Navigation, 2008(1): 11-17.

[7]戴輝. 武器協同數據鏈發展需求[J].指揮信息系統與技術，2011, 2(5): 11-15.

DAI Hui. Development Requirement of Weapon Cooperative Data Link[J].Command Information System and Technology, 2011, 2(5): 11-15.

[8]陳升來. 協同交戰能力(CEC)組網技術[J]. 指揮信息系統與技術，2012，3(1):29-32.

CHEN Sheng-lai. Cooperative Engagement Capability (CEC) Network Technique[J].Command Information System and Technology, 2012，3(1): 29-32.

[9]王子明，張海峰，陳鄧安，等．基于信息柵格的作戰信息按需分發方法研究[J].國防科技，2012,33(2): 33-36.

WANG Zi-ming, ZHANG Hai-feng, CHEN Deng-an, et al. A Research of Methods for Information Dissemination According to Needs Based on Information Grid[J].National Defense Science and technology, 2012, 33(2): 33-36.

[10]馬衛東. 信息共享動力學及主動服務關鍵技術研究[D]. 成都：電子科技大學，2007.

MA Wei-dong.Research on Information Sharing Dynamics and Key Technology for Active Service[D].Chengdu: University of Electronic Science and Technology of China, 2007.

[11]陳洪輝，宛海寧，陳濤. 一種基于服務的態勢信息訂制分發方法[J]. 計算機應用研究，2009，26(4):1428-1431.

CHEN Hong-hui, WAN Hai-ning, CHEN Tao. Service-based Method to Subscribe and Disseminate Situation Information[J].Application Research of Computers, 2009，26(4): 1428-1431.

[12]宛海寧，陳洪輝，陳濤. 基于過濾的態勢信息分發方法[J]. 計算機工程與設計，2009，30(1): 197-198.

WAN Hai-ning, CHEN Hong-hui, CHEN Tao. Filter-based Method to Disseminate Situation Information[J].Computer Engineering and Design, 2009，30(1): 197-198.

[13]馮劍. 空地數據鏈系統中一種圖像數據縮減方案及關鍵算法的研究[D]. 吉林: 吉林大學，2004.

FENG Jian. An Image Reduce Scheme and Key Algorithm for Air-Ground Data Link System[D].Jilin: Jilin University, 2004.

[14]XU Zong-ben, CHANG Xiang-yu, XU Feng-min, et al.L1/2Regularization a Thresholding Representation Theory and a Fast Solver[J]. IEEE Transactions on Neural Networks and Learning Systems, 2012, 23(7): 1013-1027.

[15]ELAD M, AHARON M, Image Denoising Via Sparse and Redundant Representations over Learned Dictionaries[J].IEEE Transactions on Image Processing, 2006, 15(12): 3736-3745.

Data On-Demanded Dissemination Method for Mobile Ad Hoc Networks

JI Bo1,2, ZHANG Hong-liang2, ZHANG Ke1,

(1. Northwestern Polytechnical University,School of Astronautics， Shaanxi Xi’an 710072, China;2. PLA,Representative Office in 210 Institute,Shaanxi Xi’an 710065, China)

Abstract:Based on the requirements about real and efficient large volume intelligent information transmission, a data on-demand dissemination method is proposed by using compressed sensing and users’ needs analysis. Appropriate data is chosen and made sparse representation and accurate reconstruction. Meanwhile, new data are used to manage and update representation dictionary automatically for further tactical applications. Numerical simulation on visible reconnaissance images has demonstrated the real data volume in mobile ad hoc with low wideband is small.

Key words:compressed sensing；Ad Hoc network；sparse representation；data mining；feature extraction；battlefield management

中圖分類號：TN929.5；TP391.9

文獻標志碼：A

文章編號：1009-086X(2015)-05-0045-07

doi:10.3969/j.issn.1009-086x.2015.05.008

通信地址：710065陜西西安70號信箱107分箱E-mail：digitalaudio@126.com

作者簡介：吉波(1980-)，男，山東諸城人。工程師，博士生，主要研究方向為導航、制導與控制。

*收稿日期：2014-10-21；修回日期：2015-03-18