態勢感知應用技術發展現狀及趨勢

鄧子涵，王紅濱

(哈爾濱工程大學計算機科學與技術學院，黑龍江 哈爾濱 150006)

0 引言

態勢感知作為一種輔助決策和行動的方法，已經實際應用于眾多的現代行業中。1988 年，Endsley首次提出了態勢感知（Situation Awareness，SA）的概念，并給出具體定義即：在一定的時空中，在復雜的環境里聚焦關心的要素，理解要素的內涵與關聯，并由此對該要素有關的事物未來一段時間內的發展趨勢進行預測的方法。態勢感知最早應用在軍事領域，目的是通過獲取、甄別并分析戰場敵我雙方的戰斗態勢，為指揮者進行戰略決策提供支持，以提高決策的科學性并縮短決策時間。

近年來，態勢感知技術在軍事應用、航空與交通管制、網絡安全等領域得到了越來越廣泛的應用。

1 態勢感知應用技術發展概況

態勢感知技術應用研究，最初是為了解決軍事問題。當時，為了提高戰斗機的作戰能力，戰斗機駕駛艙內的飛機控制系統、武器系統等不斷增加，這雖然客觀上為飛行員提供了更豐富的作戰信息，但也對飛行員戰時快速確定行動方案帶來了更大的挑戰。因為隨著飛機速度及機載武器能力的增加，要求飛行員必須在更短的時間內快速整合座艙內日益增加的復雜信號信息以及他的感官信息，形成對當前敵我態勢的判斷，從而采取最有利的行動方案。但由于信息過載、多目標任務和決策因素復雜等因素影響，飛行員的實際行動效果卻遠不及預期。過多的信息嚴重干擾了飛行員的信息整合效果和觀察重點，不利于他快速制定行動方案。為了解決這一問題，研究人員啟動開展態勢感知應用技術研究，以期利用態勢感知技術，有效地協助飛行員進行高效準確的行動決策。這些研究概括起來主要分為四類：①如何有效地處理收集到的各種信息，包括如何挑選關鍵信息，如何關聯不同探測系統得到的信息，如何對收集到的各種信息進行整體加工并處理冗余信息等；②是如何更有效地展示這些信息，包括如何進行信息分組與信息合成、如何更有效地進行信息呈現，如數字化與圖形化等；③是如何進行態勢預測，包括如何基于已獲得的信息建立基于動態決策的態勢感知模型，如何準確高效預測未來的狀態和演化趨勢，從而輔助飛行員進行行動決策；④是態勢感知應用技術的有效性驗證，即研究態勢感知應用技術在實戰中不同情景的有效性。這是態勢感知應用技術研究的起步階段，在這個階段，研究人員提出多種態勢感知模型，其中較有影響力的有 JDL 模型和Endsley 模型。JDL模型由美國國防部提出，主要包含三個部分：人機接口、數據融合、數據采集。Endsley模型由Mica R.Endsley提出，將態勢感知定義為態勢要素獲取、態勢理解、態勢預測三層模型，并基于此提出了依托態勢感知的動態決策通用理論模型，見圖1。

圖1 基于態勢感知的動態決策通用理論模型

圖1 模型中，飛行員對于當前態勢的感知，用于支持飛行員進行行動決策，當然其行動決策也會綜合飛行員當前的工作強度、飛行員的既有知識體系和個人素質等因素。這些也會對飛行員整體態勢感知產生影響。而經決策并采取行動后又會對外界環境產生影響，形成動態態勢感知及決策過程。態勢感知的動態決策通用理論模型的建立，奠定了態勢感知應用技術的基礎。

隨著態勢感知理論模型的建立及其應用技術的發展，態勢感知逐步應用于軍事領域。利用態勢感知應用技術來優化聯合作戰樣式，提高聯合作戰效率。基于態勢感知三個層次，在態勢信息獲取方面，境外主要軍事強國都投入了大量的人力物力，積極開展戰場態勢感知系統研究與實際應用，開展包括?；?、陸基、空基以及網電空間一體化的態勢感知能力建設，不斷改進現有戰場態勢感知硬件體系，以期從海陸空全方位獲取與實時跟蹤敵方作戰兵力部署、攻擊及防御武器動態、氣象、水文等海量信息。在態勢理解與預測方面，為了實現更好的戰場態勢理解與預測，各國不斷將利用大數據、人工智能、云計算等先進分析預測技術，對原始信息進行知識的分析、挖掘從而得到戰場態勢信息，并在此基礎上進行快速預測分析，以獲得戰略優勢與戰略主動。

近年來，隨著深度學習、大數據技術等新型技術基礎設施建設加速推進，我國整體網絡的結構及應用變得更加復雜，網絡安全風險進一步加劇。近年來，網絡安全態勢感知作為網絡安全主動防御的新技術，越來越受到業界的關注和認可，網絡安全態勢感知在許多國家被提升到了國家戰略高度，政府、監管機構、企業等相繼開始建設和積極應用態勢感知系統。

此外，隨著不穩定可再生能源大量接入電網，電力系統輸配電安全穩定性受到較大挑戰，表現為復雜的動態安全不確定性，態勢感知也被用于復雜電力系統動態行為和趨勢的感知，以實現電力系統運行關鍵動態數據的在線測量、數據處理、分析，達到對主要動態行為的測量、辨識、顯示、預警的作用。利用態勢感知技術，能較高精度地檢測出位置的和潛在的電網運行風險，提高對電網運行的掌控能力。態勢感知技術也開始被應用于疾病預防，交通安全、金融安全等多個領域。

2 態勢感知技術發展現狀

2.1 態勢感知技術在軍事領域的應用發展現狀

在軍事領域，軍事對抗往往表現為高度不確定性、復雜性、威脅性、緊迫性等特點。敵方軍事信息往往不全面，且軍事行動演化過程不明確，無法通過先驗知識進行判斷。這種特點，驅動了態勢感知應用技術在軍事作戰領域的廣泛應用。例如，在美國彈道導彈防御C2BMC 系統中，已將態勢感知作為其核心的功能，用于提供導彈防御系統的總體態勢，并將各種信息轉化為指揮官在進行導彈防御時易于使用的態勢信息，協助各級指揮官在各種類型的彈道導彈威脅下快速進行最佳指揮決策。

近年來，態勢感知技術在軍事領域得到了不斷深化發展。美國先后發展太空態勢感知應用技術，用于太空攻防對抗，利用太空態勢感知技術對所有發生在空間的事件、威脅、活動、狀態進行感知，對影響太空活動的所有因素進行認知和分析，使指揮決策和操作人員獲取并維持空間優勢。為了增強態勢感知能力，美國一方面不斷強化其態勢感知硬件系統建設（包括地基監視雷達、地基跟蹤成像雷達、地基光學深空監視系統、船載測量雷達、空間環境監視系統、衛星信號偵察系統、天基空間監視系統等）以提升信息獲取能力，另一方面，積極將人工智能和云計算等新技術大量用于太空態勢感知系統建設中，以期解決在信息不確定、不完備，認知樣本稀缺，規則模糊、不一致等條件下的態勢感知難題，提升態勢理解及態勢預測的能力和水平。

當前，態勢感知在軍事領域應用技術仍在不斷升級發展中，在態勢感知模型研究方面，劉偉等提出融合人工智能的態勢感知，即基于機器學習的深度態勢感知理論，將Endsley 態勢感知三級的模型和維納的“反饋”思想進行結合，提出基于“反饋”的深度態勢感知模型。如圖2所示。深度態勢感知模型既包含了人的智慧，也融合了機器的智能（人工智能）來輔助人的決策，將有利于提升指揮速度。由于融入了機器智能，深度態勢感知既能夠在信息和資源不足的情境下運轉，也能夠在信息和資源超載的情境下運行。

圖2 基于“反饋”的深度態勢感知模型

在態勢理解與態勢預測方面，研究人員將深度學習和遷移學習等智能算法用于解決對抗條件下態勢目標的自主認知難題，利用深度學習技術進行軍用目標識別，幫助指揮員快速定位、識別目標并判斷其威脅程度；將深度神經網絡用于態勢預測，利用實戰數據、實兵對抗數據、兵棋推演數據、靶場試驗數據等用于神經網絡的訓練；將深度學習用于空天防御態勢感知，將計算機仿真、機器學習應用于大規模的太空觀測和其他太空數據分析（如天氣），預測太空活動、太空物體碰撞以及碎片軌跡運行等。研究人員還利用云計算技術，實現戰術邊緣全維情報實時處理能力，利用“戰術云”或“戰斗云”，實現戰場態勢按需分發以及協同作戰互聯互通，通過“通用操作環境”實現高機動性、高強度對抗戰術環境下不同系統間的信息共享和互操作，實現分布式任務指揮。

2.2 態勢感知技術在網絡安全領域發展現狀

近年來，隨著“互聯網+”的飛速發展，各行業與互聯網深度融合，網絡攻擊已逐漸成為全球重大安全威脅，伴隨著互聯基礎設施及網絡環境不斷向大規模、高度分布式的方向發展，互聯網的復雜性和不確定性也快速增加，針對網絡設備和服務的網絡攻擊行為也朝著規?；⒎植蓟?、復雜化、隱蔽化等方向發展和演化，一些新型的網絡攻擊工具，如惡意程序攻擊、分布式拒絕服務攻擊、Web 代碼注入、木馬、惡意網站、僵尸網絡等大量的涌現。面對愈加復雜的攻擊手段，傳統的網絡安全技術，如防火墻、病毒防護、用戶身份驗證技術、修補漏洞、口令管理等，僅限于對某一方面安全數據的采集處理，只能單點有針對性地解決特定的攻擊行為。為了全方位感知網絡安全態勢，實現對網絡安全環境的風險評估和預測，推動了網絡安全主動防御新技術——網絡安全態勢感知的研究與發展。

1999 年，Tim Bass 首次將空中交通監管(Air Traffic Control，ATC)態勢感知的成熟理論和技術借鑒到網絡態勢感知中，成為安全領域態勢感知研究的開創者，實現了針對網絡入侵檢測的態勢感知功能。他認為在高度抽象的層面，用于監視空域中對象的技術同樣適用于監視網絡中的對象，由此提出了網絡安全態勢感知的概念。網絡安全態勢感知是指在大規模網絡環境中，對能夠引起網絡安全態勢發生變化的安全要素獲取、理解以及預測的過程。網絡安全態勢感知通過融合提取的數據來進行安全態勢評估,為管理者的決策提供理論支撐,對降低網絡安全風險、提高應急響應能力以及預測安全趨勢。Tim Bass 認為，應有效融合整個由異構網絡傳感器得到的信息，實現數據利用最大化，以此才能有效發揮出安全態勢感知的作用。故首先就應實現對數據的收集，接著對數據進行校對和監測，確保及時發現數據中存在的問題，以此來感知計算機系統的工作狀態，確保能夠及時發現計算機系統在運行時存在的潛在風險。2008 年，Shanchieh 等人研究指出，預測網絡攻擊行動應當具備四個基本要素：能力、機會、目的、行為趨勢，并在此基礎上提出一套算法來獨立分析這些基本要素，通過基于圖形的虛擬態勢模型來分析攻擊者的能力、暴露安全漏洞以及攻擊目標，通過馬爾科夫模型來提取和預測行為模式。2009年，Onwubiko在Endlsey三級模型的基礎上，提出了新的網絡安全感知模型，如圖3所示。

圖3 網絡安全態勢感知模型

在網絡安全態勢要素獲取方面，由于態勢信息數據來源于各種異構數據，要實現準確高效的網絡安全態勢感知，需要實現異構數據挖掘，需要解決多源信息的融合，這是當前網絡安全態勢感知研究中的熱點技術。異構數據挖掘，需要解決如何從海量有噪聲、不同系統平臺的、不完全的實際應用數據中發現隱含的、規律的、最終可理解的危及網絡安全的信息和知識問題，從數據挖掘應用到入侵檢測領域的角度來講，目前主要有4 種分析方法：關聯分析、序列模式分析、分類分析和聚類分析。多源信息融合要解決在時間及空間上分散的多源信息的互補集成問題，從而獲得對當前網絡狀態的準確判斷，目前用于數據融合領域的典型算法有基于邏輯的算法、基于模型的算法、基于統計的算法，以及基于人工智能的貝葉斯網絡和D-S 證據理論，如何設計出高效、快速的融合算法是數據融合技術的關鍵。也是當前網絡安全態勢感知技術研究的熱點。

在網絡安全態勢評估方面，目前態勢評估技術主要分為基于數學模型的態勢評估技術、基于隨機模型的態勢評估技術、基于生物啟發模型的態勢評估技術。其中基于數學模型的態勢評估技術主要通過數學規律對態勢要素進行建模，從而實現態勢要素概率化，包括貝葉斯網絡、基于權重和層次分析法等模型，當態勢要素的變化對整個環境造成影響時，可選用動態貝葉斯網絡，當態勢要素隨機不確定或相關樣本較少時可采用灰色理論方法，當態勢要素的選取從全局出發，選取所有影響系統環境的態勢要素時，可選擇層次分析法以及權重分析法。基于隨機模型的態勢評估技術主要針對變化的條件來動態調節分析結果，包括馬爾科夫、Petri 網等模型；基于生物啟發模型的態勢評估技術主要根據大量已知要素來探索問題的規律，包括遺傳算法、神經網絡等模型。

在網絡安全態勢預測是態勢感知研究的應用目標，是根據態勢評估結果對未來趨勢進行預測。在態勢預測方面，主要技術有基于時間序列的預測方法，基于神經網絡的預測方法、基于灰色理論的預測方法等?；跁r間序列的預測方法是通過分析一段時間內采集的動態數據，采用數據擬合的方法，得出數據的變化規律，進而計算出短期內態勢發展，適合短期預測場景；基于神經網絡的預測方法主要通過自適應學習擬合非線性的變化規律，適用于打樣板數據態勢預測場景；基于灰色理論的預測方法主要用小離散樣本數據預測場景，通過提取已知或未知樣本建立灰色模型來模量數據變化規律。

2.3 態勢感知技術在能源安全領域發展現狀

在電力系統領域，在全球變暖的大背景下，綠色能源在能源供應中占比越來越重，隨著高比例不穩定的可再生能源大量的接入電力系統，以風電、潮汐，光電等為代表的間歇能源出力特性受到包含氣象條件、環境條件等多種因素的影響，電力系統可控性大大降低，受源荷雙重不確定性的影響，電力系統運行方式呈現多樣化趨勢，導致對電力系統穩定性的動態響應預測變得愈發困難。2016 年，王守相等提出了基于可視化分析的電力安全態勢感知的概念，嘗試借用傳統的態勢感知理論結合相應的可視化軟件來提高電力電網的可視化程度，力圖利用更直觀的方式來評估電力系統當前的運行狀態以及未來一段時間的發展趨勢，以便為運行人員快速提供相應的決策支撐。

相對于網絡安全態勢感知，電力系統態勢感知應用研究要更晚一些，但目前，隨著變電站及發電廠大樓同步相量測量單元（phasor measurement unit，PMU）的大量安裝以及廣域測量系統（wide area measurement system，WAMS）的廣泛部署，越來越多的電力系統運行數據可以被實時采集并匯總，區域間振蕩可以通過電力系統同調分析進行監測。短路故障、切機切負荷等故障則可以通過主成分分析（principle component analysis，PCA）、定量遞歸分析等方法進行監測為電力系統態勢感知提供了有力的數據支撐。

目前電力系統態勢感知研究剛起步，主要著重于研究監測方法和監測模型，包括如何運用大數據技術從海量PMU 數據中獲取真正實用的信息、如何從海量的PMU 數據記錄中提取出每類事件的典型相關特性來作為采樣數據是當前電力系統事件辨識的重點和難點，未來的深度學習方法和大數據技術將有助于解決這些難點。除此之外，對于人類預測上有困難的外部環境因素，如極端惡劣天氣等導致的電力系統的事故也是我國未來可以進一步深入研究和探索的方向。可以預見，綜合利用人工智能、大數據等技術精準預測外部極端環境，并采用更精準的模型、更快速的預測方法是電力系統發展趨勢預測主要的研究方向。

2.4 其他領域

除了在軍事領域、網絡安全領域、能源安全領域外，態勢感知技術已開始用于無人機群控制與協同、輿情感知、政務大數據監管平臺、外貿、政府危機決策、復雜環境下工控系統、機場運行、交通、疾病預防等多個領域，這些領域的共同特點是態勢感知影響因素復雜，且處于動態變化之中，且環境因素大多無法全面準確獲知，要求迅速響應做出判斷與決策。在這些領域中，研究者基于態勢感知基本理論模型，通過制定與優化這些領域的態勢感知邏輯體系，廣泛收集與目標管理相關的態勢要素，通過對態勢要素數據的甄別、分析理解，通過建立相應的模型進行識別與歸納推理，實現對復雜環境下的發展趨勢進行預測，支持決策。

3 態勢感知技術發展趨勢

從態勢感知技術的發展到各領域的應用來看，態勢感知應用技術已逐步從最初的飛行員直觀的物理感知擴展為基于各種傳感器的機器感知，已從最初以解決人因為主的應用技術逐步發展到以解決復雜、大數據動態分析及趨勢預測為主的應用技術。

在根據特定的應用需求建立態勢感知模型后，態勢信息獲取的全面性就至關重要。對于態勢感知，與目標相關的探測視野越大越有利，有針對性的輸入信息越廣越有利，全面、準確、及時、有針對性的態勢信息獲取是態勢理解及態勢預測的基礎。因此，在軍事領域，為了更準確及時的獲取更高精度的信息，各種探測系統被不斷增加、升級，信息獲取的維度也不斷增加與提升，不但采用多個組網互補的傳感器方案，更是將海陸空多維度的探測系統相互集成，甚至將特定民用領域的各種探測系統接入軍事系統。在軍事領域是如此，在其他領域也是如此，在網絡安全領域，為了全面、準確、及時、有針對性第獲取網絡安全態勢信息，各種網絡系統及設備信息互通及標準化將是大趨勢。

隨著信息化技術的發展。行業之間相互影響，影響因素越來越多，越來越復雜，日趨復雜，單因素的預測實用性越來越差。在多因素共同作用的存在高度不確定性復雜環境下，態勢感知就越來越能發揮更重要的作用?？梢灶A料，伴隨著信息化建設的縱深推進，在“互聯網+”的大趨勢下，態勢感知作為一種主動防御的新技術，將在經濟、生態、能源、智慧城市、信息安全、交通等廣大的領域必將得到更加廣泛的應用。

4 小結

態勢感知技術是一種基于環境的、動態的、整體的洞悉安全風險的技術，特別適用于復雜、信噪比大、動態安全不確定性的系統。在態勢感知研究方面，除了廣泛的軍事應用外，目前研究熱點主要集中在網絡安全態勢感知，通過多角度地獲取網絡安全數據信息，通過分析態勢要素間的關聯關系，并將其融合形成一個網絡安全態勢指標，來進行安全態勢評估，幫助決策者更全面的理解當前環境，為管理者的決策提供理論支撐。為了更加準確地、高效地對海量的態勢感知信息進行甄別、融合、分析、預測，結合當前大數據、人工智能技術的發展，研究了各種先進的模型與分析方法，從態勢感知在不同領域中的應用可以看出，態勢感知在各領域的應用所涉及的關鍵技術和方法基本是相通的，主要包括多源信息的融合、數據挖掘、快速高效的數據融合、智能分析預測等方面，未來隨著人工智能、大數據等現代信息技術的發展，態勢感知應用技術必將得到更廣泛的應用。