基于大數據技術的聯合作戰態勢感知體系

摘? 要：聯合作戰條件下，戰場態勢信息多源異構，數據量大，更新頻率高，傳統的戰場態勢感知體系難以保證戰場態勢數據處理的準確性和實時性。文章基于大數據技術，結合JDL戰場數據融合模型、戰場態勢感知PFPV模型、“OODA環”框架下戰場態勢感知模型，構建了數據驅動的戰場態勢感知模型。基于分布式計算技術和分布式存儲技術，能夠實現戰場態勢數據的高速計算、存儲、檢索。同時，將多種機器學習算法與JDL戰場數據融合模型結合，構建了智能數據融合體系。提出了面向任務的戰場態勢圖生成模式，可以在保證態勢理解一致性的基礎上滿足需求的多樣性。

關鍵詞：大數據；分布式；戰場態勢感知；戰場態勢圖

中圖分類號：TP39；E11? ? 文獻標識碼：A? 文章編號：2096-4706（2023）02-0116-04

Situation Awareness System of Joint Operations Based on Big Data Technology

ZHANG Xudong

（The People's Armed Police Command College China， Tianjin? 300250， China）

Abstract： Under the condition of joint operations， the battlefield situation information is multi-source and heterogeneous， and the data volume is large and the update frequency is high. It is difficult for the traditional battlefield situational awareness system to ensure the accuracy and real-time performance of battlefield situation data processing. Based on big data technology， combined with the JDL battlefield data fusion model， the battlefield situational awareness PFPV model， and the battlefield situational awareness model under the “OODA loop” framework， a data-driven battlefield situational awareness model is constructed. Based on distributed computing technology and distributed storage technology， it can achieve high-speed computing， storage and retrieval of battlefield situation data. In addition， a variety of machine learning algorithms are combined with the JDL battlefield data fusion model to construct an intelligent data fusion system. A task-oriented battlefield situation map generation mode is proposed， which can meet the diversity of needs on the basis of ensuring the consistency of situational understanding.

Keywords： big data; distribution; battlefield situational awareness; battlefield situation map

0? 引? 言

當前，人工智能為代表的新一代信息技術在軍事領域獲得了廣泛應用，催生了無人作戰、智能作戰、算法戰等多種作戰樣式。聯合作戰的作戰節奏不斷加快，作戰樣式不斷變化，作戰理念不斷革新，指揮方式不斷發展，作戰維度拓展到包括陸上、海上、空中、太空、電磁、網絡、認知域、社會域在內的多個維度。隨著作戰維度的全域化，戰場態勢信息呈現出信息種類豐富、信息結構復雜、信息規模龐大的特點，具有明顯的大數據特征。如何運用大數據技術解決多源異構信息處理、事件關聯推理、態勢智能生成、局勢推演預測等戰場態勢感知難題，輔助指揮員實時全面準確掌握戰場態勢，從而奪取信息優勢成為各國軍隊關注的重點。

1? 發展綜述

1.1? 戰場態勢要素

戰場態勢是對戰場空間中敵我雙方兵力分布、軍事資源分布、戰場環境的當前狀態及發展趨勢的總體描述。戰場態勢要素大致可以分為兵力部署與作戰能力、重要動態目標、戰場環境、社會環境4類，如圖1所示。

1.2? 戰場態勢感知模型及分類

1987年，Endsley提出了基于航空任務的態勢感知信息處理模型，該模型分為態勢元素察覺（perception）、態勢理解（Comprehension）、未來態勢預測（Prediction）三個層次[1]。態勢元素察覺是態勢感知的最底層，指獲取當前環境態勢元素狀態、屬性和特點。態勢理解是指對獲取到的態勢信息進行特征提取、數據融合、數據分析和解釋。態勢預測則是基于對當前態勢的分析理解對未來態勢進行預測。如圖2所示。

以Endsley三級態勢感知模型為基礎，文獻[2]提出了戰場態勢感知PFPV模型。該模型將戰場態勢感知分為四個層次：感知（Perception）、融合（Fusion）、展現（Visualization）和預測（Projection），如圖3所示。

文獻[3]結合“OODA環”，提出了聯合作戰背景下戰役級態勢感知的概念模型，如圖4所示。

按照作戰行動的規模和作戰指揮的層次，可將戰場態勢感知分為戰略級戰場態勢感知、戰役級戰場態勢感知、戰術級戰場態勢感知。按照作戰空間維度，可以分為陸上戰場態勢感知、海上戰場態勢感知、空中戰場態勢感知、太空戰場態勢感知、電磁戰場態勢感知、網絡戰場態勢感知和認知域戰場態勢感知。從時間維度進行區分，則可分為過去態勢分析、當前態勢認知、未來態勢預測。

1.3? 戰場態勢圖演進與發展

為適應信息化條件下聯合作戰的需求，美軍在20世紀90年代提出了網絡中心戰（Network-Centric Warfare， NCW）概念，成為美軍信息化轉型的指導思想。與此同時，美軍發展了與之相適應的態勢圖族概念——互操作作戰圖族（Family of Interoperable Operational Pictures， FIOP）。NCW將廣域分布的傳感器、指揮員、作戰部隊通過高速數據鏈和以全球信息柵格（Global Information Grid， GIG）為代表的基礎通信網絡聯結為一個有機整體，實現戰場態勢和作戰資源的網絡化共享，加快指揮速度和作戰節奏，提高部隊殺傷力和生存能力。

1997年，美軍提出了通用作戰圖（Common Operational Picture， COP）概念，通過在電子地圖上實時顯示不同作戰單元的位置信息和運動狀態，有效解決了為多個作戰單元提供相同戰場態勢圖的問題。通用作戰圖保證了不同作戰單元對戰場態勢的一致理解，真正具備了輔助決策的技術能力[4]。然而，不同層次的作戰人員關心的戰場態勢要素及其信息精度不同，對信息的時效性需求也不同，比如武器裝備的火控系統對信息的時效性要求相對較高。其次，同一層次的作戰人員由于職能任務不同，關心的戰場態勢要素也不同。針對這一問題，美軍提出了用戶定義作戰圖（User Defined Operational Picture， UDOP），使不同層次不同職能的作戰人員能夠根據自身需求主動提取戰場態勢要素，生成“個性化”戰場態勢圖。相較于通用作戰圖，用戶定義作戰圖的根本目的是既保證不同層次作戰人員對戰場態勢的一致理解，又支持戰場態勢信息的“靈巧提取（smart pull）”。針對不同指揮層次，FIOP逐漸發展出3種類型的戰場態勢圖，如圖5所示。

1.4? 戰場態勢感知的復雜性

高超音速武器、隱身飛機、電子干擾/欺騙設備、無人機蜂群、定向能武器的實戰裝備，給聯合作戰態勢感知帶來了巨大挑戰。主要體現在三個方面。第一，高超音速武器實戰應用對戰場態勢感知速度提出更高要求。俄軍在俄烏沖突中首次使用“匕首”高超音速導彈對烏軍進行打擊，代表著高超音速武器正式投入實戰運用，其極限速度能達到10馬赫，從發射到命中目標時間極短。第二，聯合作戰條件下作戰力量多元耦合，戰術手段靈活多樣，態勢感知復雜性增強。無人機蜂群為代表的智能無人武器的實戰運用，使作戰部隊的力量編成更加復雜，作戰樣式更為靈活。為保持體系對抗優勢，美軍提出了“馬賽克戰”概念，通過靈活組合不同功能的模塊化作戰要素，增強美軍作戰體系構建的靈活性、適應性和生存能力。同時，這種高度靈活的作戰體系構建方式也極大增加了戰場態勢的不確定性[5]。第三，電子干擾/對抗降低了戰場態勢感知的準確性和可靠性。通過電子干擾/對抗手段，可以在敵方雷達上顯示大量虛假目標，使敵方難以判斷目標的真假，使得傳統的戰場態勢感知手段難以準確判斷敵方的兵力編成和作戰意圖。

2? 基于大數據技術的聯合作戰態勢感知

聯合作戰條件下，戰場態勢信息的高效融合處理、深層挖掘分析、快速存儲檢索是戰場態勢感知的關鍵。基于大數據技術，結合JDL戰場數據融合模型、戰場態勢感知PFPV模型、“OODA環”框架下戰場態勢感知模型，構建數據驅動的戰場態勢感知模型，如圖6所示。利用分布式存儲技術和分布式計算技術提高戰場態勢數據的處理速度，同時在數據融合的不同層級采用多種機器學習/深度學習算法對戰場態勢數據進行同步處理，提高數據處理的可靠性和準確性，同時挖掘戰場大數據的深層信息。

2.1? 戰場態勢數據預處理

聯合作戰條件下，廣域分布的多傳感器、多平臺獲取的原始戰場信息往往含有大量冗余信息和干擾信息，在數據層面表現為存在大量異常值、缺失值、冗余值，且往往存在單傳感器多目標和多傳感器單目標的情況。因此，需要對原始的戰場態勢數據進行預處理。如果判斷缺失值對輸出結果影響不大，可以用中位數、眾數、平均數等直接替代，優點是簡單，缺點是相當于人為引入噪聲。除此之外，還可以用回歸預測、K-最鄰近法、極大似然估計對缺失值進行預測，用預測值代替真實值。對于異常值的處理，首先需要有效檢測出異常值，一般可以通過3σ探測法、基于距離的聚類或者建立統計模型來對數據中的離群點進行檢測。異常值既可能是偶然因素或干擾引起，也可能是敵方突然的軍事行動引起，所以對異常值不能簡單刪除，而應該進一步分析判斷。通過主成分分析等模型對原始戰場態勢數據進行數據降維，相當于濾除了大量無用特征，可以大大減少戰場態勢感知系統的數據運算量。為零級融合中的像素融合、特征提取、點跡提取等奠定基礎。

2.2? 戰場態勢數據分析與挖掘

如圖6中融合層所示，通過將分布式計算技術和分布式存儲技術與傳統的數據融合模型相結合，可以構造分布式信息融合模型。

目標識別與分類是戰場態勢感知的重要基礎。在融合層的第二級，基于零級融合后提取的特征，通過分類模型或聚類模型對目標的身份/屬性進行識別。基于聚類模型還可按敵我屬性相同、類型相近、運動狀態相近、執行相同作戰任務等對目標進行分群，以精簡戰場態勢信息，降低指揮員的信息篩選量[6]。

態勢估計是基于一級融合獲得的戰場目標信息和其他相關信息進行戰場態勢及其對敵我雙方有利程度估計的過程。針對戰場上出現的大量不完整、不精確的信息，需要采取有效的表示方法進行態勢表征，并融合運用多種不確定推理模型進行態勢推理，以增進指揮員對于態勢的理解和預測[7]。

威脅估計是在目標識別和態勢估計的基礎上，基于敵我雙方兵力部署、進攻/防御能力、作戰企圖等態勢信息分析敵方作戰行動對我方的威脅程度。目前，美軍已經大量運用基于深度學習的智能博弈技術對作戰方案進行評估。智能博弈技術通過模擬仿真對戰場態勢行推演，形成敵方趨勢預判、我方行動構想以及戰場環境趨勢預報與分析等態勢預測產品[8]。

通過對態勢信息構建知識圖譜是分析敵方作戰體系特點，挖掘態勢信息深層聯系的關鍵技術。例如，美軍在“海神之矛”行動中，充分運用大數據技術，從海量數據中挖掘事件之間的內在關聯，形成關鍵線索，成功鎖定了本·拉登的住所。同時，構建戰場態勢知識圖譜對于提高戰場態勢感知系統的整體感知能力和生成重點突出、關聯清晰的戰場態勢圖具有重要作用。

2.3? 戰場態勢數據存儲與計算

聯合作戰條件下多源異構戰場大數據的高效存儲和檢索是困擾戰場態勢數據處理的難點問題。在本文設計的數據驅動的戰場態勢感知模型中，采用分布式計算資源和分布式存儲資源為戰場態勢數據處理提供數據融合、數據挖掘、數據計算、數據存儲和數據檢索服務。其優點主要體現在四個方面。第一，分布式計算/存儲可以有效提高半結構化、非結構化數據的計算/檢索速度，多個任務可以并行處理，能有效提高戰場態勢感知的實時性；第二，分布式計算/存儲使得多個模型可以同步訓練，能大大提高算法模型的訓練速度；第三，作戰人員可以根據權限同步實時訪問戰場態勢數據庫，在高并發訪問時可以有效避免訪問擁堵；第四，不同層次作戰人員可以根據任務需求靈活篩選戰場態勢數據，生成自定義戰場態勢圖。

2.4? 戰場態勢預測與效能評估

戰場態勢感知體系的持續優化需要構建戰場態勢感知評估系統，圖6中融合層的效果估計模塊負責對系統整體的作戰效能進行評估。第一，通過目標識別準確率、預警有效性/虛警率、態勢預測準確度等指標體系對算法模型進行評估；第二，通過毀傷效果、任務完成度等指標對敵我雙方人員/裝備的作戰效能進行量化評估，并存入數據庫，不斷迭代更新數據庫中相關信息，威脅估計模塊可以基于敵方任務部隊的歷史作戰數據提高量化估計的準確性。

如圖6所示，預測層與展現層協同運作，實時將敵方行動估計、趨勢預測等態勢預測信息顯示在不同層級的戰場態勢圖中，為指揮員分析判斷情況和定下作戰決心提供可視化的態勢信息保障。

2.5? 戰場態勢圖生成與分發

聯合作戰各級指揮員、指揮機構和各軍兵種部隊，對戰場態勢數據需求存在較大差異。因此，面向任務的戰場態勢圖生成與分發成為滿足需求多樣性的必然選擇，其邏輯架構如圖7所示。既可以根據任務特點將相關數據提前組織好，并根據任務進程動態更新作戰視圖，也可以由用戶從數據庫自主篩選態勢要素，生成自定義戰場態勢圖。分布式的數據存儲與計算架構使得執行同一作戰任務的不同分隊可以獨立生成戰場態勢圖，之后通過視圖疊加形成面向任務的綜合態勢圖，基于綜合態勢圖，不同分隊可以高效共享戰場信息并進行協同標繪，從而提高協同作戰效率。

3? 結? 論

基于大數據技術的戰場態勢感知體系是適應未來戰爭需要，打贏具有智能化特征的信息化戰爭的必然要求。文章分析了傳統的戰場態勢感知模型和戰場態勢圖演進，并指出隨著高超音速武器、隱身飛機、無人機蜂群等新一代武器的實戰裝備，傳統技術已經難以滿足聯合作戰戰場態勢感知對態勢數據處理的要求。針對這一問題，文章首先結合分布式計算技術、分布式存儲技術和多種機器學習算法，提出了數據驅動的戰場態勢感知模型，能夠實現戰場態勢數據的高速計算、存儲和檢索，提高戰場態勢感知體系的智能化水平。其次，為更好滿足聯合作戰各級指揮員、指揮機構和各軍兵種部隊對戰場態勢圖的需求多樣性，提出了面向任務的戰場態勢圖生成架構。面向任務的戰場態勢圖生成架構使任務部隊能夠根據任務特點和個性化需求自主對戰場態勢數據進行篩選，生成自定義戰場態勢圖。同時，不同任務分隊可以通過協同標繪和視圖疊加實時高效共享戰場態勢信息，在保證戰場態勢理解一致性的基礎上能有效提高戰場態勢圖生成的靈活性。

圖7? 面向任務的戰場態勢圖生成

參考文獻：

[1] 劉熹，趙文棟，徐正芹.戰場態勢感知與信息融合 [M].北京：清華大學出版社，2019.

[2] 李昌璽，于軍，徐穎，等.聯合作戰條件下戰場態勢感知體系構建問題研究 [J].中國電子科學研究院學報，2018，13（6）：680-684.

[3] 朱豐，胡曉峰，吳琳，等.從態勢認知走向態勢智能認知 [J].系統仿真學報，2018，30（3）：761-771.

[4] HENGST M D，MCQUAID M，ZHU J. Impact of Time-based Visualization on Situation Awareness [C]//37th Annual Hawaii International Conference on System Sciences.Big Island：IEEE，2004：1-10.

[5] 戴靜泉，李婷婷，杜蒙杉，等.聯合作戰態勢認知技術研究現狀與發展建議 [J].指揮信息系統與技術，2021，12（3）：1-6.

[6] 汪躍，唐志軍，車德朝，等.戰場態勢一張圖技術綜述 [J].指揮信息系統與技術，2020，11（1）：12-17.

[7] 段玉先，劉昌云，魏文鳳.戰場態勢感知關鍵技術研究 [J].火力與指揮控制，2021，46（11）：1-11+19.

[8] 李婷婷，刁聯旺.智能化態勢認知技術與發展建議 [J].指揮信息系統與技術，2020，11（2）：55-58.

作者簡介：張旭東（1994—），男，漢族，山西長治人，助教，碩士研究生，研究方向：指揮信息化與無人化作戰。

收稿日期：2022-08-28