分布式作戰條件下陸戰場智能信息系統設計

王 軍 張雄濤 趙興利 鐘正儀 朱曉敏

從雞鳴狗吠到汽笛轟鳴,從人喊馬嘶到隆隆炮聲,科技在社會生產發展和軍事形態變遷中扮演著至關重要的角色.進入信息時代以來,新興技術已經邁上爆炸式增長之路,軍事變革又一次走上歷史舞臺.作為繼機械化、信息化之后的又一個峰谷,智能化已成為未來戰爭的主要趨勢.面向新的戰爭起點和斗爭形態,美針對中俄日益發展的“反介入/區域拒止”能力[1],提出分布式作戰[2]概念,通過“馬賽克”[3]編成作戰力量,以分布式殺傷網替代原有的集中式殺傷鏈[4],力爭取得決策優勢[5],打亂我方作戰節奏,維持其世界霸權.目前,分布式作戰已經成為美軍主流作戰概念,對我軍未來作戰行動具有重大威脅,亟需開展針對性的研究.

現有技術條件下,一旦對方將兵力全部進行分布式部署,兵力集中的一方將無法一擊制敵,并遭到來自各個方向的打擊.此時,必須將兵力進行合理部署,以分布式對分布式,讓對方同樣無法集中火力從各個方面襲來,才能形成新型戰線,層層防御.因此,戰場局勢將進一步呈現出分布式態勢,分布式作戰條件也必將成為各域戰場所必須解決的問題.

陸地是人類的傳統居住環境,也是人類戰爭最終需要控制的目標區域.在聯合全域作戰視角下,陸戰場既是決勝之所,也是制勝之地,發揮著至關重要的作用.智能化戰爭背景下,智能信息系統是陸戰場的神經,是聯結分布式陸戰場節點和作戰體系中心的重要載體,也是作戰力量獲取智能能力的主要途徑,對于應對智能化背景下的分布式作戰具有重要意義.然而,分布式作戰條件和陸戰場自身特點使得陸戰場智能信息系統構建存在諸多難點,具體如下：

1）兵力分布廣,干擾因素多,體系支撐難.現代戰爭視野下,陸戰場范圍不斷擴大,兵力分布更加廣泛,難以為所有節點提供遠程體系支撐.加上地形、氣象、水文、天候等多維要素影響,已經和體系聯結的諸多節點隨時可能與上級斷開而成為孤立節點,實時提供體系支撐愈發困難.

2）任務多樣化,人文高復雜,智能適應難.兵種專業分化,武器裝備操作難度不斷增加,陸戰場節點面臨越來越多樣的各類任務,預先訓練的單一智能模型存在失效風險.作為人類的直接居住場所,陸戰場復雜的人文環境對智能認知模型的準確率和時效性提出了巨大挑戰,更加劇了預訓練智能模型失效的風險.

3）計算需求大,資源高受限,統籌協調難.智能信息系統的核心是不斷演化的智能能力,現有人工智能手段對算力的需求十分巨大,而陸戰場資源補給相對困難,節點機動能力較弱,資源高度受限,此時,如何兼顧陸戰場節點智能性需求和計算、電量等資源效率,統籌協調全局,極具挑戰.

為了更好地支撐分布式作戰條件下陸戰場的諸多作戰力量,解決分布式陸戰場中信息系統面臨的諸多問題,提供高效可靠智能的陸戰場信息系統支撐,本文基于“云網端”融合理念,設計了一種多層自適應的智能信息系統體系結構,通過信息流動集成分布作戰力量,形成對上聯通體系、向下獲得支撐、對敵自成體系的高效作戰體系；在此基礎上瞄準分布式陸戰場節點任務多樣,預訓練模型易失效的挑戰,結合分層自適應聯邦學習方法,進行分布式陸戰場智能模型訓練,盤活作戰訓練過程中產生的新數據,實現持續學習不斷演化的戰場學習能力；對于智能模型計算需求和分布式陸戰場節點資源受限的問題,考慮從模型的智能訓練和智能推理兩部分入手,結合聯邦學習的模型替換機制,當計算資源充足時,參與作戰模型的持續訓練,當計算資源不足時,直接利用獲得的智能模型進行推理,實現資源可容忍情況下的分布式陸戰場節點智能作戰.

1 現狀和未來趨勢

所謂分布式作戰,實質是一種兵力分散部署、火力集中使用的作戰理念,是“集中式”作戰原則在當前技術水平下的新發展形態.以美軍分布式殺傷[4]概念為例,其通過將兵力分散布置在戰場各處,以“If it floats,it fights”的方式作戰,放大其作戰效能,如圖1所示.

圖1 美軍分布式殺傷概念示意圖Fig.1 The US army distributed lethality concept

總體而言,盡管美海軍[6]、空軍[7]、國防部[8]等都從不同角度給出了分布式作戰的概念,但這些概念都圍繞避免航母等“編隊式”集中力量的出現,旨在通過大量配屬中遠程武器的分布式作戰節點,從多個方向同時發動攻擊,以使對手C4ISR 力量飽和,進而達成作戰目標的方式.這是在我軍北斗、中遠程導彈等殺手锏武器逐漸成熟的背景下,美軍已無法承擔兵力集中式作戰所產生的損失,因而通過分布式部署兵力實現力量保存.盡管兵力分散了,但其仍然強調火力和作戰目標的集中性.

近幾年來,分布式作戰已經成為美軍各軍兵種的共識,包括分布式殺傷鏈[4]、分布式作戰[2]、馬賽克戰[8]、決策中心戰[9]、多域作戰[10]、聯合全域作戰[11]等美軍新興作戰概念,都以分布式作戰作為其發揮作戰效能的主要途徑.這對我軍體系破擊和全域精確作戰造成了嚴重威脅.在這一趨勢下,可以斷言,分布式作戰將成為我軍未來作戰需要面臨的主要形式.見之于未萌,識之于未發.站在科技進步的新浪潮,立足百年未有之大變局,必須深刻研究其中的體系、方法和技術,剖析現實,面向未來,才能更好地應對未來,戰勝未來.

從美軍作戰概念發展過程來看,分布式作戰是美軍確保軍事優勢,解決現實挑戰的變革性舉措.圖2 展示了美軍與分布作戰相關的作戰概念發展時間線.在分布式作戰概念提出以前,網絡中心戰[12]一直是美軍的指導思想.該概念旨在通過信息網絡連接戰場傳感器、決策節點、打擊節點等,將彼此分離的作戰節點連接為具備快速反應殺傷鏈,轉化信息優勢為物理、社會和認知優勢.因此,網絡中心戰的核心是功能完備、彼此互聯的戰場信息網絡.隨著中俄“反介入/區域拒止”能力的迅速發展,美海軍發現其在西太平洋的作戰優勢不復明顯,航母編隊受到日益嚴重的挑戰.此時,基于兵棋推演結果,美海軍發現將航母編隊化整為零,分散部署,從各個方向發起進攻可以實現更好的作戰效果,針對海上作戰的分布式殺傷[4]概念應運而生.在此基礎上,適用于多軍兵種的分布式作戰[6]概念開始趨于成熟.此后,美國國防高級研究計劃局（Defence Advanced Research Projects Agency,DARPA）從作戰體系視角進一步擴展分布式作戰概念,通過靈活組織、動態響應、自主協調有人/無人系統等各類分布式作戰節點形成殺傷網,提出了馬賽克戰概念[8]；CSBA 基于分布式作戰概念,瞄準美軍水面艦艇部隊建設轉型需求,提出了決策中心戰概念[9],旨在基于分布式作戰概念,以類似于象棋中將軍抽車、將死困斃等形式,對對手造成決策困境,迫使對方不能戰、不敢戰而屈從于己方意志.此外,美軍在多域戰[10]、跨域機動排[13]、全球公域介入與機動聯合[14]、遠征前進基地作戰[15]、聯合全域作戰[16]等概念中均將分布式作戰作為其所考慮的一項作戰手段.需要注意的是,分布式作戰只是一種兵力分散,其火力與作戰目標仍然是集中的,這高度依賴于發達完備的戰場信息網絡.因此,沒有成熟的網絡中心戰,是難以完成高效的分布式作戰的.

圖2 美軍分布式作戰相關概念發展時間線Fig.2 Timeline for the development of the relevant concepts related to distributed operations in the US military

由于美軍歷來重視戰技術融合,其分布式作戰概念深受分布式計算等信息科學領域發展成果啟發.在分布式計算領域,聚焦于低成本大規模計算資源的提供,云計算[17]技術首先被提出并廣泛應用,該類技術旨在通過將原來集中的超算和數據中心去中心化為大量低成本服務器,與自組織網絡[18]、集群協同控制[19]、平行系統[20]等指揮控制技術具有良好的適配性.不過,云計算的分布式是一種邏輯分布、地理集中的并行計算方法.隨著移動通信、物聯網等技術的發展,來自用戶側的計算需求和實時響應需求不斷增加,學術界和產業界開始打破云計算的地理集中式架構,從私有云[21]、混合云[22]逐步變化為邊緣云[23].邊緣計算[24]開始成為新的研究熱點,隨之而來的霧計算[25]、移動邊緣計算[26]、移動云計算[27]等概念如雨后春筍一般不斷涌現.然而,邊緣計算等方法將注意力聚焦于邊緣服務器和核心網絡的計算前移,忽略了云與其他各類節點之間的協同計算能力和融合優勢.為了能夠融合用戶端、邊緣網絡、核心網絡和云中心的各類資源,融合式計算開始成為一種新一代計算范式,“云端融合”[28]“云網融合”[29-30]等概念被相繼提出,本文將云中心、核心網絡服務器、邊緣網絡服務器、智能手機等設備按照“云”“網”“端”3 部分進行劃分,基于“云網端融合”模式設計分布式陸戰場的智能信息系統架構.目前,依托“云”思路,針對作戰問題的信息系統建設仍然處于起步階段,包括美軍“JEDI”等項目仍然以云服務思路進行基礎設施建設,尚未有融合“云網端”計算資源的信息系統架構方案.

在智能性方面,信息系統是信息存在和變化的主要領域,也是智能演化的基本依托.作為智能信息系統的核心,學術界有大量智能模型訓練和推理方面工作可供借鑒.在分布式信息系統的智能模型訓練方面,Google 公司的KONECNY 等針對智能手機中大量非獨立同分布數據的模型訓練問題,提出了聯邦學習方法[31]；在聯邦學習被提出3 年后,其實現途徑和訓練效果得到了國內外學者的關注,并將其廣泛應用于金融分析[32]、輸入法聯想[33]、商品推薦等[34]諸多領域.由于傳統聯邦學習存在通信瓶頸等問題,部分工作也從分層部署[35]和通信壓縮[36]等方面開展研究.另外,瞄準完全地理分布式的gossip 學習[37]等方法也得到了部分學者的關注研究.除此之外,還有模型壓縮、分層部署等大量適用于云端和終端的智能性提升方法.然而,陸戰場的特殊性對這些方法提出了特殊要求,即規模性、穩定性和可拓展性.具體而言,規模性是由于陸戰場兵力多、分布廣、任務復雜,要求智能方法能夠適應大規模部署和訓練；穩定性是由于陸戰場環境多樣,干擾眾多,且資源高度異構,需要依托穩定的智能結構確保其智能水平；可拓展性是由于陸戰場存在人文復雜、專業化日趨分割等現實需求,對于陸戰場的智能模型必須能夠持續演化、不斷拓展以適應新的需求.值得注意的是,以聯邦學習為代表的技術體系能夠一定程度上契合上述需求,通過讓數以千萬計的不同終端節點參與訓練,具有很好的規模性；與此同時,聯邦學習對于終端節點傳輸中斷、不參與訓練等情況具有較好的容忍性,可以在僅有20%終端參與訓練[31]的情況下維持模型效果,具有很好的穩定性；而且,聯邦學習可以不斷利用來自戰場邊緣的眾多數據,不斷進行自身模型訓練,從而拓展模型性能,并可以接受新節點的加入與推出,具有較好的可擴展性.因此,本文將在“云網端”體系基礎上,通過分層自適應的聯邦學習方法,設計對應的智能方法.不同于僅關注于模型訓練方面的傳統工作,本文所提出的方法結合分布式陸戰場智能推理、智能訓練和資源約束等特點,以分層自適應的聯邦學習方法,結合資源現狀在模型訓練和推理間動態切換,可以有效滿足分布式陸戰場信息系統的資源需求.

2 跨域分層的陸戰場智能信息系統體系結構設計

針對分布式作戰條件下陸戰場兵力分布廣、干擾因素多、任務多樣化、人文高復雜、計算需求大、資源高受限等問題,本文基于分布式計算領域在融合式計算架構方面的技術趨勢和最新成果,設計了如圖3所示“云網端”融合的陸戰場智能信息系統體系結構.

圖3 “云網端”融合的陸戰場智能信息系統體系結構Fig.3 Intelligent information system architecture of the land battlefield with"cloud-network-end"fusion

該體系主要由“云”“網”“端”3 級構成,其中,“網”又由邊緣網絡和核心網絡2 部分構成,為了便于理解和區分邊緣網絡與核心網絡,在圖3 中將其分為兩層表述.在所設計體系中,“云”層以作戰“云腦”的形式存在,為信息資源的虛擬化描述,根據作戰需求實現按需伸縮動態供給,其所提供的作戰服務主要包括指揮控制加速、能力賦予和智能演化3部分,分別對應由“云腦”演化而來的“指揮控制云”“能力云”和“智能云”3 朵云.“核心網”部分由戰略、戰役級指揮中心和信息基礎設施等構成,包含雷達、衛星、不同部門等網絡核心部分,由于“核心網”包含了作戰相關的各類部門,因此,其對于協調各類戰爭資源和軍地多部門具有重要意義,可以有效應對混合戰爭等分布式作戰條件下的復雜場景.“邊緣網”由戰術級指揮部、通信車、無人機、基站、邊緣服務器等網絡邊緣的信息和計算資源構成,旨在為下屬部隊和作戰節點提供快速動態的資源支持和敏捷指揮控制.“端”層則由直接負責作戰任務的單兵、單車、單機、班組、有人/無人編隊等構成,是作戰體系的末梢觸覺和作戰意志的直接實施力量,當后方支撐無法獲得時,“端”層作戰力量可以自成體系,協同按照全局態勢進行任務執行和作戰協同.對于體系全局,當上層體系無法獲得支撐時,本層力量將作為臨時體系的上層節點對下提供支撐,形成穩定高效魯棒的動態層級結構.在此結構下,不同層級物理上相互分層,任務上分工,邏輯上相互融合,形成“云”即是“端”,“端”即是“云”的體系支撐.

從智能演化過程來看,所設計體系結構中智能能力提升和作用發揮過程如圖3 右側所示.在開始作戰行動以前,作戰“云腦”依據作戰條例形成作戰流程,智能云提供依據歷次作戰和訓練過程中積累數據預訓練所得到的智能模型,智能模型和作戰流程結合后,形成作戰行動所需要的智能能力.智能能力部署在“邊緣網”和“端”層的作戰節點中,提供智能作戰服務.隨著作戰的不斷進行,分布式作戰節點開始積累大量戰場數據,并利用自身計算資源進行智能模型的本地訓練,訓練后的智能模型根據體系狀況進行多級融合,最后同步到“智能云”中.當作戰節點計算資源不足時,不再參與智能模型訓練,而是直接接受來自其他節點/上層節點的智能能力模型,并直接進行模型推理,從而實現整體高效、動態靈活、持續演化的分布式智能作戰.

從結構屬性來看,智能性是智能信息系統的核心,是智能信息系統自我演化、適應未來的源動力.從技術實現途徑來看,計算、數據和模型是實現人工智能的3 個不動點,也是智能信息系統運轉的3 個關鍵.其中,數據是信息系統智能的來源,模型是信息系統智能的結果,而計算則是由數據向智能轉變的基本途徑.在計算、數據和模型三者中,智能模型處于中心地位,是智能性的結晶和智能決策的主要依據.在實際使用和演化過程中,智能模型又由智能訓練和智能推理兩部分組成.其中,智能訓練是由數據到模型的動態過程,是智能模型基于自身判斷結果和真實世界反饋之間的矛盾而自我演化的運動狀態；智能推理是基于智能模型的結論展示,是其訓練結果的展示應用,是一個靜態過程.為了能夠適應所設計的“云網端”融合的陸戰場智能信息系統體系結構,可以通過3 方面在有限資源下進行其智能性的提升,即：訓練任務自適應分配、戰場數據有限共享和智能模型協同訓練.因此,建立陸戰場智能信息系統模型,對各類資源進行形式化描述,根據資源現狀實現作戰節點智能模型訓練與推理之間的動態切換,并依托聯邦學習方法,在本地數據有限共享的情況下,合理運用原始數據,保留智能的結果性模型,為所設計的體系結構提供智能性演化技術支撐.

3 陸戰場智能信息系統模型構建

智能性是分布式陸戰場智能信息系統的核心,也是所設計體系結構的關鍵,為了更好地提升所設計信息系統的智能演化能力和服務提供效果,本文考慮根據分布式陸戰場節點信息資源狀況,面向大規模地理分布節點智能訓練和推理需求,設計與之相適應的方法.具體而言,當各個節點都資源充足時,系統可以利用作戰數據動態更新模型,以達到最新作戰要求；當資源不夠時,各個作戰節點的模型僅進行推理任務,滿足智能需求.基于上述討論,現從智能系統信息資源模型和聯邦學習模型兩方面數學模型入手進行本文所提方法介紹.

3.1 智能系統信息資源模型

信息資源模型主要對“云”“網”“端”的信息資源進行描述,旨在有效管理“云網端”融合系統中的信息資源.關于信息資源模型,產業界和學術界普遍采用資源虛擬化的方式進行.近年來,虛擬化技術不斷成熟,現已發展成云計算最關鍵的技術,在云計算的眾多研究中,通過對虛擬資源的合理調度來降低數據中心的能耗一直是一個研究熱點[38].在資源虛擬化的基礎上,本文將“云網端”融合的信息資源劃分為計算、存儲、網絡3 個資源池,這3 個資源池中的資源狀況通過資源監控器進行監控,并按照資源調度器的命令分配給智能演化、功能集合和組織協同模塊進行多個智能節點間的協同、演化和功能賦予.

考慮到應用所需資源的波動性,系統中必須預留一定的資源,因此,系統實際可分配信息資源,系統信息資源總量和系統各個計算節點的信息資源有如下關系：

針對情況2）,在消耗終端節點資源的同時,網絡聚合階段還會消耗網絡節點的資源,所占資源為：

針對情況3）,除了消耗上述資源外,云端聚合還會增加云端的資源開銷,此時系統占用資源為：

3.2 聯邦學習模型

聯邦學習可分為傳統的聯邦學習和多層架構下的分層聯邦學習,本文提出的面向“云網端”融合的聯邦學習模型也是分層聯邦學習的一種.

3.2.1 傳統聯邦學習

傳統的聯邦學習通常是兩層的,一層為中央服務器,一層為數量為N 的客戶端.在聯邦學習中,每個客戶端在傳輸模型參數到服務器進行聚合前,都要經過若干次訓練,此過程反復迭代多次,直到模型達到一個較好的準確率或資源耗盡.

經過T 次訓練后,各個客戶端將本地模型參數上傳到中央服務器進行聚合.本文采用MCMAHAN等提出的FAVG 算法[39]對模型參數進行聚合,具體公式如下：

其中,e=1,2,…,E,E 為全局聯邦聚合的次數.

3.2.2 “云網端”融合聯邦學習模型

在“云網端”融合聯邦學習背景下,本文構建了“云指揮控制中心-網絡作戰部節點-終端作戰節點”的分層聯邦學習模型,以實現在分布式作戰條件下多個作戰節點之間協同訓練模型.該模型中,聯邦聚合可以分成云指揮控制中心的聯邦聚合和網絡作戰部節點的聯邦聚合.即將模型部署在終端作戰節點上,在作戰節點本地訓練迭代T1次后,將訓練結果傳輸到對應的網絡節點聚合,網絡節點迭代T2次后,傳輸到云端聚合,最終得到一個融合了所有終端節點數據特征的整合模型,實現了多個作戰節點的協同訓練.該模型的訓練階段可以分為終端訓練、網絡節點聚合和云端聚合3 個階段,終端訓練的表達與傳統聯邦學習模型沒有區別,此處不再贅述.

4 分布式陸戰場智能信息系統算法

基于上述模型,本文提出了一個能夠根據“云網端”融合系統各節點資源占用情況自適應選擇模型訓練或模型推理的智能算法,當節點資源充足時,利用面向“云網端”融合的分層聯邦學習框架對模型進行更新；當節點資源占用較大時,則進行簡單的推理工作.其中,自適應訓練智能算法如算法1 所示,面向“云網端”融合的分層聯邦學習算法如算法2 所示.

在算法1 中,在各個終端作戰節點將根據自身數據規模和模型規模預判本地訓練需要的網絡資源、計算資源以及通信資源,將其與本地未占用的資源作比較,若資源充足則進行本地訓練；訓練到一定階段后,各個終端對應的網絡作戰部將根據評估進行網絡聚合所需資源,若,則進行網絡節點聚合,否則訓練終止,等待資源分配滿足訓練條件時再進一步訓練,云端聚合同理.當時,就能實現分布式作戰條件下陸戰場智能信息模型隨戰爭實踐而持續迭代演化.

算法2 主要描述了模型的訓練架構,本文采用分層聯邦學習的方法,通過僅上傳模型參數、對各個節點的模型參數進行聚合的方式,在減小“云網端”數據傳輸壓力的同時,也極大地整合了各個終端作戰節點的數據特征,保證了系統模型的高度泛化能力.在該架構下,各個終端節點在本地迭代T1次后,將本地訓練的模型參數傳輸到各自對應的網絡進行聚合,如此迭代T2次后,各網絡作戰部再將聚合后的模型參數傳輸到云端進行聚合,最后回傳至各個終端節點,完成一次訓練.

5 實驗設置與結果分析

本章將基于分布式作戰條件下的陸戰場場景,部署形成分布式智能計算系統,分別在卷積神經網絡（convolutional neural network,CNN）、多層感知機（multi-layer perceptron,MLP）、循環神經網絡（recurrent neural network,RNN）的神經網絡模型上,驗證算法1 和算法2 提出的“云網端”融合智能計算框架的有效性,對比計算框架有：預訓練框架、傳統聯邦學習方法以及不采取聯邦技術的本地學習框架.同時,本文將采用在深度學習中常見的圖像分類任務進行實驗驗證,考慮到在圖像分類任務中,mnist 是常見的驗證數據集,因此,本文利用mnist 數據集分類的準確性來衡量該算法的有效性.

5.1 實驗參數設置

在分布式節點設置上,本文利用PyTorch,構建了一個由50 個終端節點、5 個網絡節點和1 個云端組成的“云網端”融合框架,其中,每個網絡節點下對應有10 個終端節點.每個網絡節點相當于1 個特定方向的戰區,終端節點對應戰區下的各個作戰節點.同時,本文中各個分布式智能計算模型的設置如下：

1）CNN 采用常用的LeNet 模型,該模型由3 個的卷積層和兩個全連接層構成,每個卷積層后面接一個的最大池化層和一個Relu 激活函數,最后的全連接層輸出為10 維.

2）MLP 模型由一個含784 個神經元的輸入層、1 個含512 個神經元的隱藏層和10 個神經元的輸出層構成,其中,輸入層和隱藏層后接Relu 激活函數,輸出層后接softmax 函數.

3）在RNN 模型中,有一個擁有100 個神經元的長短時效記憶層（long short-term memory,LSTM）和一個擁有10 個神經元的全連接層.

以上3 種模型均以交叉熵作為損失函數,采用隨機梯度下降（stochastic gradient descent,SGD）的方法對模型進行優化,在不同的計算框架下采用的學習率不盡相同,其中,預訓練框架、傳統聯邦學習框架和本地訓練框架下的學習率為0.05,本文提出的云網協同計算框架的學習率為0.01.

在數據集的處理上,由于mnist 手寫數字辨識數據集有60 000 個訓練樣本和10 000 個測試樣本,本文將其中10 000 個樣本用于預訓練模型,剩下的50 000 個樣本分別采用非獨立非同分布（non-iid）和獨立同分布（iid）兩種方式平均分配到各個終端作戰節點用于訓練.

5.2 卷積神經網絡模型效果對比

將卷積神經網絡模型預訓練完畢后,分別應用到本地學習、傳統聯邦學習和“云網端”融合學習3種框架下進行驗證,可以得到圖4 和圖5 所示的結果.在各個終端節點數據獨立同分布的情況下,由于LeNet 模型本身在圖像識別領域具有較好的效果,因此,用10 000 個樣本訓練（即預訓練）得到的模型和后續進行本地學習得到的模型準確率幾乎相同,二者僅略低于使用傳統聯邦學習和“云網端”融合學習得到模型的測試準確率；在終端節點數據非獨立同分布的情況下,可以看到,雖然傳統聯邦學習和“云網端”融合學習使模型最終達到的效果一樣,但是明顯在“云網端”學習框架下,模型收斂得更快.這是由于在該框架下,云端聚合是在各個網絡節點聚合迭代了多次的基礎上進行的,這意味著每一次進行云端聚合收到的網絡節點數據,都充分整合了各自終端節點的數據特征,因此,聚合的效率更高,使得模型收斂所需的迭代次數更少.

圖4 iid 情形下CNN 模型效果對比Fig.4 Comparision of effects of CNN model in iid distribution condition

圖5 non-iid 情形下CNN 模型效果對比Fig.5 Comparision of effects of CNN model in non-iid condition

因此,在真實的分布式陸戰場作戰場景下,尤其是當終端節點數據非獨立同分布時,“云網端”融合學習框架能夠使整個智能信息系統得到更快地更新.

5.3 多層感知機模型效果對比

多層感知機作為一種常見的神經網絡訓練模型,在不同的計算框架下的效果如圖6 和圖7 所示.

圖6 iid 情形下MLP 模型效果對比Fig.6 Comparision of effects of MLP model in iid distribution condition

圖7 non-iid 情形下MLP 模型效果對比Fig.7 Comparision of effects of MLP model in non-iid distribution condition

從圖6 可以看出,當數據分布為iid 時,基于預訓練模型,各個終端利用作戰節點新產生的數據更新模型,使得模型很快達到了收斂,且傳統聯邦學習和“云網端”融合學習二者達到的效果幾乎一致,但是,傳統聯邦學習由于是直接的云端與終端的互聯,由于云端與終端空間距離的限制,在通信資源的消耗上,傳統聯邦學習明顯多于“云網端”融合學習.此外,“云網端”融合學習由于充分利用了各個終端節點的數據進行訓練,效果明顯優于本地學習.

從圖7 可以看出,當數據分布為non-iid 時,與CNN 相似,傳統聯邦學習情形下的收斂速度明顯低于云網端融合學習.此外,值得注意的是,此時若僅僅進行本地學習,數據的傾斜性會導致模型表現越來越差.此時若通過仔細對比可以發現,無論是在iid情形還是在non-iid 情形下,經過本地學習后,模型的表現都會有一定下降,不過在non-iid 情況下尤為明顯,這是因為在分布式環境下,每個終端節點的數據量有限,例如在本實驗中,每個終端節點的數據量為1 000,有限數據訓練的模型顯然不具有較強的泛化能力.

5.4 循環神經網絡模型效果對比

在循環神經網絡下,圖8 和圖9 總體規律仍然與CNN 和MLP 情形下相似.即無論數據的分布情況,“云-端”互聯的傳統聯邦學習與“云網端”融合學習框架的最終模型收斂效果幾乎相同,都能使得模型達到較高的準確率,且該準確率優于本地學習得到的結果,在預訓練的基礎上有明顯提升；但是當數據分布為non-iid 時,“云網端”融合學習結果明顯優于傳統聯邦學習和本地學習,此時,傳統聯邦學習收斂速度減慢,本地學習甚至出現了模型表現逐漸下降的趨勢.

圖9 non-iid 情形下RNN 模型效果對比Fig.9 Comparision of effects of RNN model in non-iid distribution condition

此外,通過橫向對比可以發現,在傳統聯邦學習框架和“云網端”融合學習框架下,雖然CNN、MLP以及RNN 模型最終都能得到非常高的模型準確率,但在non-iid 情形下,傳統聯邦學習和“云網端”融合學習模型收斂速度的差異程度卻不盡相同.從圖中可以看到,數據分布為non-iid 時,MLP 模型的收斂差異程度最大,“云網端”融合學習框架在5 個epoch后即達到收斂,但是傳統聯邦學習需要15 個epoch,CNN 模型的收斂差異程度次之,RNN 最小.因此,可以見得,模型的復雜度也會對傳統聯邦學習和“云網端”融合學習框架的收斂速度差異程度產生影響.

綜合以上分析可以發現,“云網端”融合框架無論模型是CNN、MLP 還是RNN,數據分布是iid 還是non-iid,都可以取得較高的準確率,且在non-iid 情形下,該框架的優勢更加明顯.

6 結論

隨著“矛”和“盾”的迅速發展,作戰手段更趨多元,戰爭線性被打碎,戰場局勢開始混沌,戰爭雙方呈現出你中有我、我中有你的新態勢.然而,戰爭意志的集中統一性沒有變,戰爭作為國家利益和政治目的的延續這一事實沒有變,戰爭的無限暴力屬性沒有變.此時,為了在新興技術創造的混沌狀態中形成新秩序,必須尋求一種分布式的戰爭手段.而分布式作戰可以有效重構力量運用,以模塊化結構達成作戰目的,形成有效的作戰效能閉環.因此,作為未來戰爭體系的基本內容,分布式作戰環境將是信息化3.0 時代的主要條件.作為多域戰場的重要組成部分,陸戰場在未來戰爭中同樣發揮著舉足輕重的作用,而智能信息系統則是陸戰場力量適應未來,戰勝未來,把握未來的重要途徑.

為了有效適應分布式作戰條件和陸戰場制約,本文基于“云網端”融合理念設計了一種“云網端”融合的陸戰場智能信息系統體系結構,該結構可以有效調度“云”“核心網”“邊緣網”“端”各層級計算資源,為分布式陸戰場節點提供動態高效,持久演化的智能服務支撐.在此基礎上,針對所設計智能信息系統的智能模型訓練和模型推理需求,結合資源緊張程度,本文還設計了一種面向云網端融合的分層聯邦學習算法,該算法可以依據節點和網絡資源狀況自適應地在聯邦訓練和本地推理之間轉換,從而有效保障智能模型推理和智能性能提升的需求.經過與預加載智能模型的裝備交付式、本地集中訓練的局部智能式和傳統聯邦學習的全局訓練式方法對比,本文所提出的方法在CNN、RNN、MLP 等3 類常用神經網絡,iid、non-iid 兩類數據分布情況下,均表現出了更好的性能,更能適應分布式作戰條件下陸戰場智能性需求.