网络空间信息防御作战指挥效能评估研究

王劲松，王小超，李世楷

(战略支援部队信息工程大学，河南 郑州 450001)

0 引言

随着网络技术的不断发展，未来网络空间对抗样式变幻多端、作战手段层出不穷，形势不容乐观[1]。网络空间信息防御作战成为网络空间作战的重要措施，研究其作战指挥问题，通过定量定性综合分析方法深入研究网络空间信息防御作战指挥效能生成过程、科学合理选择评估指标、动态实时获取评估数据，对丰富网络空间作战理论体系、加强网络空间信息防御作战力量建设、提升网络空间信息防御作战指挥效能等方面具有重要的理论意义和实践意义。

1 网络空间信息防御作战指挥效能评估需求分析

1.1 完善网络空间作战指挥理论体系的必由之路

随着信息技术的迅猛发展及其在军事领域的广泛应用，网络空间已成为敌我势力较量的新战场，信息防御作战已成为有效应对网络威胁重夺制网权的重要途径。从作战指挥理论发展来看，作战指挥效能一直是作战指挥基础理论关注的重要问题，可以说一切关于网络空间作战指挥问题的研究，其出发点和最终目标都是为了提高作战指挥效能[2]。指挥效能理论是网络空间作战指挥理论体系中不可或缺的一部分。结合网络空间作战的特点和信息防御的特性可以看出，现有指挥理论也无法完全适应网络空间信息防御指挥。所以，以更微观的角度，充分利用定性与定量相结合的方法，分析网络作战大数据，研究网络空间信息防御作战指挥效能，以提高信息防御作战指挥能力，是完善网络空间作战指挥理论体系的必由之路。

1.2 提高网络空间信息防御作战能力的重要途径

信息防御作战作为网络空间安全体系的基础支撑，是网络空间作战的关键要素,通过梳理发现，我军对网络空间信息防御作战体系研究比较多，对战法、体系、能力的研究较多，而对指挥效能的研究很少，随着网络时代的到来，大数据技术的发展，在网络空间进行的一切活动都变得透明可挖掘，可分析利用。利用大数据技术，通过精确分析，全面科学合理、定量与定性结合的分析指挥官作战指挥效能，使结论更加有理有据，更加精准，从而客观正确的评价作战指挥官的指挥活动，检验指挥效能的发挥程度，总结经验教训，以便提高指挥官的决策质量和指挥能力，完善和优化指挥活动的运作机制，对提升信息防御作战能力具有重要意义。

1.3 指导网络空间信息防御作战指挥实践的迫切需求

目前网络空间面临多种多样的威胁，网络空间信息防御作战全程性、全面性突出，防御目标复杂多样、作战对手不确定、作战形式多样等，使得网络空间信息防御作战指挥更是被动、瞬时、高效。不研究这些新问题、新特点，信息防御应用理论无法指导作战实践，也无法满足网络空间作战对指挥官指挥能力的迫切需求。研究网络空间信息防御作战指挥效能问题，不仅可以发现现阶段我军网络空间信息防御作战指挥效能与未来网络空间防御作战需求的差距，获得对网络空间信息防御作战指挥活动的科学认识，从而熟悉作战指挥效能评估的原则、方法、理论、内容，而且通过对网络空间信息防御作战指挥特点规律和影响因素的探索、研究，建立效能评估指标体系、运用评估技术进行仿真实验，解决如何建立指标体系、怎样仿真评估等问题，为提升指挥官在网络空间信息防御作战中的指挥水平，提供有力的理论支持，对指导作战指挥实践具有重要的参考价值。

2 网络空间信息防御作战指挥效能评估指标体系构建

2.1 效能评估指标体系构建原则

(1) 层次性原则

在实际操作中常常把指标进行分类，构成不同的层次，评估自上而下，逐渐得到更具体的可以计算的指标。从不同的评估角度出发，有不同的分类结果，但都必须能够形成一个递阶结构，对指挥效能有一个可视化的展现[3]。

(2) 针对性原则

信息防御作战指挥效能影响因素错综复杂，指标的选取要有针对性，既能体现网络空间防御作战指挥特色，又能反映指挥系统的作战能力和评估目的[4]。

(3) 可操作性原则

运用模糊神经网络评估模型进行评估的重点是选取可采集、测量和比较的指标。在构建指标体系时，应充分考虑底层指标的可测性和获取数据的可行性，各子指标也应能单独评测，避免重复评议[5]。

(4) 开放性原则

国内信息防御作战指挥问题研究较少，指挥效能评估应用更是凤毛麟角，评估理论在网络空间信息防御作战指挥方面的运用还不够广泛和深入，这也对读者和研究者来说，有更多的空间去思考、去拓展完善。

2.2 网络空间信息防御作战指挥效能评估影响因素分析

网络空间信息防御作战指挥，是指挥官为保证己方网络信息系统稳定、网络信息基础设施安全、网络信息保密可控，剥夺敌方进入及使用网络空间的自由，重夺制网权而对防御体系内各作战力量实施的组织协调活动[6]。指挥效能的发挥、作战能量的释放是通过指挥活动的过程来体现的，是一个思维和行为的过程。通过分析作战指挥效能生成过程，综合考虑网络空间信息防御作战指挥特点，按照自上而下、逐步细化的方法，分析得出影响网络空间信息防御作战指挥效能的重要影响因素。

(1) 态势感知

指挥官运用各种技术手段，通过各个网络节点,搜集、获取、判识和分析与作战任务有关态势信息。科学的决策来源于正确的态势分析，正确的态势分析来源于全面、系统的感知信息，特别是在网络空间条件下,态势感知在指挥活动中的地位、作用日益突出，成为保证己方网络信息系统稳定、网络信息基础设施安全、网络信息保密可控，重夺制网权的重要前提。

(2) 指挥决策

指挥官在信息防御作战中为了一定的作战目的，依据各种手段选择实现作战目标行动方案。在网络空间作战条件下，决策目的对抗性、决策时间紧迫性、决策方案一次性、决策结果风险性和决策内容创新性等一系列新的特征对指挥官指挥决策活动提出了严峻挑战[7]。

(3) 应急处置

指挥官通过调用作战力量，利用被动信息保障(防火墙、数据加密)、主动诱骗(“蜜罐/蜜网”机制)、数据执行保护技术等网络防护手段，达到“阻网”、“断网”、“控网”的目的，并及时进行有效反击以弱化敌打击效率和打击效果，同时使敌指挥员疲于应对，无法进行有效指挥，便于我军实施压制反击。

(4) 压制反击

指挥官通过敌网络的漏洞和弱点，当机立断确定合理作战企图，利用先进的网络技术手段，快速精准地采取有针对性的技术和战术措施，追踪窃听、阻塞、瘫痪其网络，减弱反制敌网络攻击可能带来的危害。指挥官的企图必须紧跟战场态势尽量缩短指挥时间，做到快速决策、快速计划组织、快速实施控制协调，提高作战指挥的时效性。

(5) 技术保障

网络空间信息防御作战指挥更是技术与技术的对抗，需要指挥官有针对性的运用网络技术、信息技术和密码技术等手段完成防御作战指挥任务。技术因素直接影响作战成败，指挥官要充分考虑技术发挥特性，不但要了解外军的网络攻防手段、发展现状及动态，而且还要掌握我军网络空间信息防御技术现状，抽组编成配合使用，协调补充技术力量，最大限度释放我军作战能量[8]。

2.3 效能评估指标体系构建

通过分析网络空间信息防御作战指挥效能影响因素，结合网络空间信息防御作战指挥效能生成过程，对指挥效能进行层层分解，从态势感知、指挥决策、应急处置、压制反击和技术保障5个方面化得到40个二级可计算、可测量、可分析的基础性能指标。如图1所示。

3 基于模糊神经网络的网络空间信息防御作战指挥效能评估模型

梳理现有文献发现，AHP层次分析法和模糊逻辑推理法过于简单，且缺乏学习和优化能力；系统动力学虽然能够提供详尽的仿真模拟，但整个过程更偏重于能力生成分析而非效能评估[9-12]。针对这些问题，本文结合我军现有网络空间作战力量和红蓝对抗演习考评调研，在获得大量原始数据资料的基础上建立了模糊神经网络效能评估模型。通过仿真实验验证了模型的可行性，为网络空间信息防御作战指挥系统建设提供指导和借鉴。

3.1 选择模糊神经网络评估模型的原因

模糊神经网络的主要特点如下：①通过神经网络实现模糊推理，克服了各模糊性指标相互影响，难以得出准确的评估结果的问题。②通过神经网络的自学习能力改善知识的获取和修改，在计算过程中对权值和隶属度的自适应修正，增强了神经网络的泛化能力和系统容错性能，具有全局逼近能力[13]。③通过的神经网络单元的学习和模糊推理系统的模糊规则，从模糊化层根据不同规则导出的模糊推理层，最后由模糊推理层导出输出层。网络空间防御作战目的性强，机理多变，领域全覆盖，指挥活动瞬时高效，指挥关系更是错综复杂，指挥要素相互之间的影响也越来越强烈，传统的评估模型很难适用。因此，选用模糊神经网络评估模型很好的解决了经验数据无法积累、权值隶属度随机性的问题，使结果更加科学合理[14]。

3.2 指挥效能评估模型构建

3.2.1 指挥效能评估模型的模糊神经网络结构

在评估过程中，对多个定性指标的评价均具有一定的模糊性，由于模糊集合理论中的输入变量不再是一个确定的数，而是一个论域[15]。根据评估指标体系结构和性能，结合模糊神经网络特点，建立模糊神经网络结构图，该图由4层组成，如图2所示。

第1层：输入层，将指标体系40个基础指标作为输入节点。

第2层：模糊化层，对每个输入因素，对应5个模糊子集，输入隶属函数采用高斯函数：

图2 模糊神经网络结构图Fig.2 Schematics of fuzzy neural network

式中:i=1,2,…,40；m=1,2,…,5；j=1,2,…,165；mim和σim分别为第i个输入对应的第m个模糊子集的均值和方差，它们都是模糊神经网络中的可调参数。

第3层：规则层，规则库由专家组织确定。设多输入单输出的模糊规则为

第4层：清晰化层，如下式所示：

，

3.2.2 指挥效能评估模型的模糊神经网络学习算法

网络空间信息防御作战指挥效能评估模型的模糊神经网络学习算法采用向后传播误差的方法。其基本思想是给模糊神经网络赋予初始权值和阈值，通过神经网络的自学习能力对权值和隶属度进行自适应修正，如此反复进行训练直到误差达到最小[16]。基本算法详述如下：

定义网络的输出误差的学习函数为

式中:ym为理想输出信号(专家信号)。

(1) 清晰化层，反传误差项为

(2) 规则层，反传误差项为

(3) 规则层，反传误差项为

其中均值和偏差的修正值分别为

式中：mim和σim分别为第i个输入对应的第m个模糊子集的均值和方差，它们都是模糊神经网络中的可调参数。

3.3 基于模糊神经网络的指挥效能评估模型框架

综合上述分析，根据评估任务确定评估对象，分析评估需求，并通过剖析指挥活动研究指挥效能生成过程，以此建立评估指标体系。根据指标体系，从对抗演习中提取挖掘所需数据，并做归一化处理，利用模糊神经网络评估模型对评估对象进行评估。如图3所示。

4 实例分析

模糊神经网络在使用前需要进行训练，选取专家提供的成功评价数据作为训练样本，构成一个完整的训练样本集。在网络训练学习阶段，首先对采集数据进行初始化，然后将选择的样本数据输入到网络中进行训练，得到测试输出结果，进行误差分析，判断网络性能直至达到目标要求[17]。本文应用 Matlab 软件来实现评估模型的构建和计算，在使用过程中按照模糊神经网络的算法流程直接调用工具箱中的程序进行模拟仿真。如图4所示。

本文样本值来源于10名网络空间作战领域专家对某次网络攻防演习中红蓝双方指挥官的实际指挥过程采集所得。每个样本都有40个实测指标，其中态势感知效能13个指标，指挥决策效能8个指标，应急处置效能5个指标，压制反击效能5个指标，技术保障效能9个指标。将提取到的样本数据分为2组，前15组作为模糊神经网络模型的训练样本，后5组作为测试样本，如表1～3所示。

将前15组样本数据输入Matlab模型中，输出得到网络评估值，如图5所示。将模糊神经网络获取的评估值和专家提供的实际值进行对比分析，得到评估误差，如图6所示。

图3 基于模糊神经网络的指挥效能评估模型框架Fig.3 Model framework of command effectiveness evaluation based on fuzzy neural network

图4 Matlab神经网络训练Fig.4 Matlab neural network training

从图5，6可以看出，通过Matlab中模糊工具箱和神经网络工具箱，设置100次迭代，通过观测，在第50次迭代时，基本达到目标预期，说明基于模糊神经网络评估网络空间信息防御作战指挥效能评估的方法可行，且具有较快的收敛特性。经过反复训练，不断调整迭代次数、学习速率及最小误差，最终获得训练好的模型。最后，通过比较得到绝对误差后，与期望的精度E<0.01比较，满足精度要求，则证明BP神经网络评估值与测试样本值之间的误差在允许范围之内，神经网络已具备了模式识别的能力，因此基于模糊神经网络所构建的网络空间信息防御作战指挥效能评估模型是可行的。将后5组测试样本输入训练好的模糊神经网络模型，输出得到网络评估值，如图7所示。

图5 模型神经网络评估训练图Fig.5 Model neural network evaluation training diagram

样本态势感知效能X1X2X3X4X5X6X7X8X9X10X11X12X1310.701 0.852 0.512 0.604 0.688 0.613 0.558 0.553 0.522 0.631 0.563 0.899 0.730 20.886 0.802 0.753 0.634 0.5940.811 0.704 0.824 0.8450.653 0.6130.7470.66930.828 0.7860.6970.7560.8140.6970.6960.5880.6680.7860.8270.7840.80440.914 0.886 0.792 0.690.9120.9510.8180.8520.8670.8730.8830.9610.74850.512 0.6230.5700.684 0.5530.5380.6410.5130.5240.6110.7810.5130.47360.556 0.552 0.5210.6350.5690.8920.7380.7080.8520.5130.6040.6890.61170.682 0.5510.5320.6460.5180.5210.8030.7530.7640.5180.6250.5730.68880.867 0.8780.8830.6910.7440.6980.9180.6620.8100.8540.9170.8800.79490.523 0.6140.6270.5600.6790.5590.6340.6180.5260.4110.8030.7540.767100.967 0.9780.8810.9840.9510.7930.8690.9820.9380.9840.9910.8730.941110.550 0.5340.6490.5160.5220.6130.7810.5130.4730.4990.5230.6120.628120.843 0.6820.6350.7590.8830.6840.5450.5590.5240.6340.6970.5890.663130.814 0.7010.8210.8440.6580.6100.7420.6610.9250.8220.7830.8840.801140.917 0.9570.8160.8570.8650.8730.8800.9660.7490.9110.9620.7880.883150.612 0.5220.4190.8080.7520.7670.6430.5130.6240.5780.6830.8130.927160.752 0.6370.5930.8130.7080.8840.8050.7340.8580.8530.7780.7540.674170.918 0.4770.4990.5230.6180.6220.5620.5780.5570.4380.6140.5290.418180.964 0.7420.9130.9620.7820.8870.8680.8430.9130.9030.8230.9440.911190.693 0.5870.6650.7890.8260.7800.7840.6910.8110.5620.8850.7810.884200.841 0.9120.9050.8230.9430.9130.7720.8590.6730.7730.9430.9130.893

表2 模糊神经网络评估样本数据(Ⅱ)

表3 模糊神经网络评估样本数据(Ⅲ)

图6 模型神经网络评估误差图Fig.6 Model neural network evaluation error graph

从图7中评估值与实际值之间的对比可以清晰地看出，本文所设计的模糊神经网络能够对指挥效能进行有效的评估，且符合误差的预定值，表明模糊神经网络模型能够更好地对评估对象的指挥效能进行客观、快速、准确的评估。

图7 模型神经网络评估测试图Fig.7 Model neural network evaluation test diagram

5 结束语

本文通过探讨效能评估的需求、原理、算法等内容，提出了一种基于模糊神经网络的网络空间信息防御作战指挥效能评估方法，开展了网络空间信息防御作战指挥效能评估建模与实例分析。该模型利用模糊神经网络在获取专家经验和储备数据上的优势，降低了专家主观因素的干扰，与传统方法相比，更能得出与真实情况相符合、更为科学有效的评估结果。根据评估结果，不但可以倒逼优化指挥官指挥中存在的问题，更能发现评估过程中指标的欠缺。而且在新增专家知识时，只需将各个模糊神经网络模型重新进行一次训练，无需过多复杂的操作，因此该方法具有很好的应用前景。