智能化军事信息系统的一种实现框架

朱念斌 赵燕燕

摘要：以提升军事指挥效率为目标，提出了智能化军事信息系统的一种实现框架。系统采用感知—决策—执行一体的闭环结构，综合利用人工智能、软件定义网络等先进技术，自主优化网络结构、资源调度、业务承载等系统要素，使系统具备在复杂战场环境下的智慧化无人控制能力，在优化指挥系统性能的同时，也降低了网络运行和维护的复杂度。

关键词：人工智能；软件定义网络；网络功能虚擬化

中图分类号：TP18文献标志码：A文章编号：1008-1739（2019）21-60-3

0引言

现有军事信息系统针对若干特定的应用场景进行设计，网络结构基本固化，数据传输、资源管理及业务承载等主要依赖手动配置，导致系统无法高效适应复杂多变的战场环境。

近年来，人工智能技术和软件定义网络/网络功能虚拟化技术得到了蓬勃发展和广泛应用，为军事信息系统的智能化提供了良好的发展基础。本文首先对人工智能机器学习技术进行了简单介绍，然后提出了智能化军事信息系统的一种实现框架，并对系统的架构和工作原理进行了描述，最后对系统典型应用进行了展望。

1人工智能

近年来，基于机器学习的人工智能技术在大规模数据处理、分类以及智能决策方面表现出了卓越性能[1-3]，已成为破解传统信息系统业务满足程度差和运维管理方式僵化的有效手段。依据机器学习在算法和网络系统中的应用模式，可大致分为监督学习、无监督学习与增强学习，如图1所示。

监督学习是通过已有的训练样本数据库（已知数据以及其对应的输出分类标签）训练得到一个判别模型（此模型类似拟合函数的集合，最优的评价标准为在特定准则下的结果准确率最高），再基于此模型将所有输入映射为相应的输出，由输出得到判决信息，从而实现分类的目的。目前最为流行的监督学习算法包括卷积神经网络、深度信念网络等。

无监督学习是根据类别未知（没有被标记）的训练样本来解决模式识别问题的机器学习方法。无监督学习主要用于聚类、降维等。聚类技术被广泛应用于各种类型数据分析和异常检测等应用中，其目标是以簇的形式在未标记的输入数据中寻找数据的隐藏模式[4]，常见的聚类技术包括CNN，DBN，K-means等。真实世界的数据在许多数据集中通常具有高维度，这些维度可以衍生出成千上万个甚至数百万个潜在的相关维度，降维是以较少的维度表示数据，且确保数据的核心信息不丢失，常见的降维方法有堆叠自动编码器（SAE）等。

增强学习的工作过程是决策者（或智能体）收集操作环境的状态和策略奖励，更新当前策略，经过不断迭代训练收敛到最佳策略，典型算法如Q-learning等[5]。

2系统架构及工作原理

智能化军事信息系统的目标是借助人工智能和先进网络等技术的蓬勃发展，在现有网络技术的基础上进行提升与定制化改进，以网络传输效率、复杂环境下网络自组织能力、军事策略生成效率和网络抗打击能力等作为优化目标，在网络结构、资源配置、功能分配以及业务承载等方面进行优化和智能控制。操作者仅需明确系统最终使用目标，而无需关注组网过程和复杂战场建模的问题，系统自主根据战场指挥人员的“使用目标”分析战场态势、辅助决策战场资源的配置方案等，以智能动态适应现代战场的复杂多变，从根本上提升现代战争的指挥效率。

智能化军事信息系统采用“感知—决策—执行”一体的闭环结构：①感知：借助于战场感知手段（雷达或其他传感器），动态、实时感知战场态势与作战资源分布，并基于高层逻辑目标的统一描述模型生成全网的终端视图。②决策：针对战场态势复杂、作战元素行为多变、复杂系统模型不确定等特点，进行战场系统与作战资源间的拟合，进而生成决策指令，实时决策战场资源管控、运维方式等。③执行：针对战场复杂多变场景下决策指令对具体作战单元的适应性问题，运用硬件可重构、机器学习等高新技术，进行功能重组、资源认知等自适应调节，增强系统的业务适应性，支持多维战场环境下的作战元素动态分配，使其具有充分的作战灵活性与组织结构鲁棒性。

系统运行逻辑如图2所示。战场单元主要负责执行相关控制指令和上报战场感知数据等；基础平台主要负责完成战场军事环境基本建模、军事信息系统框架构建以及基本通信功能实现等；指挥决策模块主要负责完成基于人工智能技术的相关决策和判别等任务。

指挥决策模块具有3个重要性质：

①渐变跟随。在动态适应战场态势信息的传送要求和保证作战效率之间进行智能化折中，屏蔽具体作战元素部分特性在小时间、小范围尺度上的天然随机波动，基于指挥效果对系统参数进行策略调整。

②自主驱动。自主驱动系统资源管控，以符合战略战术目标和实际控制效果之间固有动态发展规律的方式，有效把握战场资源的时间、空间控制尺度，实现暂态业务与作战资源配置的实时最佳拟合，形成自动反馈的闭环控制结构。

③聚类拟合。系统对不同指挥元素的指挥行为进行聚类拟合，达到资源调整只针对特定的业务集群，而与其他任何非目标业务解耦的指挥效果。

3应用展望

3.1智能目标识别

结合目前深度神经网络等技术，智能化信息系统能够通过对前线感知系统（包括雷达、作战单位反馈信息以及战场传感器单元等）获取数据的实时采集分析，实现庞大数据的规模化处理，从而实现多维化战场数据的相互融合，为指挥人员提供快速可靠的目标信号识别结果，从而提升指挥效率与指挥精度。

3.2智能輔助决策

未来战场环境复杂，作战元素呈现出多元化、个体化态势，指挥人员难以在短时间内对规模庞大、数量众多的作战元素进行精准化指挥，从而难以制定精细化的指挥策略。智能化军事信息系统具备智能辅助决策能力，能够提升指挥人员对战场态势感知的准确度，对指挥人员的宏观、高层指挥行为进行细节补充，从而达到提高指挥精准度，将指挥人员的指挥思想快速准确地下达到具体作战单元的目的。

3.3智能作战效果评估

由于战场环境的高度复杂性，现代战场的建模需要高维数据输入分析。而战场的局部性以及作战方向的多元同步性等因素使得作战过程中很难对短时策略的有效性进行评估。智能化军事信息系统能够充分利用深度神经网络等人工智能技术，实现超高维战场综合数据的快速计算与精确判别，从而在策略执行过程中辅助指挥人员对策略影响进行快速感知，以便及时调整策略，提高指挥效率。

4结束语

基于人工智能技术的智能化军事信息系统描绘了新型军事自动化技术演进和发展的前景，使军事信息网络具备面向泛在战场环境下的智慧化“无人控制”能力，从而优化指挥系统性能，降低网络运行和维护复杂度等。本文提出了智能化军事信息系统的一种实现框架，并对其特性和原理进行了简要的描述，可为下一代军事信息系统的发展提供参考。

参考文献

[1] Agoulmine N， Balasubramaniam S， Botvitch D， et al. Challenges for Autonomic Network Management[C]// 1st IEEE International Workshop on Modelling Autonomic Communications Environments （MACE），2006.

[2] Derbel H， Agoulmine N， Salaün M. ANEMA： Autonomic Network Management Architecture to Support Self-configuration and Self-optimization in IP Networks[J]. Computer Networks，2009，53（3）：418-430.

[3] Ahad N，Qadir J，Ahsan N.Neural Networks in Wireless Networks： Techniques， Applications and Guidelines[J].Journal of Network & Computer Applications，2016，68（4）：1-27.

[4] Grira N， Crucianu M， Boujemaa N. Unsupervised and Semi-supervised Clustering： a Brief Survey[C]// 7th ACM SIGMM International Workshop on Multimedia Information Retrieval，2004.

[5] Sutton R，Barto A.Reinforcement Learning： An Introduction[M].Cambridge：MIT Press，1998.