网络信息体系双层异质相依网络模型鲁棒性

王 哲, 李建华, 康 东,2

(1.空军工程大学信息与导航学院, 陕西 西安 710077; 2.国防科技大学信息通信学院, 陕西 西安 710100)

0 引 言

网络信息体系(networked information system of system, NISoS)是未来武器装备体系的全新形态,以及联合作战与全域作战能力生成的核心支撑[1]。面对快节奏、高对抗、不确定等复杂多变的战场环境,NISoS通过资源高度共享实现自主适应战场变化、灵活匹配使命调整并动态衍生新质能力,为联合作战体系对抗效能释放带来极大优势的同时,也面临着传统火力毁伤与新型网电攻击、节点损毁与功能降级、结构碎裂与体系崩溃等多样化威胁。同时,信息系统与物理系统的深度融合与广泛部署,进一步放大了这种结构风险,为对手毁点断链、破网瘫体提供了更多可能[2]。构建逼真反映体系结构特征的NISoS结构模型并进行鲁棒性分析,既可以对敌实施精确打击,又可以自我剖析,更好地保护体系薄弱环节,对于体系鲁棒性增强具有重要的军事价值。

网络科学是复杂军事体系鲁棒性分析的重要途径[3-5]。朱涛等[6]给出了一种基于超网络和服务化特征的NISoS“两维四网”模型,但未反映体系中不同功能节点的异质属性,难以应用于体系结构设计和优化;禹明刚等[7]从物理域、信息域、认知域和社会域4个方面提炼了NISoS联动的影响因素,针对不确定环境下的体系建设方案优选,提出了一种基于Bayesian Stackelberg的多阶段博弈模型。然而,现实世界中许多网络并非孤立存在,而是与其他网络之间互相依赖、合作或竞争形成相依网络。在相依网络鲁棒性研究方面,文献[8-11]对有向相依网络的结构脆性进行了分析,发现了传统无向相依网络中所没有的混合相变现象。当前,针对相依网络鲁棒性的研究主要涉及全球能源互联网系统[12]、电力信息物理系统[13-14]、交通路网[15-16]以及疾病传播网络[17]等,军事领域应用较少[18-19]。

现有研究成果为NISoS结构建模与鲁棒性分析提供了有益借鉴,但仍存在两方面不足:一是对体系结构异质性的描述和运作机理分析不够,大多视体系为同质网络,忽视体系中不同装备的异构性和它们之间关系的多样性;二是仅分析了体系的单一结构特征而忽视了体系的多网融合属性,网络之间的耦合交互为体系鲁棒性分析带来新挑战。为弥补传统单层同质复杂网络结构模型的不足,综合考虑NISoS中节点与连边的异质性以及物理装备连接和逻辑信息依赖关系,构建NISoS双层异质相依网络模型(two-layer heterogeneous interdependent network model, THINM),提出针对双层异质网络的体系攻击策略,对比分析不同失效样式下的体系鲁棒性,为NISoS结构优化和抗毁能力生成提供参考。

1 NISoS结构模型

NISoS是由物理位置上分散部署、逻辑功能上一体集成的多种信息栅格网耦合交互构成的复杂人工巨系统[1]。体系结构是指体系中以网络化武器装备为代表的组分系统、组分之间交互形成的关系以及各系统与战场环境之间关系等[20]。构建反映NISoS组份异质、跨域交互和动态演化等特征的体系结构模型,是体系鲁棒性分析的基础。

1.1 结构特征

NISoS以网络为基础,通过信息流主导物质流与能量流的高效调度,具备动态接入、按需定制及柔性重组等功能。系统科学认为,结构决定功能;功能影响能力。从支撑体系作战能力生成和效能发挥的角度来看,NISoS结构具有以下3个典型特征。

(1)异质演化性。体系中节点功能各异、数量众多,彼此之间数据高度共享、复杂交互,信息流向、速率、类型及功能等属性随作战任务的推进而动态调整,形成异质拓扑结构动态演化。

(2)跨域交互性。NISoS是武器装备与信息系统的深度融合,按照“核心+接入”理念构建生成,突破了地域、资源以及体制编制限制。对抗域由传统物理实体空间向网络虚拟空间拓展,由单一域内交互向物理域、信息域、认知域和社会域跨域交互转变,由现实火力对抗向信息对抗和认知对抗拓展。

(3)任务驱动性。体系中各类作战单元和系统资源围绕作战任务动态聚合和灵活配置,面向突发事件提供多要素临机协同和能力互补。任务流驱动信息流,信息流主导物质流与能量流有序流转,集聚释放机动力、火力和防护力,支撑体系灵活适应和敏捷适变。

1.2 THINM

NISoS是一类具有非线性、涌现性和不确定性等属性的复杂军事系统,难以对其进行完整的形式描述和数学模型解析。根据研究需要,采用网络科学理论,从结构角度对NISoS鲁棒性进行定量与定性相结合的建模分析,同时既要考虑底层物理连接关系,也要关注上层信息系统交互行为。为描述体系中众多异质组成要素及其复杂交互,首先定义异质网络与异质依存网络,然后根据网络节点异质性对网络进行撕裂分层操作,构建NISoS双层异质相依结构模型。

(1)

则称G为一个异质依存网络。其中ζmin、ζmax为节点或边状态阈值。当|Ta|=1时,称Tb对Ta中元素完全依存;当|Ta|>1时,称Tb对Ta中元素部分依存。

异质依存网络描述了含多类型元素的复杂网络中,同质元素、质异元素之间依存关联的主要特征与性质。对于元素异质性区分,可以根据元素的功能或承载介质,也可以结合具体的物理意义来确定。NISoS可看作一种异质依存网络,即拥有不同属性元素或连边关系的复杂网络。其中,节点类型包括通信节点C、信息获取节点S、信息决策节点D、信息使能节点I。根据文献[21-22],节点间关系可划分为情报共享、指控命令下达、毁伤状态反馈等。为描述NISoS中节点异质与多网交互特点,作以下假设。

假设 1NISoS体系中的任一节点只具备信息传输C、获取S、决策D与使能I等4种功能之一,即体系节点Vi(i∈{C,S,D,I})。节点子集及其连边构成子网络,则形成4类子网(信息栅格子网GVC、信息探测子网GVS、信息决策子网GVD和信息使能子网GVI)。

假设 2信息栅格子网GVC处于物理层,主要进行数据信息的传输,不考虑节点间链路方向;信息探测子网GVS、信息决策子网GVD和信息使能子网GVI彼此动态逻辑交互形成功能网络,需考虑节点间信息流转方向。

NISoS在使命任务驱动下,功能网络中各个节点之间的交互联动主要依赖于物理网络中的信息栅格来传输实现;物理网络拓扑动态演化来源于功能网络调度控制,两者在作战使命任务驱动下相互依存,耦合形成双层相依网络。据此,构建NISoS结构THINM,如图1所示。

图1 NISoS结构THINM

图1中,NISoS结构THINM可表示为一个三元组集合Θ(Gp,Gl,Gr)。其中,Gp为物理网络，Gl为功能网络，Gr为物理网络与功能网络耦合交互形成的依存网络。各网络描述如下。

(1)物理网络Gp

(2)功能网络Gl

(3)依存网络Gr

综上可知,NISoS THINM能够反映NISoS结构空间广泛分布、节点功能异质依存、跨域交互部署等动态结构特征。

2 NISoS结构衰退

NISoS结构衰退是指体系中节点或连边等要素失效导致依存路径上其他节点或连边的失效,引发网络整体结构的碎裂,进而影响体系的功能与能力的过程。

2.1 衰退触发策略

联合作战体系对抗过程中,NISoS一般面临敌蓄意攻击或随机故障[23]。随机故障(random attack, RA)是指随机选取网络中部分节点失效。蓄意攻击(malicious attack, MA)是指按照网络中节点重要度,从大到小依次移除一定比例的节点导致失效。此外,根据失效对象的不同,设α和β分别为物理网络层与功能网络层中受攻击节点所占总攻击规模的比重,则有α+β=1。当α=1(β=0)时,受攻击节点全部为物理网络层节点,一般对应于战场火力毁伤;当α=0(β=1)时,受攻击节点全部为功能网络层节点,对应于网络空间攻击,主要为对作战信息逻辑交互链路的破坏;当α=1-β(0<β<1)时,受攻击节点集既有物理网络层节点也有功能业务层节点。例如,在不同作战阶段,敌方一般会遴选特定功能的节点进行破坏,战场侦察阶段预警探测类节点更容易遭敌摧毁,而战场栅格网中的物理节点则在整个作战过程中面临打击破坏。根据以上分析,提出以下6种衰退策略。

(1)随机攻击物理网络(random attack of physical network, RAPN),随机从物理层选择比例为p的节点失效,层内剩余比例为1-p的节点存活。

(2)蓄意攻击物理网络(malicious attack of physical network, MAPN),对物理层网络中节点度从大到小进行排序,依次移除比例为p的节点,层内剩余比例为1-p的节点存活。

(3)随机攻击功能网络(random attack of logical network, RALN),随机从功能层网络中选择比例为p的节点失效,层内剩余比例为1-p的节点存活。

(4)蓄意攻击功能网络(malicious attack of logical network, MALN),对功能层网络中节点重要度(出度与入度之和)按从大到小进行排序,依次移除比例为p的节点,层内剩余比例为1-p的节点存活。

(5)随机攻击双层网络(random attack of double network, RADN),随机从体系模型双层网络中选择比例为p的节点失效,剩余比例为1-p的节点存活。

(6)蓄意攻击双层网络(malicious attack of double network, MADN),对体系双层网络模型中所有节点按照重要度从大到小进行排序,依次移除比例为p的节点,剩余比例为1-p的节点存活。在这里,通过参数p可以调节对NISoS模型的攻击强度。

2.2 级联衰退过程

如第1.2节所述,NISoS物理网络是功能网络的载体,功能网络对物理网络进行约束,二者耦合构成了NISoS异质相依复杂网络。对于NISoS相依模型来说,任何蓄意毁伤或随机故障都将产生两种衰退:层内结构衰退与层间耦合衰退。层内结构衰退是指节点的移除会影响该节点在当前层内邻域节点连接度的变化,邻域节点的失效会造成更大范围内节点失效,并最终达到稳定状态,表现为改变整个单层网络的拓扑结构;层间耦合衰退是指NISoS物理网络中部分节点发生故障,如通信链路的中断,将造成功能网络中信息交互的缺失,进而影响使命任务的完成。反之亦然,故障在两个耦合网络之间反复振荡形成级联衰退过程。实际作战过程中,两种衰退彼此交织、动态转化,使得NISoS衰退过程非常复杂。

根据以上分析,体系中各类装备节点的有效性不仅与单侧网络有关,还应考虑网间耦合影响。因此,我们认为NISoS中节点应同时满足以下条件才能存活:① 层内与之相连的节点未失效;② 相依层中与之耦合的节点未失效;③ 物理网络中的节点应处于极大连通子图中以及功能网络节点应处于极大强连通子图中。

2.3 鲁棒性评估指标

NISoS鲁棒性是指体系中某些装备节点失效后,体系能够维持原有性能的能力。传统同质单层网络的极大连通子图规模、自然连通度、网络效率、平均距离等鲁棒性测度指标[24]并不适用于NISoS,这是由于NISoS是一类具有特定功能的军事信息体系,存在体系网络结构连通性虽然较好,但体系功能已不完备的情况,单方面从体系网络的连通性或任务功能的完整性角度来评判NISoS的鲁棒性均具有一定的局限性。同时,NISoS的总目标是实现信息环路与OODA作战环路的深度耦合与高效运转,体系性能不仅需要关注信息链路的数量,还需要从完成任务的角度拓展分析多个信息链路形成的信息链网规模。因此,提出信息驱动链网融合(C-SDI link number and network scale, C-SDILNNS)指标,该指标包括任务性能指标和结构性能指标。

(1)信息驱动链数量

对于任务性能指标设计,借鉴异质网络“元路径”概念[25-27],综合考虑具有不同功能属性的作战单元节点通过彼此交互形成具有特定语义信息和价值导向,定义体系信息驱动链。

定义 3信息驱动链(C-SDI link, CSDIL)是指在通信节点C的支持下,从信息获取类节点S出发,依次经决策类节点D到使能类节点I且不含回路的信息流转路径。

信息驱动链中各节点之间存在链式依存关系,节点C为各类功能节点提供“接入”支持,节点S为节点D提供信息资源,节点I使用节点D产生的决策信息展开作战活动。当两个CSDIL中只要有一个不同类型的信息流边(见第1.2节)时,即认为属于不同类型的信息驱动链。典型的信息功能链如图2中阴影部分所示。

图2 NISoS信息驱动链示意图

图2中,S→D→I和S→D→D→I即为两种不同类型的信息驱动链。根据体系中异质装备节点之间的实际连接关系,表1列举了几种常见的信息驱动链及其含义。

表1 NISoS中典型信息驱动链类型与含义

以信息驱动链S→D→I为例,为计算其数目引入目标节点T构成信息环路TSDIT,当目标节点总数指定时,环路数量等价于驱动链路数。借鉴文献[5]转移矩阵和到达矩阵,对信息驱动链数量进行计算如下。

(2)

(3)

在NISoS运行过程中,CSDIL表示从获取节点S到使能节点D的完整路径,代表一种针对敌目标的作战信息流转样式。CSDIL的数量越多,体系能力越大,即有更多体系运转方式供作战选择。此时,即使个别链路被破坏,体系仍然能够持续提供相应作战能力,NISoS的鲁棒性能较好。因此,NISoS鲁棒性在某种程度上可通过信息驱动链数量N来衡量。

(2)体系网络规模

根据系统科学中结构决定功能、功能影响能力的基本原理,NISoS的性能水平与体系结构连通性和服务质量紧密相关。体系结构的连通性是指体系网络中可生存的节点及其连边构成的极大连通子图。本文从结构角度对NISoS性能水平进行探讨。体系网络结构变化可表示为网络极大连通子图相对规模K,即遭受打击后网络极大连通子图与初始网络规模的比值,

(4)

综上分析,网络鲁棒性能P可表示为

P=δN+(1-δ)K

(5)

式中,δ(δ∈[0,1])为权重系数,反映了任务性能指标和结构性能指标在整个体系鲁棒性评价中的比重。当δ=0时,完全以信息驱动链数量衡量网络鲁棒性能;当δ=1时,完全以网络子图规模衡量鲁棒性能。根据研究需要,本文取δ=0.5。

3 算例分析

以某战区联合防空网络信息体系作战想定为例,在计算机上使用Matlab程序进行分析验证。设置作战场景为NISoS中的预警系统对辖区内高、中、低空进行全方位实时不间断搜索和侦察,一旦敌机群入侵造成领空安全威胁,体系中的雷达系统和电子对抗系统实施发现、追踪并锁定目标,并引导无人打击集群和地空导弹部队等武器装备力量联合行动,对敌目标进行拦截和抗击。假设该NISoS由900个节点所组成,其中预警雷达、光电设备等信息获取类节点分别为S1,S2,…,S200,节点规模NS=200;战区联合作战指挥中心、各级指挥所等信息处理节点分别为D201,D202,…,D300,节点规模ND=100;无人集群系统、歼击机及防空导弹等信息使能类节点分别为I301,I302,…,I450,节点规模NI=150。为配合鲁棒性分析,引入敌目标节点T1,T2,…,T150,节点规模NT=150。体系异质节点之间的连接关系如表2所示。此外,物理网络与功能网络采取一对一随机耦合方式进行相依关联。根据上述参数随机生成NISoS THINM(见图3),体系物理网络与功能网络中节点度值统计情况如图4所示。为规避随机攻击的不确定性,数值仿真中采用蒙特卡罗方法,数据均为独立重复103次的平均结果。

表2 节点之间连接概率

图3 实验生成的NISoS双层异质相依网络图

图4 NISoS中异质节点度分布

3.1 NISoS THINM有效性分析

为验证NISoS THINM的有效性,构建NISoS单层异质网络模型(single heterogeneous network model, SHNM)作为对照,分别采用RA策略和RAPN策略对两类网络模型进行衰退分析,仿真结果如图5所示。

图5 THINM与SHNM鲁棒性

图5中,红色曲线表示基于传统单层网络理论所建立的体系模型,在受到随机攻击后的性能变化情况;蓝色曲线表示双层异质网络性能随节点失效比例的变化情况。由图5可知,两种网络模型中体系性能变化趋势一致,均随着攻击强度的增大而减小,但体系性能变化不同。在相同失效比例下NISoS双层异质网络的性能下降更多,网络更加脆弱。与此相反,单层网络中的节点失效规模较之下降较为缓和,以单层网络为模型的体系鲁棒性要强于体系双层异质相依网络模型的鲁棒性。例如,当p=0.2时,单层异质网络性能降幅达29.27%,而双层异质相依网络性能降幅更大,达到70.72%;当p=0.9时,两类网络性能均接近0,表明网络均已完全崩溃,体系能力全部丧失;而当p∈[0,0.24]时,双层异质相依网络性能曲线斜率较单层异质网络性能曲线斜率更大,表明其性能下降速度更快,降幅更大。造成这种现象的原因是体系SHNM模型仅分析了节点之间的异质性,未考虑不同功能节点之间的相依关系。对SHNM网络节点的攻击仅造成层内结构衰退,影响的是单个网络内部的信息驱动链路数量与链网规模;而体系THINM模型中物理网络与功能网络之间具有耦合依存关系,物理网络中通信节点主要用于维系信息功能链的完整性,对于整个体系中信息功能链路数量与链网规模大小具有更加重要的支撑作用。

实际作战中,对THINM模型中物理网络中节点的攻击将会导致体系功能网络中依存节点的失效,而功能网络中失效的节点又会通过相依关系将故障回传至物理网络中的相依节点。在相同的失效比例下,故障在物理网络与功能网络之间振荡传播,同时产生层间结构衰退和层间耦合衰退,并且两种衰退彼此交织、动态蔓延,造成相依网络的迅速瓦解,也就是加速了NISoS的衰退过程、增大了性能衰减程度,致使网络崩溃的速度更快,且损失性能更多。而当p∈[0.24,0.90]时,单层网络曲线斜率变化不大,而双层网络性能曲线斜率逐渐减小,与单层网络斜率相比则较小。这是由于攻击强度p超过0.26以后,大量的物理层节点损失已难以引起整个信息驱动链路数量及链网规模大幅变化。由此可知,THINM更加精细,SHNM能够更好反映整个失效过程中体系性能变化情况。

3.2 NISoS鲁棒性评估指标对比分析

针对案例生成的NISoS网络模型,对比分析本文提出的C-SDILNNS指标,文献[28-29]提出的同质网络有向自然连通度(directed natural connectivity, DNC)以及传统极大连通子图规模(giant connect component, GCC)[30-32]等指标在衡量NISoS鲁棒性上的效果。衰退策略选择MAPN,仿真结果如图6所示。

图6 不同指标度量的NISoS鲁棒性

比较图6中3条曲线发现,不同度量指标下的NISoS鲁棒性差异较大。用DNC和GCC来衡量NISoS的鲁棒性下降速度较慢且曲线形状比较接近,均具有一阶非连续相变,而本文提出的信息驱动链网融合指标曲线却为二阶连续相变,且始终处于前两条曲线的下方,即C-SDILNNS评估可以更早证明NISoS已经不具备相应网络能力。这是由于C-SDILNNS指标认为只有当体系中信息驱动链的数质量达到一定程度才能发挥体系性能,该指标不仅考虑了网络中节点与边的异质性,而且充分挖掘了不同边的语义信息和价值。网络中即使存在大量的连通片,但这些连通片可能是由C、S与D构成的,不能形成有效的信息驱动链,这对于NISoS来说是没有意义的,相当于体系已经被瓦解,从而在相同失效比例下指标值在3类曲线中最低,因此也就可以更加敏锐地感受到不同的失效强度变化,更好地反映体系网络的鲁棒性能。图7直观反映了C-SDILNNS、DCN和GCC这3类指标在衡量NISoS鲁棒性上的区别。

图7 不同指标下的网络性能度量结果示意图

如图7所示,当物理层节点C2(灰色)被毁伤以后,功能层与之相依的节点S失效。此时,体系网络的DNC不为0,也就是体系结构仍能提供一定能力;网络GCC规模为4,也表明网络仍能发挥其正常作用;而使用本文提出的C-SDILNNS则由1变为0。实际上,由于功能层中节点S的缺失,相当于体系中唯一的信息获取节点被毁伤,体系无法侦察到敌目标信息,此时难以形成可供选择的信息驱动链路,即使网络结构未完全破裂,也难以提供有效作战能力。显而易见,若是用DNC或GCC来衡量体系鲁棒性,此时体系仍具有一定鲁棒性,显然不够合理。

3.3 不同攻击策略下体系鲁棒性分析

为探讨分析NISoS THINM在不同对抗环境中的鲁棒性能,选取第2.1节提出的MALN、RALN、MAPN、RAPN、MADN以及RADN等6种体系网络失效样式,对NISoS模型进行打击,体系衰退情况如图8所示。

图8 不同失效样式下体系鲁棒性

深入分析可以发现:首先,无论攻击对象是物理层或功能层某一单层网络还是双层网络中的节点,蓄意攻击的总体效果均要好于随机失效。观察图8中局部放大的子图可知,攻击强度从0.15～0.35的整个变化过程中蓝色曲线始终位于红色曲线上方,这表明不论是哪种攻击策略,相同失效比例时,蓄意攻击下网络性能下降更多,其他失效情况下也能观察到类似现象,这种情况表明与随机失效相比,蓄意攻击下体系网络的鲁棒性较差。造成这一现象的原因是蓄意攻击下受损节点在体系网络中占有重要地位,失效后导致网络结构破碎程度较显著,对整个体系的层内结构衰退和层间耦合衰退的影响更大。其次,对比针对物理层、针对功能层和针对物理-功能层同时攻击等3种攻击场景,可以发现随机攻击功能层后网络降幅最少,随机(蓄意)攻击物理层网络后网络降幅次之,而蓄意攻击功能层后网络性能降幅最大。也就是说,某一失效比例下,存在ΔPRALN>ΔPRAPN>ΔPMAPN>ΔPRADN>ΔPMADN>ΔPMALN,其中ΔP为体系性能下降幅度。分析可知,这是由于NISoS THINM中,功能层网络为有向网络,重要度大的节点主要是处于信息驱动链中间环节的信息决策类节点D,直接攻击重要度越大的功能类节点后网络极大连通子图迅速收缩,带来体系中C-SDILNNS指标的快速降低,而随机攻击功能层网络节点后所选节点有可能是处于CSDIL两端的节点,对C-SDILNNS指标的影响较小;与此相应,对物理层的攻击首先是通信类节点,支撑信息驱动链网生成的作用受到一定程度的破坏。文中NISoS THINM中物理层为ER无向随机网络,该网络自身对随机或蓄意攻击都具有较好的鲁棒性,与功能网络相耦合以后,对于随机故障或蓄意攻击也具有一定容忍能力。

以上分析结果表明,NISoS作为一类多网交织的复杂信息网络,应高度关注新型网络空间安全,制订有效应对赛博空间蓄意攻击的防范措施,对于增强体系鲁棒性具有现实意义。此外,也不能忽视传统火力毁伤,加强对体系中关键节点要素的保护与备份。网络鲁棒性分析的最终目标是增强体系的鲁棒性能,从联合作战物理域与网络域等多维角度全面分析体系面临威胁,综合权衡随机或蓄意等不同类型的攻防成本和效果,能够为增强NISoS鲁棒性提供有益借鉴。

4 结 论

本文针对NISoS鲁棒性分析中结构模型简单、网间交互分析不足等问题,构建了NISoS THINM,并基于该模型提出了信息驱动链网融合指标,设计了不同类型的攻击样式,全面分析了不同网络模型、度量指标下NISoS性能级联衰退过程。仿真分析结果表明,构建的THINM不仅能够较精细刻画NISoS结构特征,而且基于该模型能较好分析体系在随机或蓄意等多样化攻击下,横跨物理域和网络域的网络级联衰退特性。

本文讨论了随机耦合方式下的NISoS THINM,而实际中应考虑更多因素,如体系异质节点间的支持、反馈等不同相依属性、层间度正/负相关等依存方式以及全部或部分耦合等不同相依强度。此外,因为体系网络的异质性,不同节点及其连接边失效的概率也不尽相同。因此，不同的模型参数对于深入挖掘NISoS异质相依模型鲁棒性能、准确反映体系网络动力学过程具有重要意义。下一步,我们将从相依冗余度、耦合强度、节点失效概率等模型参数入手,在网间随机耦合的基础上细化完善NISoS THINM,探讨不同耦合方式和强度等参数与NISoS鲁棒性之间的深层次关系。另外,综合考虑体系运行过程中的信息流负载,引入具有负载动态分配、节点与连边动态恢复机制,开展NISoS THINM级联失效过程研究,有助于探寻体系中要素资源、性能和风险的最佳权衡,为现有体系集成构建与鲁棒性增强策略设计和修订提供技术支撑,这也是今后深化研究的重要方向。