基于知识表示学习的通信辐射源威胁评估方法

刘毓，李京华，孙佳琛，丁国如

（陆军工程大学，江苏 南京 210007）

0 引言

通信对抗作为电子对抗的一种，是敌我双方在通信领域争夺电磁优势的方式。其中分布式协同干扰是一种电子对抗手段，通过分散抛撒或配置多个电子设备在地、海、空域内攻击目标，具有数量多、范围广等特点，具备电子对抗的优势。以“狼群”系统为例，2000 年美国国防高级研究计划局（DARPA,Defense Advanced Research Projects Agency）对外宣布开始进行狼群（WOLFPACK）网络化电子战研究[1]，利用体积小、重量轻的小型电子干扰机在电子攻击目标的活动区域内，自动地对选定的电子设备进行干扰。该系统以分布式网络结构交换数据，以分布式干扰方式破坏敌方通信链路，对敌方通信辐射源像狼群围攻猎物一样进行攻击。狼群系统使用网络失效对通信节点间进行阻止，还利用压制式干扰攻击、信号欺骗或雷达假目标等手段，达到破坏敌方的通信和雷达系统的目的。因此分析狼群系统的特点，进行威胁评估是正确评价分布式干扰效果、调整干扰策略、合理优化资源分配的重要环节，对未来电子对抗的发展具有重要意义。

随着通信对抗信息化的快速发展，通信辐射源威胁评估成为战场决策中的一个重要环节，通信辐射源威胁评估是基于电磁频谱态势数据进行融合、决策和推理的过程[2]。国内外主要的威胁评估方法有：

1）基于专家知识的方法。文献[3]提出多领域专家知识集成评估系统定义和集群目标威胁度赋值规则，提高了有效性和合理性，但存在知识获取困难、推理方法不够智能的问题。

2）基于TOPSIS 算法的方法。文献[4]利用TOPSIS算法对目标威胁因素进行分析，该方法在多目标威胁评估中操作简便、计算速度快、适应性广，但TOPSIS 法有很大的主观性和盲目性。

3）基于贝叶斯网络算法的方法。文献[5]基于混合贝叶斯网络威胁评估方法，提出了结合主观经验和客观历史数据进行网络参数学习的方法，提高了决策模型的准确性，但因网络结构简单，导致威胁等级评估因素不完备，很难适应多变的战场环境。

知识图谱（KG,Knowledge Graph）使用图结构的形式刻画现实物理世界中各类事物间的相互关系[6]，其基本组成单位是三元组(h,r,t)，其中h 和t 代表一条关系的头结点和尾节点，r 代表关系。知识图谱能够更好地刻画实体的关系属性，可以根据实体间的关系来分析和预测通信辐射源威胁等级，并为相关任务提供丰富的数据及其相关特性，为复杂电磁环境下的知识表示带来了新的技术手段。

西安电子科技大学张钊等[7]探索了知识图谱在雷达识别中的应用，扩宽了电磁目标威胁评估新思路；西南电子设备研究所李高云等[8]提出以电磁目标高维画像、关联情报分析的形式服务于应用，并基于此探讨了电磁目标知识图谱构建方案及面临的关键技术，面向专业人员提供深度分析和辅助决策支持，为类似行业知识图谱解决方案提供参考；中国电子科技集团公司第二十八研究所梅发国等[9]分析了多维多源异构情报大数据下态势感知的背景和需求，探讨了思维导图和知识图谱等方法，提出了目标关系融合技术，并给出了应用案例设计，实现了目标融合由“点式”到“链式”的转变，从而支撑对敌方意图的深度感知；南京邮电大学桂冠等[10]针对深度学习在面对结构化信息与海量数据时的巨大优势，主要探讨了深度学习在物理层无线通信中的潜在应用，并且证明了其卓越性能。

目前国内外对辐射源威胁等级研究对象主要是雷达辐射源信号。针对现有的威胁评估方法的不足，本文提出将知识图谱理论与技术应用到通信辐射源威胁评估中：1）提出通信辐射源威胁评估知识图谱，将评估威胁等级因素映射成实体与关系，完成通信辐射源威胁评估知识图谱的本体建模；2）运用知识图谱表示学习TransE 模型挖掘辐射源与辐射源间的隐藏关系，推理通信辐射源的威胁等级；3）通过TransE 模型的链路预测实验评估通信辐射源威胁等级推理效果。

1 通信辐射源威胁评估

在威胁等级划分方面，文献[11]初步将机载雷达告警系统的威胁等级划分为七个等级，第一级威胁程度最高，第七级威胁程度最低；文献[12]、[13]改进TOPSIS算法，考虑多个指标之间的关联性，得到综合权重，提高了评估的准确性和可靠性；文献[14]对相对贴近度进行排序，解决评估指标少、不全面的问题。

通信辐射源威胁评估目前还没有统一有效的评估模型。结合上述威胁评估方法，本文构建一个通信辐射源威胁评估模型，并将威胁等级划分为三个级别，分别是高、中和低。针对如图1 的分布式协同场景完成通信辐射源威胁评估模型构建，该场景由5 个通信辐射源发射设备构建，分别是导弹车一辆、战斗车一辆、侦察车两辆及指挥车一辆，对干扰目标进行通信辐射源干扰。提出威胁评估模型如下：

其中wij表示威胁值，且wij∈[0,1]，ωj表示权重，rij表示第i个通信辐射源的第j个特征值。特征值由通信辐射源威胁评估指标确定，如图2 所示，对分布式协同场景下通信辐射源威胁评估关键因素进行分析，该指标具体包括：战术重要性、骨干节点、关键链路、目标距离和功率。

图1 分布式协同通信辐射源威胁评估场景

图2 通信辐射源威胁评估指标

（1）战术重要性

依据通信链路的战术重要性确定威胁指数[15]：各通信辐射源设备的通信链路不同，战术重要性也不同。战术重要性特征值为ri1，且ri1∈[0,1]。其中通信辐射源设备影响能力越大，威胁就越大，战术重要性的特征值就越高，即图1 场景中的设备按照战术重要性，由高到低排次为：导弹车＞战斗车＞侦察车＞指挥车，因此设特征值ri1依次为0.92、0.74、0.57、0.28。

（2）骨干节点

骨干节点指的是信息网络系统的交汇点、控制点和信息交换中心[16]，主要对节点的重要程度进行排序，获得某个节点相对于其他节点的重要程度。其特征值为ri2：

式中lx表示节点x 与其他节点直接相关联的边数，N为网络中节点数目。

（3）关键链路

关键链路指的是作战要素之间的关键联系，任何信息网络都有节点和链路[17]。分析通信网络时间的通信链路是对目标进行威胁排序的关键步骤，通过对关键链路的分析，选择其中拥有高价值的通信链路作为干扰目标，能够更有效地干扰。其特征值为ri3：

式中lxy(c,v) 表示通信网络中节点x 与节点y 间经过链路(c,v) 的最短路径数量；lxy表示通信网络节点x 与节点y间最短路径的总数。

（4）目标距离

威胁辐射源离目标距离越近，其威胁越大，威胁等级越高。则通信辐射源目标距离特征值ri4为：

式中dk为辐射源距攻击目标的距离，dmax、dmin分别为辐射源距攻击目标距离的最大值和最小值。

（5）功率

根据通信的干扰公式可以得到，当干扰目标距离一定时，距离越远则功率越大，所需干扰功率越大、干扰越难，因此威胁等级越高。则功率特征值为ri5：

式中pk表示干扰功率，pmax表示干扰设备能干扰的最大干扰功率的临界值。

不同指标对通信辐射源进行威胁等级评估的影响程度不同，需要明确评估指标相对应的权重后再计算通信辐射源的威胁等级，影响通信辐射源的指标和其权重关系如下：

对通信辐射源的威胁值进行计算，能有效地求解多目标决策，具体威胁值计算过程如下：

设存在n个威胁通信辐射源，建立决策矩阵去评估通信辐射源的威胁等级，其中i=1,2,…,n；j=1,2,3,4,5。构造加权标准化矩阵：，其中wij=ωjrij，再求解最大威胁值与最小威胁值：

相对贴近度Ci反映通信辐射源威胁值接近最大威胁解又远离最小威胁解的程度，因此Ci值越大，表明该通信辐射源威胁越高。

2 基于知识表示学习的威胁评估

2.1 知识图谱本体建模构建

通信辐射源知识图谱的构建是对现有通信辐射源数据知识的提纯、表达与存储。本体建模是知识图谱构建过程中的关键一环，是知识图谱由抽象到具体的过程[18]。

基于上述分布式协同场景和通信辐射源威胁评估模型，本节展开知识图谱本体库构建工作。考虑一种面向领域知识图谱的自顶向下的本体构建方法[19]，列举通信辐射源威胁评估的重要术语、通信辐射源威胁评估指标，明晰实体、关系以及实体概念、属性间的联系如表1 所示：

表1 通信辐射源威胁评估实体概念的属性

完成知识图谱的本体构建如图3 所示，该知识图谱本体建模由软件Protégé 构建。软件Protégé 完成通信辐射源威胁评估的知识图谱本体建模，部分实体与关系如下所示：“发射设备-has_individual-战斗车”、“战斗车-发射-通信辐射源2”、“发射设备-影响-威胁评估指标”、“威胁评估指标-has_subclass-战术重要性”等三元组关系。

图3 通信辐射源威胁评估知识图谱本体建模

2.2 知识表示学习模型

知识表示学习将知识图谱中的实体节点和对应关系通过训练模型映射到连续向量中的空间[19]，提高了异构知识的融合，提升了计算效率，且有效地解决了数据稀疏问题。目前知识表示学习在链路预测、关系抽取、智能问答等方面得到广泛应用[21]。知识表示学习主要分为4 种方式：基于距离的知识表示、基于语义匹配的知识表示、基于神经网络的知识表示和基于图神经网络的知识表示[22]。其中基于距离的模型是知识表示的典型方法，本文重点研究基于距离的知识表示，在通信辐射源三元组中头实体和尾实体通过中间关系进行平移，挖掘通信辐射源间的隐藏关系。

基于距离的知识表示主要模型有：TransE、TransH和TransR 模型，考虑通信辐射源威胁评估场景环境复杂多变的特点，需要采用具有结构简单、计算效率快等特点的模型，本文选取TransE 模型进行通信辐射源威胁评估推理，即采用清华大学OpenKE[23]中的TransE 模型。

Bordes 等人于2013 年提出TransE 模型[24]，将一个三元组表示成(h,r,t)，其中h 表示头实体，r 表示关系，而t 表示尾实体。关系r 被视作为一种操作—嵌入空间中的平移。TransE 模型对存在的每个三元组(h,r,t)期望h+r≈t，通过L1 或L2 的范数衡量三元组距离。为了学习到随机替换每个实体和关系生成的负样本所对应的表示向量，设损失函数为：

式中，S表示知识图谱中正样本集合；d(h+r,t)表示正确的三元组距离得分，表示(h,r,t)的负样本，在训练过程中三元组(h,r,t) 的负样本通过随机替换头实体h或者尾实体t 得到，则d(h-+r,t-)表示错误的三元组距离得分；[x]+表示max(0,x)；γ是边界超参数，表示正负样本间的距离。

其中负样本表示错误三元组，错误三元组由头实体或尾实体随机替换产生，由此构造负样本：

TransE 模型简单、计算效率快，但在处理复杂关系建模时会遇到困难。

2.3 基于知识表示学习威胁评估的推理

知识图谱是一种关系可拓网络，采用图结构将现实世界事物间的关联关系建模为知识，可从数据中发现、挖掘和推测隐藏信息。

在通信辐射源威胁评估知识图谱本体库的基础上，将本体建模具体化，增加如图1 所示场景的实体，形成如图4 所示的实体关系映射实例。威胁等级主要受战术重要性、关键链路、骨干节点、目标距离、功率、时间等因素影响，得到n1的知识：

(n1,ThreatLevel,high)、(n1,TimeIs,t1)、(n1,DistaneIs,l1)、(n1,TacticalImport,0.92)、(n1,BackboneNode,e1)、(n1,ThekeyLink,k1)等多个三元组。在此基础上构建n2的知识，如(n2,TimeIs,t2)、(n2,DistaneIs,l2)、(n2,ThekeyLink,k2)、(n2,TacticalImport,0.74)、(n2,BackboneNode,e2)，因此对于威胁等级的评估问题可转化为对表示威胁等级数值的三元组(n2,ThreatLevel,？)的链路预测问题。且较短时间内威胁等级具有相似性，可以增加(t1,TimeSimilar,t2)等三元组作为已知信息。具体目标指数信息如表2 所示：

表2 通信辐射源具体信息参数

通过通信辐射源设备参数和威胁评估模型可得5 个设备的威胁等级由高到低：n1＞n3＞n4＞n2＞n5，因此本文将威胁等级评估问题映射为链路的预测。

3 链路预测

3.1 实验数据

TransE 模型所需数据集包含信号数据和文本数据：其中信号数据由图4 所示的自组网通信模块仿真实验产生，在10 s 内采集5 个发射节点的信号数据；文本数据由通信辐射源威胁评估指标映射的实体、关系构成。实验中，边距超参数设为5.0，负采样方法设为概率抽样，迭代次数设为1 000，嵌入维度设为100。

3.2 实验结果与分析

本文旨在进行通信辐射源威胁评估，因此选取链路预测评价知识图谱表示学习模型的效果。根据TransE 模型进行链路预测，在给定头实体和关系的前提下，预测尾实体（威胁等级），即（n2,ThreatLevel,？）。基于知识表示模型的链路预测流程如图5 所示，使用知识图谱中已存的实体关系三元组，构建训练集输入基于距离的模型TransE，通过负采样方法随机替换实体来计算尾实体概率分布。

图4 分布式协同干扰通信辐射源威胁评估实体关系映射实例

图5 基于知识表示模型的链路预测

本文将从不同角度评估TransE 模型的预测能力和精确度，实验根据通信辐射源威胁评估的特点，通过以下三种方式对TransE 模型进行评估：1）链路预测的评价指标；2）对多源数据准确性的评估；3）对动态知识图谱可扩展性的评估。

（1）评价指标

选择正确三元组得分（MeanRank）排序和得分排名前n的三元组正确率（Hits@n）作为链路预测的评价指标。MeanRank 表示正确三元组的得分排名，其值越小越好。Hits@n（n∈{1,3,1 0}）表示排名前n里正确实体的比例，值越高，模型效果就越好。MeanRank 和Hits@n表达式为：

此外，模型算法计算三元组实体被替换后的距离，再按照升序排列，即在链路预测中，原始三元组随机替换成数据集中已有的三元组，但该情况会干扰三元组的正确排序得分。对此，采取随机替换三元组并进行过滤（Filter），使得随机生成不属于训练集、验证集和测试集的三元组，未消除已有三元组的称为Raw。

链路预测的评估结果如表3 所示：

表3 链路预测结果

（2）多源数据推理正确率

考虑通信辐射源威胁评估多源数据对TransE 模型的影响，按照20%、40%、60%、80%比例增长数据集，链路预测的评估效果由Hits@n指标表示。实验结果如图6所示，横坐标表示数据增长的比例，纵坐标表示Hits@10数值。其中随着数据比例增长到一定值时，Raw 中未消除的三元组严重干扰三元组的正确排序得分。为了消除此干扰，生成Filter 三元组，由图6 可得，随着数据比例增长，Filter 三元组的Hits@10 数值也随之增长。

由实验可知，Hits@10 排名结果随着知识的增加而提高，这表明在通信辐射源威胁评估中，随着知识的增加，知识表示学习推理模型能从更多复杂数据中学习更多的实体间的隐藏关系，威胁评估推理效果也越好。

（3）动态新增知识推理正确率

为验证本文所提通信辐射源知识图谱表示模型的知识扩展能力，本部分通过去掉测试集中头实体或尾实体在训练集中出现过的三元组，再新增从未在训练集中出现过的头实体或尾实体，用此测试集进行测试，以验证动态新增知识推理的正确率。实验结果如图7 所示，图中横坐标表示新增实体占比，左侧纵坐标表示Raw 三元组的Hits@10 数值，右侧纵坐标表示Filter 三元组的Hits@10数值。

该实验表明知识图谱中动态新增数据无需重新训练就能进行知识表示，且随着新增数据的增加，威胁评估推理效果总体呈上升趋势，从而使基于知识表示的通信辐射源威胁评估推理具有可扩展性，并在后续的实际应用中具有实用性。

4 结束语

图6 多源数据知识推理结果

图7 动态新增数据知识推理结果

传统的通信辐射源威胁评估方法无法处理多源异构的辐射源数据，不能适应动态多变的电磁环境。本文基于知识图谱的通信辐射源威胁评估进行了初步研究和讨论，提出将知识图谱技术引入到通信辐射源威胁评估中，将通信辐射源威胁评估指标、通信辐射源数据表征成知识图谱中的实体与关系节点，再把实体与关系通过模型映射到连续向量的空间。

本文通过知识表示学习进行通信辐射源威胁评估，运用TransE 模型进行链路预测实验。实验结果表明，基于知识表示的TransE 模型推理通信辐射源威胁评估精确度高、推理能力强、动态可扩展，对于研究知识图谱与通信辐射源威胁评估实际应用提供了参考和借鉴意义，对于分布式干扰发展具有重要意义。