大数据技术在战场态势感知中的应用

贺 玲，贺照辉

（1.空军预警学院预警情报系计算机与网络教研室，湖北 武汉 430019；2.空军预警学院预警模拟训练中心，湖北 武汉 430019）

随着现代化信息技术的发展与运用，战争形态已从机械化、信息化的作战模式逐渐朝着智能化的方向发展，大规模体系作战和一体化联合作战加快了战争的节奏，敌我双方态势分析研判、指挥员根据战场情况对战斗的指挥控制、多种力量跨域攻防、战场武器的毁伤效果评估、战争全过程的综合保障以及最后的战斗总结，都会产生海量异构的数据，严重影响着作战指挥员对战场态势认知的准确性。此外，智能化战场上信息的快速交换融合和无人作战体系的快速反应，对未来的战争也提出了更高的要求，及时、准确、高效、可靠的战场态势感知是人民军队“打胜仗”所必须具备的能力。

大数据技术的应用将大大缩短数据收集和上报的时间，帮助指挥员更好地统观全局，加快指挥员的指挥决策，为军事创新带来的新的能动力。因此，研究并推动大数据技术在战场态势感知中的应用，全面增强战场态势感知能力，具有重要而深远的意义。

1 战场态势感知基本概念

早在20 世纪70 年代，美国空军上校约翰·博伊德（John Boyd）提出了著名的“OODA 循环”，又被称作“博伊德循环”，如图1 所示[1-3]。

图1 OODA 循环

约翰·博伊德将整个作战过程抽象为“观察—判断—决策—行动”4 个环节，这4 个环节形成闭环反复执行，从而实现整个作战及指挥行动。因此，提升战场态势感知能力，缩短OODA 的周期，从而实现先敌判断、先敌决策、先敌行动，对抢占战场主动权、取得战争的最终胜利起着至关重要的作用。

战场态势感知的过程可简要描述如下：我方在特定的时间和空间环境之中，利用陆、海、空、天各个领域的传感器获取敌对双方具体的兵力对比、兵力部署、作战计划、火力分配、作战意图等，并形成整个战场环境的实时状态认知，进而利用可视化的技术，将战场整体环境转变成直观的形式予以呈现，在此基础上对下一时刻战场态势各要素的发展变化进行预测并展示。据此，可以把战场态势感知抽象为3 个层次，即态势察觉、态势理解、态势预测，如图2 所示[4-6]。

图2 战场态势感知层次图

战场态势感知的概念由Boelke 在第一次世界大战中首次提出，他第一次指出了“先于敌方获取态势感知并设计达成方法的重要性”，然而在当时的社会大背景下，并没有引起国际军事家的关注。1995 年，Endsley重新对态势感知进行了定义，将态势感知分为察觉、理解和预测3 个层次。

2 战场态势感知面临的挑战

现代战争打破了领域限制和军兵种的限制，是一个复杂的系统，内部存在着各种动态性、适应性、不确定性、模糊性、随机性等复杂特性，目前对这些机理特性还不能完全掌握和了解。此外，现代战争战场空间的全域性、战场形态复杂性、战争形式多样性以及电磁干扰、电子欺骗等新型战法的运用使得战争的节奏明显加快，战机可能在区区几秒中内转瞬即逝。因此相较于过去的传统作战模式而言，现代战争的态势信息更为复杂，再加上各种态势信息的不确定性和模糊性强，对战场态势信息的管理和分析就变得更为困难。其次，态势信息来源较为广泛，单单是一个指挥机构的战场态势信息就有10 种以上的情报来源，每种情报类型又形式各异，既存在传统的结构化数据，又存在图片、视频、声音等非结构化的数据，如何将不同来源、异构的态势信息进行统一的组织管理，并进行高效的分析和处理，是目前战场态势感知能力构建的难点所在。具体来说，当前面临的挑战可包括（但不限于）以下3 个方面。

第一，瞬息万变的现代战场形式、丰富多样的感知手段、偶发的不确定因素的增加，都将严重影响指挥员决策的及时性和准确性。构建一个战场信息的共享平台，实现对战场实时信息的统一管理、储存、分析以及共享，并在此基础上进一步构建和完善统一的一体化信息指挥控制平台，使各军种的作战力量实现更深层次的融合、不同空间区域的作战目标实现相互配合和相互支撑，进而提升作战效能，是态势察觉层次要解决的关键问题之一。

第二，对于态势察觉中获得的海量、异构的战场态势信息，需要进行关联、相关和综合，以得到更有用的信息，从而对当前态势、下一步将要面临的威胁进行完整、及时的评估，真正实现态势理解的意图。采用大数据分析技术对这些信息进行关联规则挖掘，是态势理解层次需要解决的关键问题之一。

第三，战场态势感知是多维度和多要素的，现阶段单维度和单要素的信息表达方式已经日益成熟，但多维度和多要素的信息表达仍存在一定的困难。与此同时，态势信息的直观表示和呈现，能极大缩短态势预测的时间，提升态势预测的效能。所以，从未来战争的发展趋势来看，多维度和多要素的信息展现是态势预测层次要解决的关键问题之一。

接下来针对当前战场态势感知中存在的困难和挑战，将依次从态势察觉、态势理解和态势预测这3 个层次，探讨大数据技术的应用。

3 大数据存储技术在态势察觉中的应用

采用合理的架构对数据进行组织管理，是分析处理数据的前提和基础。当前，信息化、智能化的战争形态早已打破了军种和领域间的界限，战场态势感知能力存在于海、陆、空、天和网络等作战领域，在电磁频谱、信息环境和认知维度等领域也进行着高度的密切协同，在这样的背景下，所获取的战场态势信息不仅数量庞大，而且结构复杂，表现形式也日益多样化。因此迫切需要构建大数据的存储架构。

ApacheHadoop[7-8]是一个典型的分布式系统框架，支持海量数据的存储与处理，由Apache 软件基金会开发。现存的很多大数据平台都是在其原生版本上进行优化和封装。该框架由HadoopFileSystem（HDFS）、MapReduce、HadoopDataBase（HBase）等组件构成，可靠性高、容错性好、高效且易扩充，是目前主流的大数据存储管理框架。

HDFS[9-10]是数据存储和管理中心，通常采用主从结构构建，如图3 所示，NameNode 为“主”，其他DataNode 为“从”。NameNode 负责管理文件系统的元数据和DataNode 节点，DataNode 是文件系统的实际工作节点，负责存储和检索数据，并定期将存储的块信息发送给NameNode。

图3 HDFS 结构图

MapReduce[11-13]则主要完成任务的计算工作，即对数据的计算处理，其计算过程总体分为2 个阶段，分别被称作Map 阶段和Reduce 阶段。概括来说，Map阶段并行处理输入的数据，Reduce 阶段对Map 的结果进行汇总。由于MapReduce 在处理大数据集时，将任务分解给多个Hadoop 运行节点处理，显著提高了集群处理大量数据的能力。

HBase[14]是一个分布式的、面向列的开源数据库，它不同于一般的关系数据库，适合存储非结构化的海量数据。HDFS 为其提供了高可靠性的底层存储支持，MapReduce 为其提供了高性能的计算能力。

基于HDFS、MapReduce 以及HBase，搭建适用于大数据的分布式存储架构，将为战场态势的快速、准确感知奠定良好的基础。

4 大数据分析技术在态势理解中的应用

态势理解，本质是就是整合感知到的数据和信息，分析其相关性。例如，对各类态势要素进行分类、归并、关联分析等融合处理，进而对融合的信息进行综合分析，得出对当前态势的整体估计，这是态势感知的核心。针对态势感知数据的动态性和偶然因素多等问题，主要探讨以下技术的应用。

4.1 实时分析

实时分析的基础是流处理技术。目前主流的流处理组件包括Storm、Spark Streaming、Kafka、Flume、Flink 等，它们各有其特点和优势，在具体应用中可根据特定应用背景选择合适的处理方式。接下来主要围绕Flume、Flink 和Spark Streaming 展开介绍。

Flume[15]可靠性高，容错性好，可以将源数据存储到任何集中存储器中，如HDFS、HBase，Flume 管道的处理机制基于数据库事务的概念，因此能保证数据传送和接收的一致性，并且提供上下文路由特征。

Flink[16]程序本质上是分布式并行程序。在程序执行期间，一个流有一个或多个流分区，每个算子有一个或多个算子子任务，每个子任务彼此独立，并在不同的线程中运行，或在不同的计算机中运行。

Spark Streaming[17]是一种构建在Spark 上的实时计算框架，扩展了Spark 处理大规模流式数据的能力，其优势主要体现在：能运行在100+的结点上，并达到秒级延迟；使用基于内存的Spark 作为执行引擎，具有高效和容错的特点；能集成Spark 的批处理和交互查询；为实现复杂的算法提供与批处理类似的接口。具体来说，Spark Streaming 把流式计算当作一系列连续的小规模批处理来对待，从各种输入源中读取数据，并把数据分组为小的批次，新的批次按照均匀的时间间隔创建出来。在每个时间区间开始的时候，一个新的批次就创建出来，在该区间内收到的数据都会被添加到这个批次中。在时间区间结束时，批次停止增长。时间区间的大小由“批次间隔”这个参数决定，批次间隔一般设在500 ms 到几秒之间，可由应用开发者配置。

4.2 大数据挖掘

态势信息数量多，种类复杂，从中提取出潜在有用的信息和知识，也将涉及到多种方法，如分类、回归分析、关联规则挖掘等。

分类[18]是从大量数据种找出一组对象的共同特点，并按照分类模式将其划分为不同的类。

回归分析方法[19]反映了数据库中属性值在时间上的特征，产生一个将数据项映射到一个实值预测变量的函数，以发现变量或属性间的依赖关系，主要目的是用来研究数据序列的趋势特征、数据序列的预测等。

关联规则描述了数据库中数据项之间存在的关系的规则，关联规则挖掘[20]是大数据分析与挖掘的基础，通过在海量态势数据中挖掘数据项之间的关联关系，可以获得很多有意义、有价值的信息。

5 大数据展现技术在态势预测中的应用

态势预测需要在获取并处理当前态势数据序列的基础上，探寻态势数据之间的发展变化规律，并对态势未来的发展趋势和状况进行推测，形成科学的判断、推测和估计，为指挥人员制定正确的规划和决策提供依据，在这个过程中，已有的态势信息如何更加直观地予以呈现，将从很大程度上影响着态势预测的时间和效果。大数据展现技术将在其中发挥重要的作用。

以图形的形式将态势理解的结果予以直观的呈现，是大数据展现的基本形式，如散点图、折线图、柱状图、地图、饼图、雷达图、K 线图、箱线图、热力图、关系图、矩形树图、平行坐标、桑基图、漏斗图、仪表盘等，针对不同的应用场合，可选用不同的图形化方式，将对现有态势数据予以直观的呈现。

此外，合理采用已有可视化工具，也将极大提升态势预测的性能。Tableau[21]即为一个可视化的分析平台，能帮助我们快速对数据进行挖掘和可视化共享，以用于辅助决策；ECharts[22]也是一个开源的可视化工具，可以流畅地运行于各类计算机和移动设备，并兼容大部分浏览器。在功能上，ECharts 可以提供更直观、交互丰富、可高度个性化定制的数据可视化图表；在使用上，ECharts 为开发者提供了种类繁多的图形界面，提供了包括柱状图、折线图、饼图、气泡图等在内的一系列可视化图表。而且ECharts 使用简单，只需要从官网上下载指定文件，然后引用在网页上展示即可。

6 结束语

文章结合战场态势感知的3 个层次，从态势察觉、态势理解和态势预测3 个方面分析了大数据技术的应用。众所周知，随着现代信息技术的飞速发展，以数据、计算、模型和算法为主要特征的智能化战争成为未来战场的主要形态。在未来的智能化战场上，敌我双方为缩短各自的OODA 循环周期，围绕战场态势感知所进行的斗争将更为激烈。在态势感知的各个环节合理地运用大数据技术，将对提升战场态势感知效能，起到积极的推动作用。