李新明，李 亢，劉 東

(裝備學院復雜電子系統(tǒng)仿真重點實驗室，北京 101416)

裝備體系(Equipment System of Systems)是由功能上相互關聯(lián)的各種類各系列裝備構成的整體，通常由戰(zhàn)斗裝備、綜合電子信息系統(tǒng)、保障裝備構成。裝備體系評估能夠對當前構建的裝備體系水平進行評價，明確體系中裝備和系統(tǒng)的短板和不足，是裝備體系建設的重要環(huán)節(jié)［1］。近年來，軍事需求的生成模式由基于“任務”、基于“威脅”逐漸轉向基于“能力”。所謂能力，是在特定的標準和條件下，通過組織運用各單位、裝備和設施等手段和技術來執(zhí)行某種特定的任務，達到某種效果的本領［2］，基于能力的裝備體系評估得到了眾多專家學者的廣泛關注。

大數據分析(Big Data Analyze，BDA)是近年來興起的一種新的科學研究方法，能夠從大量的數據中發(fā)現(xiàn)未知的規(guī)律，在眾多領域得到了廣泛的應用［3］。本文將大數據分析方法應用于裝備體系評估中，通過分析大數據分析與常用體系評估方法的特點，提出基于BDA的體系評估思路，構建基于BDA的裝備體系評估模型，并通過實例仿真實驗挖掘裝備體系構建與體系能力的關聯(lián)關系，驗證基于BDA的裝備體系評估方法的應用價值。

1 基于BDA的裝備體系評估

1.1 大數據分析

大數據分析是指對海量、動態(tài)變化的數據集進行深度分析(Deep Analysis)，提取出隱含的、先前未知的、有潛在價值的信息，用以提供決策支持。它主要基于人工智能、機器學習、模式識別等技術，自動化地分析大數據，做出歸納性的推理，從中挖掘出潛在的數據價值，提取出有用的信息，常用的方法有決策樹、聚類、貝葉斯網絡、關聯(lián)規(guī)則、實例學習、半監(jiān)督學習等［4］。

大數據技術的興起是為了應對兩個方面的趨勢和挑戰(zhàn)［5］:一是傳統(tǒng)的數據管理技術難以滿足規(guī)模大、類型多、變化快的數據處理需求，產生了以MapReduce為代表的非關系型數據管理技術;二是隨著數據深度分析需求的增長，人們不再滿足于從數據集中獲取已存的數據，而希望通過對數據的深入分析發(fā)現(xiàn)隱含的知識，即我們所說的大數據分析。

Tony Hey等在《The Fourth Paradigm:Data-Intensive Scientific Discovery》［6］中指出，科學研究在實驗實證、理論分析、計算模擬3種研究模式基礎上誕生了第四種研究模式——數據密集型(Data Intensive)研究模式，即不再從已知的規(guī)則中計算推理，而是從數據中尋找問題的答案，獲得理論上的突破。

1.2 常見裝備體系評估方法分析

常見的裝備體系評估方法［7］主要有專家評估法、解析評估法、仿真評估法等3類。

專家評估法包括德爾菲法、頭腦風暴法、交叉影響分析法等，通過專家掌握的專業(yè)知識和經驗對研究問題的定性評價，該方法適用于缺少資料和數據的情況，但由于其判斷的主觀性較強，不能作為主要的評估方法。

解析評估法包括指數評估法、ADC評估法、Lanchester方程評估法等，通過建立評估指標與給定條件之間函數關系計算體系效能，該方法具有明確的解析公式，各變量之間的分析與計算較為直觀簡單，因此應用十分廣泛。但解析評估法中涉及的先驗知識和權重設置受人為因素的影響，而且對于作戰(zhàn)過程中的對抗行為考慮較少，難以滿足裝備體系評估的需求。

仿真評估法包括多Agent仿真評估法、HLA分布式仿真評估法、Monte Carlo仿真評估法等，通過將仿真數據輸入到體系仿真模型中，分析仿真結果數據進行裝備體系效能評估，該方法利于體現(xiàn)各裝備實體之間的交互作用，具有較高的可信度，其缺點是仿真模型的構建過程十分復雜，而且難以校驗模型的優(yōu)劣程度。

1.3 基于BDA的體系評估思路

基于對以上裝備體系評估方法的分析，本文探索將大數據分析技術應用到裝備體系評估中，提高裝備體系評估的效果。常見的裝備體系評估方法通常采用經驗打分、解析計算、仿真模擬等手段盡可能真實地表述裝備體系的評估過程，是一種面向“過程”的研究模式。而大數據分析技術關注數據處理結果的分析與挖掘，不關心數據處理的中間過程，是一種“知其然，不知其所以然”的“黑盒”模式。正如“購物籃”案例中處理的數據是各種商品組成的訂單，是顧客所購買商品的結果，并不關心挑選商品的過程。同樣，基于BDA的裝備體系評估也要弱化評估的過程，注重分析不同裝備體系的輸入以及其能力的評估結果，得出特定裝備組合對于體系能力的影響，發(fā)現(xiàn)制約裝備體系能力的“瓶頸”。

基于BDA的裝備體系評估理想的數據輸入是真實的裝備體系和其在實際表現(xiàn)中的能力評估結果，然而如果測試不同的裝備體系在各種想定條件下的能力表現(xiàn)，其工作量和成本是難以估量的。因此要利用實驗仿真方法，通過建立實驗仿真系統(tǒng)，將裝備體系以實體數據集合的形式代入到系統(tǒng)中，進行想定任務條件下的實驗仿真，并評估其能力表現(xiàn)。大量測試的裝備體系以及通過仿真獲得的評估結果數據，可以作為基于BDA的裝備體系評估的處理對象。

2 基于BDA的裝備體系評估模型

基于BDA的裝備體系評估模型設計了數據集成模塊、仿真實驗預設模塊、裝備體系能力評估模塊和基于BDA的裝備體系分析模塊4部分，圖1給出了基于BDA的裝備體系評估的模型框架。

圖1 基于BDA的裝備體系評估模型

2.1 數據集成模塊

數據集成模塊為基于BDA的裝備體系評估提供所需的各類數據，可以分為裝備實體數據和體系基礎數據兩類。這些數據需要集成為全局、統(tǒng)一的視圖，用標準的語言描述數據的概念和關系，使之能夠被評估系統(tǒng)準確無誤地理解。

裝備實體數據是多源裝備數據庫的集合，是評估系統(tǒng)的核心數據。它廣泛集成了可獲取的所有真實裝備數據庫，數據來源主要有裝備部門管理的裝備數據庫、相關業(yè)務單位構建的裝備數據庫，以及從互聯(lián)網收集的外軍裝備數據等。數據主要包括裝備的編號、型號、戰(zhàn)技指標、所屬部門、部署位置、服役時間等信息。

體系基礎數據是支撐體系評估的各類基礎性數據的集合，包括作戰(zhàn)想定數據、戰(zhàn)場環(huán)境數據和作戰(zhàn)力量數據等數據，一般采用文本、XML或其它形式化語言描述。作戰(zhàn)想定數據描述作戰(zhàn)的意圖、兵力的配置、作戰(zhàn)協(xié)同計劃、作戰(zhàn)原則與規(guī)律等信息。戰(zhàn)場環(huán)境數據主要描述戰(zhàn)場的所在區(qū)域、氣象環(huán)境、電磁環(huán)境等信息。作戰(zhàn)力量數據包括編制數據、區(qū)域數據等信息，其中編制數據明確了部隊編制體制的隸屬關系，區(qū)域數據明確了作戰(zhàn)區(qū)域的位置信息。

2.2 仿真實驗預設模塊

在特定的想定任務條件下，仿真實驗預設模塊為基于BDA的裝備體系評估提供仿真實驗的數據輸入，一方面生成用于測試的裝備體系，另一方面設定仿真實驗的初始條件。將這些數據輸入到評估系統(tǒng)中，分別對每個測試裝備體系進行仿真實驗。

首先，按照想定的約束規(guī)則抽取滿足條件的裝備數據作為參與仿真的實體，并隨機生成大量的測試裝備體系。想定約束規(guī)則是對想定任務中裝備實體數據的限制和要求，例如，某想定任務中要求“海軍”完成這一任務，那么只有隸屬關系屬于“海軍”的裝備才滿足這一想定約束規(guī)則的要求。將所有滿足結束規(guī)則的裝備，隨機地組合為用于測試的裝備體系。

然后，根據想定方案抽取相應的體系基礎數據，將涉及到的戰(zhàn)場環(huán)境數據和作戰(zhàn)力量數據作為仿真實驗條件數據。例如，某想定任務要求戰(zhàn)場位置為X區(qū)域，要求參與的部隊為“海軍”，則需要提取X區(qū)域的戰(zhàn)場環(huán)境數據，以及與“海軍”相關的作戰(zhàn)力量數據。這些數據可以準確描述仿真實驗的預設條件。

2.3 體系能力評估模塊

體系能力評估模塊是在實驗預設條件下對測試裝備體系進行的能力評估，為每個測試裝備體系給出能力評價，包括仿真實驗引擎、作戰(zhàn)效果計算、裝備體系能力評估3部分。其中仿真實驗引擎能夠根據仿真實驗預設條件模擬實驗過程。

首先，從仿真實驗預設模塊中提取仿真初始數據輸入到仿真實驗引擎中，仿真實驗引擎按照初始數據中任務想定所描述的作戰(zhàn)流程進行實驗仿真，模擬測試裝備體系對目標實施預警、探測、電子對抗、打擊等動作，并根據各裝備的性能指標產生裝備業(yè)務數據。

其次，作戰(zhàn)效果計算部分對裝備業(yè)務數據進行處理和分析，例如通過處理雷達的頻譜數據分析目標的運動特性等。綜合分析各類裝備業(yè)務數據，得出測試裝備體系對目標進行預警、探測、毀傷動作的作戰(zhàn)效果。

然后，裝備體系能力評估部分結合評估指標體系對測試裝備體系的能力進行評估，評估指標體系中規(guī)范地給出了描述裝備體系能力的定量指標和定性指標，將測試裝備體系作戰(zhàn)效果與估指標體系進行對比分析，給出測試裝備體系的能力評估結果。

2.4 基于BDA的裝備體系分析模塊

基于BDA的裝備體系分析模塊是對大量仿真實驗數據進行深度分析，挖掘裝備組合與體系能力之間的關聯(lián)關系、裝備體系與任務環(huán)境之間的關聯(lián)關系，并在此基礎上提供想定條件下的裝備體系輔助決策信息。

首先，采集和輸入仿真實驗中測試裝備體系、體系能力評估結果、想定任務環(huán)境等數據，這些數據具有海量、多態(tài)等大數據的特點，基于BDA的裝備體系分析引擎將這些數據進行集成和預處理，消除數據的異構性問題，把每次仿真實驗中涉及的數據整理為可供分析的樣本數據。

然后，以提高裝備體系能力為目標，裝備體系分析引擎重點考察體系能力評估結果較好的樣本數據集，采用聚類、關聯(lián)規(guī)則、半監(jiān)督學習等大數據分析方法挖掘仿真實驗數據中隱含的規(guī)律，分析在不同任務環(huán)境條件下裝備組合與體系能力的關聯(lián)關系、裝備對體系能力的貢獻程度，分析的結果可以為裝備體系的構建提供輔助決策信息。在想定任務條件下進行作戰(zhàn)時，相應的信息可以作為裝備體系構建和部署的重要參考。

3 基于BDA的裝備體系評估實例

為了更好地說明基于BDA的裝備體系評估，本文給出一個對電子信息裝備體系的偵察能力進行評估的簡單實例，詳細闡述評估的具體步驟。

仿真實驗的作戰(zhàn)想定任務為復雜電磁環(huán)境下的對空目標偵察，假設目標戰(zhàn)斗機于T時刻在X區(qū)域以750km/h的速度自東向西行駛，飛行高度為1000m。

按照該想定，從裝備數據庫中抽取具有對空目標偵察功能的裝備，且能保證在T時刻可以作用于X區(qū)域。滿足條件的裝備及相關參數如表1所示，其中偵察衛(wèi)星是經解算軌道方程后得出在T時刻覆蓋X區(qū)域。

從列表中隨機抽取任意數量的裝備組成測試裝備體系，如圖2所示，將其和相應的環(huán)境數據一起輸入到裝備體系能力評估系統(tǒng)中進行仿真實驗。當目標進入裝備的探測范圍后，系統(tǒng)將采集各裝備對目標產生的偵察數據，并對這些數據進行綜合解算，得出目標的運動特性。仿真完成后，將獲得的結果與預設的目標參數進行對比分析，參照指標評價體系給出測試裝備體系的偵察能力結果。以此類推，對產生的大量測試裝備體系分別進行仿真實驗和能力評估，并記錄相關的數據。

表1 滿足想定條件的裝備列表

圖2 復雜電磁環(huán)境下對空目標偵察示意圖

分析大量想定任務環(huán)境下的測試裝備體系和體系能力的評估結果，對體系能力表現(xiàn)優(yōu)秀的(能力評估值在前10%的)仿真實驗進行聚類挖掘。發(fā)現(xiàn)這些測試裝備體系普遍是偵察衛(wèi)星、無人機和雷達3種裝備的組合。并且可以得出，有無偵察衛(wèi)星對體系能力的影響較大;雷達數量(小于6時)的增加與體系能力的增加成正比，雷達數量(大于6時)的增加對體系能力的增加貢獻不大。此外，還發(fā)現(xiàn)較新的無人機XX-4的性能優(yōu)于其它型號的無人機;雷達XX-14雖然較XX-27的性能略有不足，但其和衛(wèi)星聯(lián)合后能力更強，等等。這些結論有利于決策者在不同的想定條件下，選取適合任務環(huán)境的裝備組合，發(fā)揮裝備體系的整體作戰(zhàn)優(yōu)勢。

4 結束語

本文嘗試將大數據分析的方法應用到裝備體系評估中，設計了基于BDA的裝備體系評估模型，通過分析仿真實驗產生的海量數據，挖掘裝備與體系之間、想定任務與體系之間、體系與體系能力之間的關聯(lián)關系，為想定任務條件下的裝備部署提供輔助決策支持?；贐DA的裝備體系評估是對裝備體系評估方法的一次創(chuàng)新和嘗試，下一步工作將細化模型中各模塊的功能設置，有針對性地研究數據處理算法，為裝備體系的構建發(fā)展提供有價值的信息。

［1］李新明，楊凡德，等.電子信息裝備體系概論［M］.北京:國防工業(yè)出版社，2014.

［2］DoD Architecture Framework Working Group.DoD Architecture Frame Work Version 2.0［R］.USA:Department of Defense，2009.

［3］Labrinidis，Alexandros，H.V.Jagadish.Challenges and Opportunities with big Data［J］.Proceedings of the VLDB Endowment，2012，5(12):2032-2033.

［4］Han Jiawei，Micheline Kamber，Jian Pei.Data Minning:Concepts and Techniques［M］.Third Edition San Francisco，CA，itd:Morgan Kaufmann，2013.

［5］覃雄派，王會舉，杜小勇，等.大數據分析——RDBMS與MapReduce的競爭與共生［J］.軟件學報，2012，23(1):32-45.

［6］Tong Hey，Stewart Tansley，Kristin Tolle.The Fourth Paradigm:Data-Intensive Scientific Discovery［M］.Redmond，Washington，2009.

［7］趙青松，楊克巍，陳英武，等.體系工程與體系結構建模方法與技術［M］.北京:國防工業(yè)出版社，2013.