基于UML與著色Petri網的預警情報智能推薦的建模與驗證

牛 犇，黃志良，吳俊杰，張福群，李子墨

(空軍預警學院， 武漢 430019)

1 引言

縱觀近年來的幾場局部戰爭，預警情報都起到了影響戰爭勝負的決定性作用。隨著軍事領域的深刻變革，傳統的情報服務方式如情報檢索和情報定制等，嚴重依賴情報用戶的認知去挖掘對其有用的情報，存在著很大的局限性。而預警情報智能推薦能夠深入挖掘情報用戶需要，主動地為不同種類、不同層級、不同任務特點的情報用戶提供個性化、智能化、實時性的預警情報，已經成為一種新興的情報服務模式[1]。智能推薦在預警情報和情報用戶之間架起了暢通的橋梁，但是其在軍事領域的研究還主要停留在算法層面，缺乏對于情報流的的建模和分析驗證，也限制了其在實際中的應用[2]。因此，本文中著眼預警情報智能推薦的應用問題，對推薦預警情報的流程進行建模和驗證。

目前，有關軍事復雜系統的建模的方法有很多，具有代表性的主要有IDEF(ICAM definition)、UML(unified modeling language)、Petri網等[3]。文獻[4]運用IDEF系列建模語言對裝備保障指揮控制的全流程進行建模，通過圖形化和層次化的模型展現了對象、活動和事件之間的約束關系，但是缺乏對模型動態分析的能力；文獻[5]利用UML統一建模語言對常規導彈作戰單元指揮訓練模擬系統進行建模，通過功能需求模型、靜態模型和動態模型等描述了系統的總體結構和實現途經，但是缺乏對模型的定量分析；文獻[6]使用著色Petri網對裝備保障指揮自動化系統進行建模，憑借Petri網嚴謹的數學分析以及并發、異步、沖突等特點，對系統進行了動態模擬和分析，但是描述靜態結構能力較弱，且嚴格的數學表達也難以被系統用戶理解。文獻[7-9]介紹了UML和著色Petri網的混合建模方法，兼顧了UML直觀、簡單易懂、容易表達等優勢，以及著色Petri網嚴格的數學表達、動態的行為描述，可以對復雜網絡進行建模與驗證。鑒于上述分析，本文主要采用UML和著色Petri網對預警情報智能推薦在聯合作戰中的應用進行建模與驗證。

2 預警情報智能推薦的應用流程

情報智能推薦是利用數理統計、數據挖掘、機器學習、人工智能、大數據等多種方法，對情報用戶執行任務過程中的動態行為和個性化情報需求進行搜集、記錄、分析和理解，推導和預測出情報用戶的潛在需求，在情報產品中挖掘出合適的情報，精準對接情報用戶的動態需求，進而主動將情報用戶所需的情報準確推薦給用戶，為指揮決策提供直接支持[10]。

相比情報定制和情報檢索等采取被動方式為情報用戶提供情報資源的手段，情報智能推薦能夠深入挖掘情報用戶需要，主動為情報用戶提供合適的情報，實現個性化情報與個性化用戶特征的智能匹配，從而提高情報產品的質量效益，加速指揮員的決策過程，實現體系作戰能力水平的提升。

智能推薦在情報用戶與預警情報之間形成了一種推薦機制，可以主動將個性化情報推薦給特定的情報用戶，實現智能分發以及按需分發。本文中把預警情報智能推薦在聯合作戰中的應用描述為如下流程，即情報源中的情報按批次輸入智能推薦系統，在預處理層建立情報模型和用戶需求模型，在隱藏層通過BP神經網絡處理后得到情報內容特征向量和用戶需求特征向量，運用協同過濾推薦算法、基于內容推薦算法和組合推薦算法等技術手段進行分析處理，在應用層將生成個性化情報推薦給聯合作戰中的情報用戶，輔助情報用戶進行決策，并通過按級指揮或者越級指揮的方式，組織部隊進行軍事行動，具體流程如圖1所示。

3 預情報智能推薦的UML建模

UML是一種易于表達且普遍使用的建模語言，具有規范化、可視化、結構化等特點，適用于系統開發的不同階段。本文中，使用UML對圖1所示的流程進行建模，從功能需求、靜態結構、動態結構等依次遞進的維度，分別建立了用例圖、類圖、活動圖等概念模型[11]。

3.1 用例圖

用例圖是從外部執行者的理解角度出發來描述系統的功能，主要用于系統建模的需求分析階段，需要系統開發者和系統用戶反復討論，進而對于需求規格達成共識。從系統建模層面看，預警情報智能推薦在聯合作戰中應用的用例圖主要包含系統管理員和情報用戶2個角色以及其與智能推薦系統交互相關聯的用例，具體關聯關系如圖2所示。

圖1 預警情報智能推薦在聯合作戰中應用的流程框圖Fig.1 Schematic diagram of the application of early warning intelligent recommendation in joint operations

圖2 智能推薦系統的具有具體關聯關系的用例圖Fig.2 Usecase diagram of intelligent recommendation system

3.2 類圖

類圖可以用來描述具有相同屬性、關系以及語義的對象之間的關聯和交互關系[12]。預警情報智能推薦在聯合作戰中應用的類圖主要從抽象的角度描述智能推薦系統的靜態結構及其組成部分之間的關系，具體關聯關系如圖3所示。

圖3 預警情報智能推薦的具有具體關聯關系的類圖Fig.3 Class diagram of early warning intelligent recommendation

3.3 活動圖

活動圖可以顯示了系統中從發生一個活動開始，到另一個活動終止的流程，體現的是對象之間的控制流[13]。預警情報智能推薦在聯合作戰中應用的活動圖主要是從流程的角度描述智能推薦系統的動態結構，并且展現了其在多動作主體之間的交互關系，如圖4所示。

圖4 預警情報智能推薦在聯合作戰中應用的活動圖Fig.4 Activity diagram of the application of early warning intelligent recommendation in joint operations

4 UML活動圖映射為著色Petri網模型

UML活動圖模型可以直觀的描述聯合作戰中預警情報智能推薦的工作流程，但是活動圖的語義是非形式化的且不精準的，導致難以對模型進行分析和驗證。為了解決這個問題，本文中提出利用著色Petri網獨有的嚴謹數學分析、工程圖形的特點以及對復雜網絡的建模能力，來彌補UML模型的不足[14]。因此，本文中建立了基于著色Petri網的預警情報智能推薦在聯合作戰中應用的模型，其中模型可以細化為頂層模型、個性化情報模型、智能推薦模型、響應模型、決策模型、指揮模型、反饋模型等[15-19]。

4.1 頂層模型

頂層模型主要是描述目標情報輸入系統后，自動生成個性化預警情報并推薦給情報用戶，情報用戶據此進行響應的過程。頂層模型主要由個性化情報替代變遷、響應替代變遷構成和個性化情報庫所構成，如圖5所示。

圖5 頂層模型框圖Fig.5 Top-level model

4.2 個性化情報模型

個性化情報模型主要是描述目標情報與情報用戶需求，在智能推薦系統中進行有機配對的分析處理，進而生成個性化情報的過程，如圖6所示。其中存在一個智能推薦系統的替代變遷，單獨構成一個智能推薦模型。

圖6 個性化情報模型框圖Fig.6 Personalized intelligence model

本文中涉及的目標情報(簡稱Info)屬性包括：情報序列號(簡稱Serial)、情報類型(簡稱Type)、目標屬性(簡稱Attribute)、目標性質(簡稱Nature)、目標位置(簡稱Position)、目標時鐘(簡稱Clock)、目標威脅(簡稱Threat)。情報用戶需求屬性，由用戶需求(簡稱Needs)構成。

聲明目標情報的變量類型為Info，由6個變量復合而成，其中類型、屬性、時間、威脅程度是整形變量，描述目標的性質是2個整形變量的復合變量，描述目標的位置是3個整形變量的復合變量。用戶需求的變量類型為Needs，由1個整形變量構成。

Info的定義為：

Closet Info=product X*X*X*(X*X)*(X*X*X)*X*X

Info中各個變量與目標定義中的屬性的對應關系為：

Info〈-〉Info:{Serial,Type,Attribute,Nature,Position,Clock,Threat}

其中：Serial表示目標情報的序列號。

Type表示目標情報的類型，Type=1表示該目標情報為預警情報；Type=2表示該軍事氣象情報；Type=3表示該軍事地理情報。

Attribute表示目標的屬性，Attribute=1表示目標屬性為敵；Attribute=2表示目標屬性為我；Attribute=3表示目標屬性為友；Attribute=4表示目標屬性為不明。Nature表示目標的性質，是個二元向量組顏色集，包括機型(Model)和架數(Number)，Model=1表示目標的機型為大型機；Model=2表示目標的機型為小型機；Model=3表示目標的機型為艦載機；Model=4表示目標的機型為機型不明；Number=1表示目標的架數為1架；Number=2表示目標的架數為2架；Number=3表示目標的架數為3架；Number=4表示目標的架數為機群。

Position與Clock主要用于描述目標的位置與時鐘，其中Position是個三元向量組顏色集，包括Azimuth、Distance、Altitude；Clock為賦時數值型顏色集。

Threat表示目標情報的威脅程度，Threat=1表示該目標情報為一級威脅等級；Threat=2表示該目標情報為二級威脅等級；Threat=3表示該目標情報為三級威脅等級。

Needs的定義為：

Closet Needs=product X

其中：Needs表示情報用戶的需求，Needs=0表示情報用戶沒有需求；Needs=1表示情報用戶有一種需求；Needs=2表示情報用戶有2種需求；Needs=3表示情報用戶有3種需求。

4.3 智能推薦模型

智能推薦模型主要是描述目標情報輸入智能推薦系統后，自動推薦個性化預警情報的過程。我們把智能推薦系統粗略分為預處理層、隱藏層、應用層。具體的情報處理流程如下：首先，目標情報進入智能推薦系統后，在預處理層進行加工，形成情報模型和用戶需求模型；然后，通過BP神經網絡提取情報特征向量，形成一個向量表示的隱因子，這相當于編碼過程；接著，經過隱藏層的過濾、篩選等處理后，從rbm中可得到一個輸出，這相當于解碼過程；最后，在應用層中，將生成的個性化預警情報直接推薦給情報用戶，將不匹配的弱相關情報返回給隱藏層繼續進行分析處理。其模型如圖7所示。

圖7 智能推薦模型框圖Fig.7 Intelligent recommendation model

4.4 響應模型

響應模型主要是描述個性化預警情報推薦給情報用戶后，用戶進行決策的過程，如圖8所示。其中存在一個決策的替代變遷，單獨構成一個決策模型。

圖8 響應模型框圖Fig.8 Response model

4.5 決策模型

決策模型主要是描述情報用戶分析判斷后，使用個性化情報輔助決策、指揮和行動，并且根據行動對情報進行反饋，或者不使用個性化情報，直接進行反饋的過程，如圖9所示。其中，存在指揮的替代變遷和行動反饋的替代變遷，可單獨構成決策模型。

本文中涉及的分析判斷的屬性，由判斷(Jud)構成。聲明判斷的變量的類型為Jud，由1個整形變量構成，Jud的定義為：

Closet Jud=product X

其中：Jud表示情報用戶的分析判斷，Jud=0表示情報用戶沒有分析判斷；Jud=1表示情報用戶進行了1號分析判斷；Jud=2表示情報用戶進行了2號分析判斷；Jud=3表示情報用戶進行了3號分析判斷。

圖9 決策模型框圖Fig.9 Decision model

4.6 指揮模型

指揮模型主要是描述聯合作戰中用戶依據預警情報進行決策指揮的過程，設置了3個指揮層級，對應了按級指揮和越級指揮，如圖10所示。

指揮模型的關聯規則自定義如下：

如果Threat=1，表示按照一級指揮流程進行指揮。如果Threat=2，表示按照二級指揮流程進行指揮。如果Threat=3，表示按照三級指揮流程進行指揮。如果Threat=4，表示不進行指揮而進行反饋。

4.7 反饋模型

反饋模型主要是描述用戶指揮和行動中預警情報使用情況的逐級反饋過程，與指揮模型交互，如圖11所示。

反饋模型的關聯規則自定義如下：

如果Altitude=1，則對情報的Altitude要素和Altitude=1數據進行反饋，依次反饋到各級指揮機構，直到反饋匯入智能推薦系統隱藏層。

圖10 指揮模型框圖Fig.10 Command model

圖11 反饋模型框圖Fig.11 Feedback model

5 通過CPN-Tools對著色Petri網模型進行仿真驗證

CPN-Tools是一款對于著色Petri網進行仿真建模的較為成熟且優秀的工具。該工具具有可視化的特點和用戶友好的界面，可以使用CPN ML語言進行編程[20]。

5.1 仿真過程

根據上述著色Petri網模型，用CPN-Tools中的Simulation工具仿真。過程中模擬實際預警情報處理和傳遞流程，以X海方向XX聯指，應對敵艦載機突襲任務為例，具體流程如下：

仿真過程中使用的情報流包括：

1′(1,2,1,(1,1),(1,1,1),1,1)++1′(2,1,1,(1,1),(1,1,1),1,1)++1′(3,1,4,(1,1),(1,1,1),1,1)++1′(4,1,2,(1,1),(1,1,1),1,1)++1′(5,1,3,(1,1),(1,1,1),1,1)++1′(6,1,1,(3,1),(3,3,1),1,1)++1′(7,1,1,(3,2),(3,3,2),1,2)++1′(8,1,1,(3,1),(3,3,1),1,3)++1′(9,1,1,(3,2),(3,3,3),1,4)++1′(10,1,1,(3,1),(5,1,1),1,1)

根據模型定義，這10個情報流分別表示當敵艦載機進入我探測范圍內時，我方掌握的10批敵艦載機目標情報。敵艦載機目標情報接入智能推薦系統后，自動生成個性化預警情報并推薦給XX聯指，XX聯指據此進行的響應動作。

個性化情報生成過程中，敵艦載機目標情報和XX聯指的情報需求接入智能推薦系統進行處理后，自動生成需要的個性化預警情報和不匹配的弱相關情報，如圖12所示，2批情報待接入智能推薦系統；1批情報正在智能推薦處理；6批情報依據目標情報屬性(情報類型、目標屬性、目標性質、目標位置、目標時鐘、目標威脅等)與情報用戶需求的有機配對已經處理完畢，其中生成了3批待推薦的個性化情報，3批待處理的弱相關情報。

圖12 智能推薦模型仿真過程框圖Fig.12 Simulation process of intelligent recommendation model

智能推薦系統生成的個性化情報，推薦給XX聯指輔助決策。XX聯指經過分析判斷，使用認為有價值的個性化情報進行指揮，并且根據行動對情報進行反饋；對于認為沒有價值的個性化情報，直接反饋給智能推薦系統隱藏層，作為后續推薦的參考。如圖13所示，XX聯收到3批個性化情報，其中2批經過分析判斷，認為1批威脅3的情報是有使用價值的，另1批威脅4的情報是沒有使用價值的。

圖13 決策模型仿真過程框圖Fig.13 Decision model simulation process

仿真過程模擬了10批敵艦載機目標情報接入智能推薦系統，推薦4批個性化預警情報給XX聯指，XX聯指使用3批情報進行輔助決策和指揮，任務部隊采取行動后將2批高度1的信息逐級反饋。其余情報和反饋數據一并匯入智能推薦隱藏層，作為后續推薦的參考。如圖14(a)、(b)所示。根據模型的仿真過程，情報流反映出應對敵艦載機突襲任務的指揮過程和指揮鏈條。

5.2 驗證過程

仿真運行結束后，使用CPN-Tools中的State Space工具可以對模型的狀態空間進行計算，還可以根據模型的仿真結果生成仿真報告以及模型的可達圖[21-23]。

①計數字：由圖15統計數字分析可見，模型的狀態空間包含47個知識節點與98個連接弧，而強連接圖可看出其與狀態空間的結點和連接弧個數相等。由輸出結果可見：該模型是存在有限且明確的發生序列。

圖14 模型仿真結果框圖Fig.14 Model simulation results

圖15 狀態空間報告——統計數字分析Fig.15 State space report-statistical analysis

② 有界性：由圖16有界性分析可見，最佳整數邊界(Best Integer Bounds)分別描述了各節點庫所的上界和下界，以及相應庫所擁有的托肯的數量區間、最多托肯和最少托肯的數量。由輸出結果可見：模型中各庫所都有界。

③ 活性：由圖17活性分析可見，模型不存在死變遷，唯一存在一個死標識[47]，該死標識同時也是家標識，表示情報流運行到這一步終止。由輸出結果可見：模型中各庫所都是活的。

圖16 狀態空間報告——有界性分析Fig.16 State space report-boundedness analysis

圖17 狀態空間報告——活性分析Fig.17 State space report-liveness analysis

④ 公平性：由圖18公平性分析可見，模型沒有無限的出現序列。由輸出結果可見：模型是公平的，也是安全的。

圖18 狀態空間報告——公平性分析Fig.18 State space report-fairness analysis

⑤ 可達性：由圖19可達圖可見，該模型從初始狀態經過47個節點的運行后可以到達終止狀態，可達圖顯示了系統運行過程中可能出現的全部狀態的集合。由輸出結果可見：該模型是可達的。

圖19 模型的可達圖Fig.19 Reachability graph of the model

6 結論

本文中提出了使用UML和著色Petri網的建模方法，有機結合CPN-Tools工具，對預警情報智能推薦在聯合作戰中應用進行了建模與驗證，通過上述分析，可以得到如下結論：

1) 從仿真結果分析可以看出，預警情報智能推薦的著色Petri網模型具有可達性、有界性、公平性、安全性以及活性，說明該模型是合理的。

2) 著色Petri網模型是由UML活動圖映射而來的，從著色Petri網模型的合理性可以得出，預警情報智能推薦的UML活動圖是正確的，該概念模型也是合理的。

3) 使用UML和著色Petri網混合建模方法對預警情報智能推薦在聯合作戰中應用進行建模與驗證是可行的，可以設計和構建實際系統提供了很好的借鑒。