大數據技術在戰場態勢感知中的應用

賀 玲，賀照輝

（1.空軍預警學院預警情報系計算機與網絡教研室，湖北 武漢 430019；2.空軍預警學院預警模擬訓練中心，湖北 武漢 430019）

隨著現代化信息技術的發展與運用，戰爭形態已從機械化、信息化的作戰模式逐漸朝著智能化的方向發展，大規模體系作戰和一體化聯合作戰加快了戰爭的節奏，敵我雙方態勢分析研判、指揮員根據戰場情況對戰斗的指揮控制、多種力量跨域攻防、戰場武器的毀傷效果評估、戰爭全過程的綜合保障以及最后的戰斗總結，都會產生海量異構的數據，嚴重影響著作戰指揮員對戰場態勢認知的準確性。此外，智能化戰場上信息的快速交換融合和無人作戰體系的快速反應，對未來的戰爭也提出了更高的要求，及時、準確、高效、可靠的戰場態勢感知是人民軍隊“打勝仗”所必須具備的能力。

大數據技術的應用將大大縮短數據收集和上報的時間，幫助指揮員更好地統觀全局，加快指揮員的指揮決策，為軍事創新帶來的新的能動力。因此，研究并推動大數據技術在戰場態勢感知中的應用，全面增強戰場態勢感知能力，具有重要而深遠的意義。

1 戰場態勢感知基本概念

早在20 世紀70 年代，美國空軍上校約翰·博伊德（John Boyd）提出了著名的“OODA 循環”，又被稱作“博伊德循環”，如圖1 所示[1-3]。

圖1 OODA 循環

約翰·博伊德將整個作戰過程抽象為“觀察—判斷—決策—行動”4 個環節，這4 個環節形成閉環反復執行，從而實現整個作戰及指揮行動。因此，提升戰場態勢感知能力，縮短OODA 的周期，從而實現先敵判斷、先敵決策、先敵行動，對搶占戰場主動權、取得戰爭的最終勝利起著至關重要的作用。

戰場態勢感知的過程可簡要描述如下：我方在特定的時間和空間環境之中，利用陸、海、空、天各個領域的傳感器獲取敵對雙方具體的兵力對比、兵力部署、作戰計劃、火力分配、作戰意圖等，并形成整個戰場環境的實時狀態認知，進而利用可視化的技術，將戰場整體環境轉變成直觀的形式予以呈現，在此基礎上對下一時刻戰場態勢各要素的發展變化進行預測并展示。據此，可以把戰場態勢感知抽象為3 個層次，即態勢察覺、態勢理解、態勢預測，如圖2 所示[4-6]。

圖2 戰場態勢感知層次圖

戰場態勢感知的概念由Boelke 在第一次世界大戰中首次提出，他第一次指出了“先于敵方獲取態勢感知并設計達成方法的重要性”，然而在當時的社會大背景下，并沒有引起國際軍事家的關注。1995 年，Endsley重新對態勢感知進行了定義，將態勢感知分為察覺、理解和預測3 個層次。

2 戰場態勢感知面臨的挑戰

現代戰爭打破了領域限制和軍兵種的限制，是一個復雜的系統，內部存在著各種動態性、適應性、不確定性、模糊性、隨機性等復雜特性，目前對這些機理特性還不能完全掌握和了解。此外，現代戰爭戰場空間的全域性、戰場形態復雜性、戰爭形式多樣性以及電磁干擾、電子欺騙等新型戰法的運用使得戰爭的節奏明顯加快，戰機可能在區區幾秒中內轉瞬即逝。因此相較于過去的傳統作戰模式而言，現代戰爭的態勢信息更為復雜，再加上各種態勢信息的不確定性和模糊性強，對戰場態勢信息的管理和分析就變得更為困難。其次，態勢信息來源較為廣泛，單單是一個指揮機構的戰場態勢信息就有10 種以上的情報來源，每種情報類型又形式各異，既存在傳統的結構化數據，又存在圖片、視頻、聲音等非結構化的數據，如何將不同來源、異構的態勢信息進行統一的組織管理，并進行高效的分析和處理，是目前戰場態勢感知能力構建的難點所在。具體來說，當前面臨的挑戰可包括（但不限于）以下3 個方面。

第一，瞬息萬變的現代戰場形式、豐富多樣的感知手段、偶發的不確定因素的增加，都將嚴重影響指揮員決策的及時性和準確性。構建一個戰場信息的共享平臺，實現對戰場實時信息的統一管理、儲存、分析以及共享，并在此基礎上進一步構建和完善統一的一體化信息指揮控制平臺，使各軍種的作戰力量實現更深層次的融合、不同空間區域的作戰目標實現相互配合和相互支撐，進而提升作戰效能，是態勢察覺層次要解決的關鍵問題之一。

第二，對于態勢察覺中獲得的海量、異構的戰場態勢信息，需要進行關聯、相關和綜合，以得到更有用的信息，從而對當前態勢、下一步將要面臨的威脅進行完整、及時的評估，真正實現態勢理解的意圖。采用大數據分析技術對這些信息進行關聯規則挖掘，是態勢理解層次需要解決的關鍵問題之一。

第三，戰場態勢感知是多維度和多要素的，現階段單維度和單要素的信息表達方式已經日益成熟，但多維度和多要素的信息表達仍存在一定的困難。與此同時，態勢信息的直觀表示和呈現，能極大縮短態勢預測的時間，提升態勢預測的效能。所以，從未來戰爭的發展趨勢來看，多維度和多要素的信息展現是態勢預測層次要解決的關鍵問題之一。

接下來針對當前戰場態勢感知中存在的困難和挑戰，將依次從態勢察覺、態勢理解和態勢預測這3 個層次，探討大數據技術的應用。

3 大數據存儲技術在態勢察覺中的應用

采用合理的架構對數據進行組織管理，是分析處理數據的前提和基礎。當前，信息化、智能化的戰爭形態早已打破了軍種和領域間的界限，戰場態勢感知能力存在于海、陸、空、天和網絡等作戰領域，在電磁頻譜、信息環境和認知維度等領域也進行著高度的密切協同，在這樣的背景下，所獲取的戰場態勢信息不僅數量龐大，而且結構復雜，表現形式也日益多樣化。因此迫切需要構建大數據的存儲架構。

ApacheHadoop[7-8]是一個典型的分布式系統框架，支持海量數據的存儲與處理，由Apache 軟件基金會開發。現存的很多大數據平臺都是在其原生版本上進行優化和封裝。該框架由HadoopFileSystem（HDFS）、MapReduce、HadoopDataBase（HBase）等組件構成，可靠性高、容錯性好、高效且易擴充，是目前主流的大數據存儲管理框架。

HDFS[9-10]是數據存儲和管理中心，通常采用主從結構構建，如圖3 所示，NameNode 為“主”，其他DataNode 為“從”。NameNode 負責管理文件系統的元數據和DataNode 節點，DataNode 是文件系統的實際工作節點，負責存儲和檢索數據，并定期將存儲的塊信息發送給NameNode。

圖3 HDFS 結構圖

MapReduce[11-13]則主要完成任務的計算工作，即對數據的計算處理，其計算過程總體分為2 個階段，分別被稱作Map 階段和Reduce 階段。概括來說，Map階段并行處理輸入的數據，Reduce 階段對Map 的結果進行匯總。由于MapReduce 在處理大數據集時，將任務分解給多個Hadoop 運行節點處理，顯著提高了集群處理大量數據的能力。

HBase[14]是一個分布式的、面向列的開源數據庫，它不同于一般的關系數據庫，適合存儲非結構化的海量數據。HDFS 為其提供了高可靠性的底層存儲支持，MapReduce 為其提供了高性能的計算能力。

基于HDFS、MapReduce 以及HBase，搭建適用于大數據的分布式存儲架構，將為戰場態勢的快速、準確感知奠定良好的基礎。

4 大數據分析技術在態勢理解中的應用

態勢理解，本質是就是整合感知到的數據和信息，分析其相關性。例如，對各類態勢要素進行分類、歸并、關聯分析等融合處理，進而對融合的信息進行綜合分析，得出對當前態勢的整體估計，這是態勢感知的核心。針對態勢感知數據的動態性和偶然因素多等問題，主要探討以下技術的應用。

4.1 實時分析

實時分析的基礎是流處理技術。目前主流的流處理組件包括Storm、Spark Streaming、Kafka、Flume、Flink 等，它們各有其特點和優勢，在具體應用中可根據特定應用背景選擇合適的處理方式。接下來主要圍繞Flume、Flink 和Spark Streaming 展開介紹。

Flume[15]可靠性高，容錯性好，可以將源數據存儲到任何集中存儲器中，如HDFS、HBase，Flume 管道的處理機制基于數據庫事務的概念，因此能保證數據傳送和接收的一致性，并且提供上下文路由特征。

Flink[16]程序本質上是分布式并行程序。在程序執行期間，一個流有一個或多個流分區，每個算子有一個或多個算子子任務，每個子任務彼此獨立，并在不同的線程中運行，或在不同的計算機中運行。

Spark Streaming[17]是一種構建在Spark 上的實時計算框架，擴展了Spark 處理大規模流式數據的能力，其優勢主要體現在：能運行在100+的結點上，并達到秒級延遲；使用基于內存的Spark 作為執行引擎，具有高效和容錯的特點；能集成Spark 的批處理和交互查詢；為實現復雜的算法提供與批處理類似的接口。具體來說，Spark Streaming 把流式計算當作一系列連續的小規模批處理來對待，從各種輸入源中讀取數據，并把數據分組為小的批次，新的批次按照均勻的時間間隔創建出來。在每個時間區間開始的時候，一個新的批次就創建出來，在該區間內收到的數據都會被添加到這個批次中。在時間區間結束時，批次停止增長。時間區間的大小由“批次間隔”這個參數決定，批次間隔一般設在500 ms 到幾秒之間，可由應用開發者配置。

4.2 大數據挖掘

態勢信息數量多，種類復雜，從中提取出潛在有用的信息和知識，也將涉及到多種方法，如分類、回歸分析、關聯規則挖掘等。

分類[18]是從大量數據種找出一組對象的共同特點，并按照分類模式將其劃分為不同的類。

回歸分析方法[19]反映了數據庫中屬性值在時間上的特征，產生一個將數據項映射到一個實值預測變量的函數，以發現變量或屬性間的依賴關系，主要目的是用來研究數據序列的趨勢特征、數據序列的預測等。

關聯規則描述了數據庫中數據項之間存在的關系的規則，關聯規則挖掘[20]是大數據分析與挖掘的基礎，通過在海量態勢數據中挖掘數據項之間的關聯關系，可以獲得很多有意義、有價值的信息。

5 大數據展現技術在態勢預測中的應用

態勢預測需要在獲取并處理當前態勢數據序列的基礎上，探尋態勢數據之間的發展變化規律，并對態勢未來的發展趨勢和狀況進行推測，形成科學的判斷、推測和估計，為指揮人員制定正確的規劃和決策提供依據，在這個過程中，已有的態勢信息如何更加直觀地予以呈現，將從很大程度上影響著態勢預測的時間和效果。大數據展現技術將在其中發揮重要的作用。

以圖形的形式將態勢理解的結果予以直觀的呈現，是大數據展現的基本形式，如散點圖、折線圖、柱狀圖、地圖、餅圖、雷達圖、K 線圖、箱線圖、熱力圖、關系圖、矩形樹圖、平行坐標、桑基圖、漏斗圖、儀表盤等，針對不同的應用場合，可選用不同的圖形化方式，將對現有態勢數據予以直觀的呈現。

此外，合理采用已有可視化工具，也將極大提升態勢預測的性能。Tableau[21]即為一個可視化的分析平臺，能幫助我們快速對數據進行挖掘和可視化共享，以用于輔助決策；ECharts[22]也是一個開源的可視化工具，可以流暢地運行于各類計算機和移動設備，并兼容大部分瀏覽器。在功能上，ECharts 可以提供更直觀、交互豐富、可高度個性化定制的數據可視化圖表；在使用上，ECharts 為開發者提供了種類繁多的圖形界面，提供了包括柱狀圖、折線圖、餅圖、氣泡圖等在內的一系列可視化圖表。而且ECharts 使用簡單，只需要從官網上下載指定文件，然后引用在網頁上展示即可。

6 結束語

文章結合戰場態勢感知的3 個層次，從態勢察覺、態勢理解和態勢預測3 個方面分析了大數據技術的應用。眾所周知，隨著現代信息技術的飛速發展，以數據、計算、模型和算法為主要特征的智能化戰爭成為未來戰場的主要形態。在未來的智能化戰場上，敵我雙方為縮短各自的OODA 循環周期，圍繞戰場態勢感知所進行的斗爭將更為激烈。在態勢感知的各個環節合理地運用大數據技術，將對提升戰場態勢感知效能，起到積極的推動作用。