王保魁，吴 琳，胡晓峰，贺筱媛

(中国人民解放军国防大学，北京 100091)

复杂的联合作战态势是联合作战复杂性的外在表现［1］。联合作战态势知识是组成联合作战态势要素的客观实体属性及其关系在指挥员脑中的主观映像，是对客观联合作战态势要素信息的一种主观表征，其核心和要点在于描绘联合作战态势要素之间的复杂关联关系［2］。认知联合作战态势中各种关键态势要素的实体属性信息及其关联关系，形成联合作战态势的知识网络，是联合作战筹划的首要目标，能够帮助指挥员全面、深刻地理解联合作战行动及其环境中的各类复杂问题，从而帮助指挥员构建联合作战态势的整体思维图景。指挥员认知联合作战态势的过程，就是对联合作战指挥决策过程中影响决策和行动的联合作战态势知识进行不断学习、理解和应用的过程，其首要任务就是基于想定场景，从指挥员认知态势的角度抽象和描述联合作战态势知识［3］。对于指挥员而言，正确描述联合作战态势，形成态势知识网络，是指挥员形成关于联合战场思维图景的认知基础。这种思维图景超越了现实联合作战态势中的实体要素与具体行动，是指挥员在认知空间内对联合作战态势知识的一种描述和抽象［4］。

基于指挥员视角对联合作战态势认知过程进行建模，帮助机器理解联合作战复杂态势的基础是对联合作战态势进行客观描述。孙鹏等为解决陆军作战行动中的指挥决策建模问题，研究了陆军作战行动仿真中的态势描述问题，提出了基于位置状态、战损状态、任务状态和消息信息等实体信息的态势描述方法［5］。欧微等为从异构高维、快速增长的复杂战场数据中提取关键态势要素，将战场环境、作战实体、作战任务等的静态属性和时序动态特征规范化编码后，转化为面向智能认知模型的规范化输入，提出了一种面向时序特征的战场态势描述方法［6］。于昕等在空中平台背景下，对飞机的轨迹信息、雷达探测范围信息、火力攻击范围信息，以及受威胁程度等进行定量描述［7］。孙儒凌通过分析战场主动权的制约因素，通过战场态势状况表来描述战场态势基本状况［8］。涂乐德等研究了基于SEDRIS的战场态势信息描述技术，实现了基于军标符号的战场态势信息表达［9］。彭文成等为解决机步团指挥信息系统的决策建模问题，研究了机步团作战行动仿真中的态势描述问题，给出了基于位置状态、战损状态、任务状态和消息信息等实体信息的态势描述方法［10］。张东戈等对态势感知过程中流动的信息包数量、信息处理速度、信息存续时限等进行了量化定义和描述，建立了能够度量态势感知水平的解析数学模型［11］。

上述开拓性工作分别从指挥决策建模、态势关键要素提取、用户需求、战场信息获取、态势信息流动的角度研究了作战态势的描述方法，取得了不错的研究成果，但还没有相关工作从指挥员认知态势的视角对联合作战态势实体的属性及其关系进行描述。本文基于知识图谱技术，从指挥员认知战场态势的角度出发，在想定场景约束范围内，采用自上而下的态势要素解析方法与自下而上的形式化态势实体知识描述方法相结合的方式，对想定场景初始态势实体的属性及其关联关系进行解析和描述，力图为理解联合作战态势中的各类复杂问题奠定良好的知识基础。

1 态势认知与知识图谱

态势认知(Situation Cognition，SC)是在一定的时间和空间范围内，对环境元素的感知，对它们意义的理解，对它们在未来状态的预测［12］。态势认知是关于现实世界不断变化的知识，对于有效的决策和行动至关重要，通常分为三个层次:一是感知(Perception)，二是理解(Comprehension)，三是预测(Projection)［13］。在动态的战争复杂系统中，态势认知是筹划决策与指挥控制的驱动引擎，其首要任务是在想定场景范围内，根据任务目标获取与“态”相关的作战态势知识，然后，通过理解这些知识实现对未来战局的预测。然而，人类指挥员在作战过程中能迅速整合各种战场态势信息，从纷繁复杂的战场态势信息中捕捉关键态势要素信息，并建立起各要素之间的关联关系，形成复杂的作战态势知识网络，但机器却难以实现这一点。其根本原因在于机器缺乏对复杂作战态势进行理解和判断的知识基础，无法完成从战场态势数据到作战态势信息再到场景态势知识的转化。

知识图谱(Knowledge Graph，KG)源于语义网(Semantic Web)，本质上是一种大规模复杂知识网络。知识图谱中的节点和边分别表示现实世界中的各种实体、概念、属性及其关联关系。知识图谱中的基本知识要素通过语义相关联，以图的形式组织在一起，最终形成了知识图谱。知识图谱的研究初衷是将互联网的信息表达成更接近于人类认知世界的形式，为人类提供了一种更好的组织、管理和理解互联网信息的能力。随着人工智能技术的不断发展，知识图谱作为一种基于图结构的客观现实世界知识表达方式与可计算模型［14］，与大数据、深度学习一起成为人工智能发展的核心驱动力。从军事大数据治理的角度看，知识图谱能够从关系的角度把各种不同类型的作战数据组织成一个更加完整的军事大数据体系去使用［15-16］。从军事语义连接的角度看，知识图谱能够从语义的角度对作战态势进行整体描述，并将其语义信息作为各种智能学习模型的输入，提升智能模型的学习能力［17］。因此，知识图谱技术提供了一种从“关系”和“语义”的角度去描绘作战态势和分析态势要素复杂关联关系的能力［18］，有利于精确描绘联合作战态势实体的各种属性知识，深入挖掘作战态势要素间的复杂关联关系和关系属性，为描述想定场景的联合作战态势带来了新的技术手段［19］。

2 联合作战想定态势实体描述方法

联合作战想定态势实体描述的前提是明确态势实体所在的具体想定场景。首先，相同指挥员在不同想定场景下对态势实体的认知需求和理解不同［20］。其次，不同指挥员在相同想定场景下对态势实体知识的解释不同［21］。因此，在具体的想定场景范围内描述作战态势实体知识才有意义，才能有效辅助指挥员在特定的“语义”空间内，从“关系”的角度认知联合作战复杂态势，实现基于指挥员视角的态势智能认知。

2.1 想定场景的联合作战态势描述示例

为突出联合作战体系对抗特征明显的基本特点，本文以中小规模的联合战役级军团作战作为想定场景示例，对抗方限定为红蓝两方。红蓝双方编配的作战力量包括陆、海、空、火箭军等部队，涵盖侦察情报、指挥控制、综合防护、信息保障、后勤与装备保障等作战系统。图1为联合作战想定场景下的基本想定初始态势示例。

图1 基本想定初始态势示例

想定初始态势是基本想定的重要组成部分，能够清晰反映想定初始作战场景的敌我初始布势和战场环境，但缺乏对整个战场全局态势进行深度认知的语义和关系基础，难以建立起态势要素实体之间的复杂关联关系。本文基于知识图谱技术对联合作战想定初始态势进行描述，从“关系”和“语义”的角度描绘作战态势实体及其复杂关联关系，为进一步研究态势智能认知奠定良好的知识基础。

2.2 联合作战态势要素解析

作战态势信息主要包括敌情、我情和战场环境三个方面。但由于态势信息既包括想定场景中对抗双方的作战力量、部署位置等状态信息，还包含战场范围内的自然、社会、民俗、宗教等环境信息。各种信息交杂在一起，缺乏组织，边界模糊，给指挥员的认知带来极大负担，直接影响作战效果的发挥。因此，对指挥员而言，不需要关注所有的态势要素实体信息，而是根据立案企图和作战任务关注直接或间接影响作战效果的关键态势要素实体信息。美军指挥与控制研究计划(CCRP)负责人Alberts认为，关键态势要素信息通常包括敌情中的作战力量、作战能力、作战体系等能降低己方作战效果的态势要素信息;我情中的作战任务、作战资源、作战体系等能将己方作战能力转化为作战效果的态势要素信息，以及战场环境中的自然环境、社会环境、网络电磁等能对己方作战效果的发挥产生直接影响的态势要素信息。同时，基于效果作战理论认为，运用网络中心的能力在于进入敌方的OODA环，打断敌人的作战节奏或者创造己方的压倒性作战节奏，从而摧毁敌人的心理和认知效果［22］。因此，指挥员认知态势起点在于根据企图立案和受领的具体作战任务，筹划如何运用己方军事力量的体系作战能力逐渐剥夺敌方发动战争的物质能力和潜力，摧毁敌人的心理或认知效果。图2是基于指挥员认知态势视角，自上而下对影响己方作战效果和认知效果较大的想定场景关键态势要素进行解析。相应的态势关键要素由相关的态势实体根据不同的关系类型聚合而成。本文针对组成关键态势要素的实体属性及其关联关系进行描述。

图2 想定场景的关键态势要素解析

2.3 联合作战态势实体描述

采用基于属性图结构的知识图谱描述方法，以想定场景内初始态势关键要素的实体属性及其关系作为描述对象，采用形式化的态势知识描述方法，对联合作战想定初始态势进行描述。需要说明的是，本文并未采用首先构造态势本体，然后抽取关键态势要素信息，最后绘制知识图谱进行描述的传统路线。其主要原因在于，基于本体的知识图谱构造方法需要借助基于三元组的资源描述框架(Resource Description Framework，RDF)来增强知识的关联性和推理能力，而当前中文本体自动构建技术还不成熟，无法确保态势本体的准确可靠，且手工构建本身需要大量的人力物力，复用性差。因此，本文采用基于属性图结构的图数据模型来描述态势要素实体的概念、属性和关系等知识要素。其优点在于直观、易于理解，能满足大部分的态势关键要素实体描述应用场景，易于实现关键态势要素实体信息的自动获取，且支持免索引邻接，查询速度快。同时，为了后续的知识推理应用方便，本文同样基于属性图的图数据模型建立态势知识之间的上下位概念描述框架，与态势要素的实体及关系相互映射。

1)定义态势实体知识表示的属性图数据模型

定义想定场景态势知识图谱Gst={Est，Rst}，其中，Est表示想定场景内的关键态势要素实体集，Rst表示关键态势要素实体之间的关系集。在不区分对抗双方情况下，根据想定场景中作战相关的部队、人员装备、目标设施等关键态势要素信息，定义联合作战态势实体集

其中，Eunit表示想定场景中的部队实体集，Etarget表示目标设施实体集，Ehe表示人员装备实体集，Eenv表示战场环境实体集。定义实体关系集

其中，ri表示想定场景中定义的态势实体关系，n为军事领域专家定义的关键态势要素实体间不同关系种类的数量。

本文根据联合作战的基本理论以及想定场景初始态势的实际情况，总结归纳出包括编配关系、编成关系、供给关系、部署关系、配属关系、干扰关系、地形影响等在内的33种态势要素实体关系。这些实体关系具有方向性，都有一个开始节点和一个结束节点，而且每一种关系都可以拥有各自相应的属性，描述为

其中，eh和et分别表示实体关系的开始节点和结束节点，rattr表示实体关系的属性值，如图3所示。

图3 想定场景的关键态势要素实体关系示例

定义好关键态势要素实体集，我们可以根据指挥员认知态势的实际需求，对每一类型的态势要素实体集进行定义。本文根据想定场景的初始态势，为部队实体集Eunit定义了9种部队实体的能力描述结构，3种部队实体的类别描述结构;为目标设施实体集Etarget定义了9种不同类型的目标设施实体描述结构;为人员装备实体集Ehe定义了11种不同类型的人员装备实体描述结构;为战场环境实体集Eenv定义了13种不同类型的战场环境实体描述结构。随后，根据每一种实体集的不同属性需求，为实体定义了不同的属性项，即ei={eattr1，eattr2，…}。其中，eattr表示实体的各项属性。以飞机类型实体为例，为飞机机型定义了41种不同类型的属性值，如飞机最大航程、起飞跑道滑行长度、降落跑道滑行长度、是否固定翼飞机、最大航行高度、经济高度平均飞行速度等。这些实体属性结合实体关系能够对关键态势要素的实体信息进行精准刻画，从而达到自下而上对想定场景联合作战初始态势进行准确描述的目的。

以复杂电磁环境对联合作战通信系统的影响为例。相对于传统战场环境，信息化条件下联合作战的电磁环境极其复杂，由众多要素构成。深入分析复杂电磁环境对通信装备的影响，确保作战信息的稳定可靠传输，对于准确掌握战场态势，连续实施指挥控制和精确协调作战行动具有重要意义［23］。因此，本文以电磁环境中的军用对抗性干扰设备对通信装备的影响为例，描述干扰设备实体对通信装备实体的影响。

首先根据干扰设备特点，将干扰设备的干扰距离、干扰功率等属性描述为eJammer={erange，epower，…}，将通信设备实体的传输距离、抗干扰系数等属性描述为eCommunication={erange，ejamfactor，…}。然后，基于现实的通信系统对抗干扰，将干扰设备实体对通信装备实体的影响描述为

其中，rtype表示干扰的类型，reffctiveness表示干扰的效能。由此建立的某型干扰设备实体对通信装备实体的干扰关系描述，是分析复杂电磁环境对联合作战通信系统影响的基础，能够为进一步分析联合作战电磁态势提供基础知识支撑。

2)基于关系型数据库的态势实体知识抽取

充分利用已有的关系型数据库平台，作为知识图谱图数据模型的构建基础，对联合作战想定场景的初始态势实体及其关系进行抽取。首先是根据关系型数据库中导出的结构化表数据，创建态势要素的实体节点，如创建部队实体集、人员装备实体集、目标设施实体集、环境实体集中的各种实体节点，将表数据中的属性值作为实体的属性描述内容进行抽取。然后，根据已经定义好的33种态势要素实体关系类型，抽取实体关系定义表中的实体节点关系以及关系的属性值，同时标注关系类型。最后，遍历抽取的实体节点和实体间关系，创建关键态势要素实体之间的语义关系链接，进行实体关联。截至目前，根据上述中小规模联合战役级军团作战想定场景示例中的初始态势设定，共抽取想定场景初始态势要素实体节点1万余个，实体间关系33余万条。

3)基于Neo4j的联合作战态势知识可视化描述

Neo4j是一款基于Java开发的开源NoSQL原生图数据库，自2007年第一版发布至今，已经更新至3.5.9版本。Neo4j支持广泛的人工智能集成技术和平台，可以部署到任何云平台上，具有高性能、可定制、可视化、易于开发测试等优点，是目前最流行的原生图数据库软件。使用Neo4j构建态势知识图谱的主要目的在于通过想定场景联合作战初始态势的可视化描述，实现对战场初始态势的精准画像和可视化分析，帮助指挥员从关键态势要素实体关系的角度建立对联合作战态势要素的基本认知，为指挥员构建整个联合战场的思维图景奠定基础，便于指挥员通过知识推理发现态势要素之间的隐含关联关系，基于作战能力和效果进行联合作战体系分析，推理分析敌情威胁，辨识敌我作战重心和高价值军事目标，从而提升己方的认知速度和认知效果，并进一步将指挥员的认知优势转化为指挥决策优势［24］。

图4 想定场景联合作战初始态势知识可视化描述示例

将关系型数据库中抽取得到的关键态势要素实体及其关系知识导入Neo4j，最终得到想定场景的联合作战初始态势知识的可视化描述，如图4所示。作战态势知识抽取方法过程描述见表1。

表1 作战态势知识抽取方法

3 应用示例

复杂的战场态势是战争复杂系统的整体表达，态势认知的核心是从全局把握“整体关系”。但由于联合作战态势的复杂性特征，需要将作战时空分解成多层分别处理，以便于简化处理和聚焦。在空间层次上，可以按照部署关系、通信关系、指挥关系、保障关系等进行分类简化;在时间层次上，可以按照力量消耗、编配部署、任务完成等进行聚焦。基于知识图谱的联合作战态势实体描述方法，能够从“关系”和“语义”的角度描绘作战态势实体及其复杂关联关系，并通过可视化手段帮助指挥员更全、更深、更快地认识作战行动所涉及的众多关键态势要素实体之间的关系，以及对作战行动可能产生的影响，辅助指挥员在高度紧张的复杂联合作战环境中做出高质量决策。

以联合作战体系分析为例，需要从整体到个体、从结构到功能、从关联到节点，辨识敌我双方的作战重心和找准作战体系的要害关节。首先是将敌方联合作战体系逐层分解为指挥控制系统、侦察情报系统、联合打击系统等作战系统，并继续分解，直至具体的要素实体，描述其属性和功能作用。然后，通过描述各要素实体、各作战系统之间的物理关系、逻辑关系和相互作用，分析其组成架构和运作方式。最后，采用复杂网络等分析方法找出高价值打击目标，作为体系破击行动的着力点，如图5所示。

通过基于知识图谱的联合作战态势实体知识描述方法，能够帮助指挥员充分理解联合作战体系中要素实体的属性特征及相互关系，并基于相应的实体语义知识，认知联合作战体系，为联合作战筹划提供支撑，并帮助指挥员将认知的重心放在需要什么样的知识上面，而不是去关注如何寻找这些知识。

4 结束语

图5 联合作战态势知识应用示例

基于知识图谱的联合作战态势实体描述方法，是一种为指挥员进行联合作战行动筹划服务的认知工具，致力于帮助指挥员清晰地理解作战态势实体之间的复杂关系。然而，当前所采用的基于知识图谱的联合作战初始态势描述方法，距离指挥员认知作战态势所需要的知识水平还差距较大。虽然知识的无边界性使得研究人员难以限定知识图谱的表达范围，但知识的实践性本质决定了能有效指导实践活动的知识才是有用的知识，需要根据适度的基本原则，既要针对特定的应用场景进行知识适配，还要合理把控知识的边界与体量，并快速适应军事技术发展的迅速变化。

本文基于知识图谱技术，从指挥员认知战场态势的角度出发，在想定场景约束范围内，采用自上而下的态势要素解析方法与自下而上的形式化态势知识描述方法相结合的方式，对想定场景初始态势关键要素实体及其关联关系进行解析和描述，并通过应用示例演示了此方法的简单有效性和直观合理性，力图为理解联合作战态势中的各类复杂问题奠定良好的知识基础。下一步，将重点研究如何进行知识补全，为指挥员认知联合作战态势提供更加丰富的知识基础。