中国科技核心期刊      中国指挥与控制学会会刊     军事装备类重点期刊
Command Control and Simulation

Command Control and Simulation >

2025 , Vol. 47 >Issue 1: 101 - 108

DOI: https://doi.org/10.3969/j.issn.1673-3819.2025.01.013

Command & Control

Research on key "acupoint" mining technology for special information system

  • ZOU Zilong ,
  • WANG Junlin ,
  • AN Shujie ,
  • LYU Changyuan ,
  • YU Minggang ,
  • NIU Yanjie
Expand
  • Institute of Command and Control Engineering, Army Engineering University of PLA, Nanjing 210007, China

Received date: 2024-05-22

  Revised date: 2024-06-13

  Online published: 2025-01-20

Fold

Abstract

Special information system is a complex information system with specific architecture, clear functional positioning, and diverse components and relationships among elements, and the key point refers to the node or component element that plays a key role in the system, and the damage of "acupuncture point" will have a huge impact on the function and utility of the whole system. It is of great scientific value and practical application significance to study how to excavate the key points of the system. In this paper, the complex network theory is used to analyze the network characteristics of special information system. On this basis, from the two dimensions of "static" and "dynamic", five indexes are proposed respectively, namely, transcendence, clustering coefficient, eigenvector centrality, network elasticity and network destruction resistance, which are used to evaluate the importance of each node. Next, YAANP decision software is used to determine the weight of each index, and then a key "acupoint" mining method for special information system is proposed. Finally, taking the special information system under the background of urban unmanned attack operation as an example, the scientific and reasonable of the proposed method is verified.

Key words： special information system "acupoint" mining; node importance degree; network topology

Cite this article

ZOU Zilong , WANG Junlin , AN Shujie , LYU Changyuan , YU Minggang , NIU Yanjie . Research on key "acupoint" mining technology for special information system[J]. Command Control and Simulation, 2025 , 47(1) : 101 -108 . DOI: 10.3969/j.issn.1673-3819.2025.01.013

特殊信息系统广泛存在于金融、医疗、军事等各个领域,对其关键节点进行深入挖掘和分析,对于掌握系统特性、优化系统设计、辅助人员决策(如军事领域的“点穴作战”)具有重要现实意义[1-3]。
特殊信息系统的关键“穴位”挖掘技术面临诸多挑战。特殊信息系统具有结构复杂性和功能多样性,挖掘过程可能会受到大量无效数据和参数的干扰,影响挖掘效果[4]。同时,由于特殊信息系统各节点间的多元异构,如何准确地识别关键节点面临诸多挑战。研究人员如何将挖掘结果有效地应用于实际系统,指导具体实践,仍面临诸多现实挑战。
在诸多特殊信息系统中,本文以城市无人进攻作战系统这一类特殊信息系统为研究对象,首先构建相关网络拓扑结构模型,利用复杂网络理论分析网络特性、要素构成及关键指标参数;其次给出无人城市进攻作战信息系统模型构建过程;再次给出无人城市进攻作战信息系统的网络拓扑[5];最后,在此基础上,本文提出一种基于动静结合的多指标的面向特殊信息系统的关键“穴位”挖掘方法[6],包括动静结合的指标体系构建方法、基于YAANP的指标确权方法。基于上述“穴位”挖掘方法,以城市无人进攻作战为研究对象,仿真模拟网络特性,挖掘其关键“穴位”,检验所提出方法的科学性和有效性。

1 城市无人进攻作战及其网络特性

信息化智能化时代的军事作战是建立在各作战单元、各作战要素综合集成基础上的体系与体系之间的对抗,战场对抗模式已转变为精确量化分析评估后的瘫点破体作战模式。
关键穴位挖掘技术正是着眼于作战体系关键节点,对整个作战体系实施结构性精确打击,造成体系关系的紊乱,进而逐个击破,达到军事行动的目的。

1.1 城市无人进攻作战

历史数据表明,二战后世界各大国发动的战争和军事行动,其中80%~90%都是围绕城市地区进行。而随着全球城镇化进程的加快,城市成为最容易爆发军事冲突的场所[7]。
近期俄乌冲突中,无人机几乎融入了战斗的每一个阶段,作战双方都有庞大的无人机群、防空系统以及干扰系统,这使得俄乌双方都能远程进行城市区域打击行动抑或达成作战目的。
城市环境中高楼密布、街巷纵横、地下基础设施复杂、电磁环境恶劣、态势变化迅速。城市作战具有以下特点:(1)战场环境复杂,进攻突破难。(2)通信指挥困难,协同作战难。(3)侦察攻击受限,远距作战难。城市无人进攻作战体系面临“四大挑战”:一是体系的健壮性;二是韧存性;三是敏捷性;四是杀伤性[8]。

1.2 网络特性分析

网络特性分析的基本思想是将特殊信息系统建模为复杂网络模型,通过复杂网络指标遴选出与关键穴位挖掘密切相关的指标。
以城市无人进攻作战为例,其包含的节点类型包括指控单元、作战单元、侦察单元、保障单元等,边关系包括指挥控制关系、通信关系、保障关系、协作关系、侦察关系等。而为了更直观地描述现代联合复杂火力对抗打击中的目标体系,将目标节点按功能作用划分为侦察情报节点、指挥控制节点、火力打击节点、信息传输节点、后勤保障节点等5类,然后在此基础上构建具备各自内在运行机制的侦察情报网、指挥控制网、火力打击网、信息传输网及后装保障网等多层次、多功能的簇网体系模型,而战场的态势更新信息就可以抽象表示为关联网结构的节点和边的增减情况[9]。

1.3 网络关键指标参数

(1)超度
超度即与节点相连边的数量。一般来讲,节点的超度越大,代表该节点与其他节点交互的越多,意味着这个节点在整个网络中的地位越重要。
(2)聚类系数
聚类系数是指网络中,连接一个节点的邻居节点之间实际连边数与可能的最大连边数之比(全相连)[10]。可以描述网络中节点的集聚情况,可以用如下公式进行刻画
Ci= E i S i
其中,Ei表示i节点相邻节点之间实际存在的边数,Si表示i节点相邻节点之间全相连时的边数。
(3)特征向量中心性
特征向量中心性体现的是节点重要程度与其邻居节点的重要程度和数量的关系。邻接矩阵将邻接节点的值重新分配给每个节点。目的是分散点度的中心性,从而反映邻接节点的重要性[11]。一般来说,用新的结果向量乘以矩阵A时,这个值会不断增长,直到节点之间的比值变得相对稳定,也就是说,直到矩阵A和新的结果向量的乘积不改变向量的相对值。满足这个性质的向量称为特征中心向量,记xi为节点i的重要性度量值,即
ECi=xi=c ∑ j = 1 N aijxj
其中,c为一个比例常数,A=(aij)是网络的邻接矩阵。记x=[x1,x2,…,xN]T。
(4)网络弹性
网络弹性(也称运维弹性)是指网络在面对各种灾难性事件时能够快速恢复并继续正常运行的能力。网络弹性可以对网络系统的可靠性和韧性进行评估。即为
Ri= V W - Y n· N - V W - Y L W - Y
其中,W-Y表示从网络中移除Y后的新网络,VW-Y表示W-Y中最大连通子网包含的节点数,|N|表示网络中所包含的节点总数,n表示总节点数,LW-Y表示W-Y最大连通子网的平均最短路径[12]。
(5)网络抗毁性
最大连通子图指网络受到攻击,被分为若干个子网络后的最大连通分量,而最大连通子图比例指网络受到攻击后,网络最大连通子图的节点数与初始网络节点数的比值[13]。本文中采用最大连通子图比例的倒数来量化复杂网络的抗毁性,计算公式为
S= N N '
其中,S为最大连通子图比例的倒数,S越小,表示网络的鲁棒性越强。N'为最大连通子图所包含的节点数,N为网络总节点数。

2 城市无人进攻作战信息系统网络模型构建与评估指标体系

对城市无人进攻作战信息系统进行特性分析的前提是构建抽象的网络模型。

2.1 城市无人进攻作战信息系统网络模型构建

信息系统要素构成包括节点、节点间的连边及信息传递关系。系统各类节点及功能特性描述如下:
(1)侦察情报类节点:侦察无人机可以侦察获取情报,预警无人机可以实时传输侦察情报,地面特种小队可以近距离侦察获取情报。
(2)指挥控制类节点:基本指挥所具有接收上级赋予的任务、决策,并为下级下达作战指令的职能;前进指挥所接受基本指挥所的指挥,细化方案,指挥武器装备;预备指挥所接受基本指挥所的指挥,细化方案,指挥武器装备。
(3)火力攻击类作战节点:实施地面火力打击和空中火力打击[14]。
(4)信息传输类节点:完成信息传输。
(5)后装保障节点:为信息系统提供协调保障。
在此基础上给出城市无人进攻作战信息系统网络拓扑构建过程[15]。
第一步:建立一个两层模型。包括指挥层体系与控制层体系。
第二步:将涉及的各要素按照其特性抽象放置于结构层中的各个网中。前进指挥所、基本指挥所、后方指挥所、预备指挥所、保障部和参谋部放置于指挥层中。各类打击力量放置于控制层中。
第三步:将结构层中各网各节点的信息关系交互相连。
第四步:根据系统特性完善相应的网络结构。
城市无人进攻作战信息系统协同指挥系统网络拓扑构建过程如图1所示。
图1 特殊信息系统构建过程

Fig.1 Special information system supernetwork construction process

根据上述步骤,得到城市无人进攻作战背景下信息系统网络示意图如图2所示。
图2 城市无人进攻作战信息系统协同指挥系统网络拓扑要素构成图

Fig.2 Urban unmanned attack operational information system collaborative command system supernet network topology elements composition diagram

同时根据各要素之间的关系,将其区分为各要素集群之间的协同关系和指控关系,抽象出网络拓扑如图3所示。
图3 网络拓扑图

Fig.3 Network topology

2.2 动静结合的评估指标体系构建

在构建评价指标体系时,研究人员采用静态特性与动态特性相结合的方法综合考量,并在静态特性和动态特性下分别确定2~3个分指标。在选择底层指标时,各指标之间相互独立,要符合特殊信息系统任务特性,也要考虑指标计算的时间复杂度,综合多种因素考虑,最终形成一个三级五项评价指标体系。在该体系中,节点的静态特性及动态特性为一级指标,静态特性细分为超度、聚类系数、特征向量中心性三个二级指标;动态特性下细分为网络弹性、网络抗毁性两个二级指标,这些指标共同组成了评价指标体系,如图4所示。
图4 节点重要度评价指标体系

Fig.4 Node importance evaluation index system

2.3 指标权值计算

本研究采用分析软件对上述评估指标体系的指标进行权重计算。以节点重要性作为准则,其下属的静态特性和动态特性两个一级指标分别为次准则,对两个一级指标相对于次准则的重要程度进行两两比较,得到一个在上述准则下各元素重要性的判断矩阵,在分析过程中,先根据系统特性大致确定相对重要度的比值,后由专家分析模式对比值进行修正,根据修正后的结果确定两个一级指标的权重值,从而得到如表1所示的判断矩阵和各指标对应的权重值。
表1 静态特性与动态特性的重要度判断矩阵

Tab.1 The importance judgment matrix of static and dynamic characteristics

静态特性 动态特性 WI
静态特性 1 0.732 218 0.422 705
动态特性 1.365 714 1 0.577 295
同理,以静态特性(动态特性)为准则,其下属的任意一个二级指标为次准则,再对其他的二级指标相对于次准则的重要程度进行两两比较,对于静态特性,先是由系统特性确定每一对指标两两之间的重要程度,后由专家分析模式对比值进行修正,根据修正后的结果确定同一个一级指标下的每个二级指标分别占该一级指标的权重值。然后重复前述步骤,对系统的动态特性进行分析,进而分别得到关于静态特性层面和动态特性层面的各要素重要性的判断矩阵和各指标对应的权重值,如表2和表3所示。
表2 静态特性内部各指标的重要度判断矩阵

Tab.2 The importance judgment matrix of each index in static characteristics

超度 聚类系数 特征向量中心性 WI
超度 1 0.721 419
(0.456 919)		 0.837 585
(1.640 000)		 0.273 881
聚类系数 1.386 157
(2.188 571)		 1 0.443 512
(0.327 103)		 0.275 463
特征向量
中心性		 1.193 908
(0.609 756)		 2.254 728
(3.057 143)		 1 0.450 656
表3 动态特性内部各指标的重要度判断矩阵

Tab.3 The importance judgment matrix of each index in dynamic characteristics

网络弹性 网络抗毁性 WI
网络弹性 1 1.457 143 0.593 023
网络抗毁性 0.686 275 1 0.406 977
说明:在表2、表3中,前三列为相对重要度矩阵,括号内的值为修正值。
最后在生成上述三个判断矩阵后,对计算出的权重进行归一化处理,得到了评价指标体系的一个归一化权重,如图5所示。
图5 各指标权重分布情况

Fig.5 Weight distribution of each indicator

3 仿真分析与重要度评估

基于上述构建的指标体系及确权方法,研究人员针对城市无人进攻作战信息系统各节点进行仿真分析,并计算各节点重要度,实现关键穴位挖掘。

3.1 城市无人进攻作战信息系统各指标分析

(1)超度分析
在城市无人进攻作战信息系统中,超度值越大代表该节点与其他节点的交互越多,是关键节点,需要对其进行重点防护。根据网络拓扑模型,计算各节点超度及其平均值,通过分析计算,该网络结构中各节点的超度分布情况如图6所示。
图6 城市无人进攻作战信息系统节点超度分布图

Fig.6 Urban unmanned offensive operational information system node hyperdistribution map

一般而言,节点超度值越大,说明节点越重要。由图6可知,超度值大的节点较少,大部分节点的超度值较低,说明在指挥控制网络中关键节点较少,这些关键节点(如基本指挥所、前进指挥所)也是作战中需要重点实施防护的对象。
(2)聚类系数分析
在城市无人进攻作战背景下信息系统中,聚类系数越大则系统各节点聚集越紧密,各节点信息流转的便捷性、时效性越强。通过分析计算,该网络结构中各节点的聚类系数分布情况如图7所示。
图7 城市无人进攻作战信息系统节点聚类系数分布

Fig.7 Distribution of node clustering coefficient of urban unmanned offensive operational information system

由图7得出的结果可知,大多数节点聚类系数值为1,仅在少部分节点存在跳变。在参考值较小的节点中,以0号、1号和5号节点为代表,由于与各集群之间的关系为上下级指控关系,导致节点聚集较为分散,信息流转不够便捷。而各集群之间的各个节点可以相互连通,聚集程度相对较高,信息流转更灵活。
(3)特征向量中心性分析
通过分析计算,该网络结构中各节点的特征向量中心性分布情况如图8所示。
图8 城市无人进攻作战信息系统节点特征向量中心性分布

Fig.8 Centrality distribution of node feature vector of urban unmanned offensive operational information system

由图8可知,大部分节点的特征向量中心性参考值在0~0.2之间,说明它们与其他节点的联系较少,在图8中可以体现为各力量集群之间的协同。而0号和3号节点参考值较大,说明与其直接或间接建立联系的节点数量较多,体现了其在特殊信息系统中的关键性。
(4)网络弹性分析
在城市无人进攻作战背景下的信息系统中,研究人员希望构建一个无论是何种节点在遭受摧毁时对网络整体影响较小、恢复能力较快的弹性系统。
以各节点为单位,进行网络弹性分析[16],假设该系统有k个节点通过删除此节点,再对余下的(k-1)个节点组成的网络进行分析,发现网络弹性的变化过程。
通过分析计算,该网络结构中各节点的网络弹性分布情况如图9所示。
图9 城市无人进攻作战背景下信息系统节点网络弹性分布

Fig.9 Network elasticity distribution of information system nodes under the background of urban unmanned offensive operations

在实际应用中,需要增强网络弹性,来减小单个节点受到攻击时对整体作战的影响。因此,在现实作战中,需要采取相应的措施,提高网络的弹性和韧性,保证网络的可靠性和稳定性。
(5)网络抗毁性分析
通过分析计算,该网络结构中各节点的网络抗毁性分布情况如图10所示。
图10 城市无人进攻作战背景下信息系统节点网络弹性分布

Fig.10 Network elasticity distribution of information system nodes under the background of urban unmanned offensive operations

由图10可知,处在0~5号节点的参考值高于其他集群节点,可以体现出指挥控制类节点抗毁性较强,在实际运营过程中,应对这类节点进行重点保护,采取有效的防护措施来应对敌方力量的精准打击。

3.2 重要度排序

通过整合各指标数值和指标权重,得到各节点的总参考值如图11所示。
图11 城市无人进攻作战信息系统各节点总参考值分布图

Fig.11 Distribution of the total reference value of each node of urban unmanned offensive operational information system

由图11可知,0、1、3、4、5号节点(即除了后方指挥部的各类指挥部)总参考值较大,可认为是系统中的关键穴位,在实际运用中应重点保护。
综合以上数值分析结果,可以得出,超度值、介数值、集体影响力越大的节点越重要,需要进行重点保护。同时,提升聚类系数可以使各节点连接更紧密,提升网络弹性和网络抗毁性可以增强整个网络的稳定性。

4 结束语

系统体系节点的网络分析是复杂网络研究的重点,对“关键穴位”的研究分析及综合重要性排序,能从一定维度上依据评估指标分辨出具有重大影响力的节点,并且对未来特殊信息系统的结构特征分析和网络演化提供一定支持。
“关键穴位”的挖掘,既是现代信息化社会的热点话题,也是一个难点话题,未来的相关理论及实践研究更需要网络科学的各个领域各个学科的融合,共同努力,逐渐完善。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
张忠倩, 梅建明. 改革中的白俄罗斯情报系统:结构、特征及内在逻辑[J]. 情报杂志, 2024, 43(3): 1-9.

ZHANG Z Q, MEI J M. Belarusian intelligence system in reform: structure, characteristics and inner logic[J]. Journal of Intelligence, 2024, 43(3): 1-9.

[2]
王维平, 李小波, 杨松, 等. 智能化多无人集群作战体系动态适变机制设计方法[J]. 系统工程理论与实践, 2021, 41(5): 1 096-1 106.

WANG W P, LI X B, YANG S, et al. A design method of dynamic adaption mechanism for intelligent multi-unmanned-cluster combat system-of-systems[J]. Systems Engineering-Theory & Practice, 2021, 41(5): 1 096-1 106.

[3]
张满超, 冒亚安. 网络信息体系理念再认识与发展思考[J]. 指挥信息系统与技术, 2021, 12(6): 14-19.

ZHANG M C, MAO Y A. Review of networking information-centric SoS concept and opinions on its development[J]. Command Information System and Technology, 2021, 12(6): 14-19.

[4]
董思琦. 面向流特征的局部因果结构学习方法研究[D]. 秦皇岛: 燕山大学, 2023.

DONG S Q. Research on local causal structure learning method for streaming features[D]. Qinhuangdao: Yanshan University, 2023.

[5]
王浩能, 琚智杰, 任东彦. 海军战略转型背景下卫勤保障任务特点与人员素质要求[J]. 中国军转民, 2024, 10(8): 9-10.

WANG H N, JU Z J, REN D Y. Characteristics of medical support tasks and personnel quality requirements under the background of naval strategic transformation[J]. Defence Industry Conversion in China, 2024, 10(8): 9-10.

[6]
潘愉锴, 余文浩, 唐震, 等. 基于单位属性的动态重构网络节点重要度评估[J/OL]. 现代防御技术,1-13[2024-06-02].

PAN Y K, YU W H, TANG Z, et al. Evaluation of node importance in dynamic reconfiguration network based on unit attribute[J/OL]. Modern Defense Technology,1-13[2024-06-02].

[7]
丁玉坤, 叶艾. 外国陆军城市作战无人系统发展与运用分析[J]. 舰船电子工程, 2022, 42(5): 7-9.

DING Y K, YE A. Analysis on the development and application of foreign army urban combat unmanned system[J]. Ship Electronic Engineering, 2022, 42(5): 7-9.

[8]
武青平, 李高宇. 无人化智能化战争形态下的作战体系建设问题思考[J]. 军事文摘, 2021(21): 31-34.

WU Q P, LI G Y. Reflections on the construction of combat system under the form of unmanned intelligent war[J]. Military Digest, 2021(21): 31-34.

[9]
施忆, 禹明刚. 基于超网络的空地协同指挥系统特性分析[J]. 指挥信息系统与技术, 2023, 14(6): 78-85.

SHI Y, YU M G. Characteristic analysis of air-ground coordination command system based on hyper-network[J]. Command Information System and Technology, 2023, 14(6): 78-85.

[10]
王瑛, 张泽, 张滢, 等. 基于多属性决策的PCAS-SNIF关键节点分析[J]. 空军工程大学学报(自然科学版), 2021, 22(6): 90-96.

WANG Y, ZHANG Z, ZHANG Y, et al. An analysis of key nodes of PCAS-SNIF based on multi-attribute decision-making[J]. Journal of Air Force Engineering University(Natural Science Edition), 2021, 22(6): 90-96.

[11]
陈超. 基于复杂网络特征向量中心性与聚类系数的链路预测算法研究[D]. 天津: 天津理工大学, 2023.

CHEN C. Research on link prediction algorithm based on complex network feature vector centrality and clustering coefficients[D]. Tianjin: Tianjin University of Technology, 2023.

[12]
张泽, 王瑛, 岳龙飞, 等. 基于超网络的近距空中支援信息流转模式构建[J]. 火力与指挥控制, 2021, 46(11): 20-29.

ZHANG Z, WANG Y, YUE L F, et al. Construction of information flow mode for close range air support based on super-network[J]. Fire Control & Command Control, 2021, 46(11): 20-29.

[13]
姜敏勤, 石小晶, 杨钰, 等. 基于节点重要度动态评估的复杂网络级联失效分析[J]. 科学技术与工程, 2023, 23(31): 13 482-13 491.

JIANG M Q, SHI X J, YANG Y, et al. Complex network cascade failure analysis based on dynamic evaluation of node importance[J]. Science Technology and Engineering, 2023, 23(31): 13 482-13 491.

[14]
张红萍, 邵振峰, 吴长枝, 等. 战场环境信息保障数字孪生建设构想[J]. 测绘地理信息, 2024, 49(4): 83-86.

ZHANG H P, SHAO Z F, WU C Z, et al. Construction of digital twin for battlefield environmental information assurance[J]. Surveying, Mapping and Geographic Information, 2024, 49(4): 83-86.

[15]
钱峰, 张蕾, 赵姝, 等. 利用粗图训练图神经网络实现网络对齐[J]. 南京大学学报(自然科学), 2023, 59(6): 947-960.

QIAN F, ZHANG L, ZHAO S, et al. Training of graph neural networks on coarsening graphs for network alignment[J]. Journal of Nanjing University(Natural Science), 2023, 59(6): 947-960.

[16]
陈山枝, 孙韶辉, 康绍莉, 等. 6G星地融合移动通信关键技术[J]. 中国科学: 信息科学, 2024, 54(5): 1 177-1 214.

CHEN S Z, SUN S H, KANG S L, et al. Key technologies for 6G integrated satellite-terrestrial mobile communication[J]. Scientia Sinica(Informationis), 2024, 54(5): 1 177-1 214.

Options
Outlines

/

〈 〉