中国指挥与控制学会会刊 
战术互联网是构成未来联合作战不可或缺的“末端神经网络”,是战场信息获取、指挥控制和信息服务的传输纽带[1],是信息化条件下“信息主导”、“体系支撑”、“联合制胜”的重要武器系统。如何科学、准确、有效地对战术互联网效能进行评估,已经成为战术互联网研究中的一个重要课题。
1 战术互联网效能评估特点
1.1 模糊性
由于影响战术互联网效能的指标类型和数量较多,且指标体系构建具有不确定性,各指标因素有的可定量描述,有的难以定量描述,甚至有些指标连定性描述都比较困难,这些指标自身描述的不确定性会导致效能评估的模糊性,而且各指标参数数据来源具有多源性,更加导致了效能评估的模糊性。
1.2 动态性
信息化条件下作战节奏加快,战场态势瞬息万变,对于战术互联网灵活组网、抗毁抗扰提出了更高的要求,而网络拓扑、装备运用的不断变化,作战保障任务的阶段不断变化,势必导致效能评估存在动态性。
1.3 综合性
战术互联网效能评估不是各个子系统或要素通信能力的简单叠加,而是通过信息力的主导作用和网系融合作用凝聚成的综合效能,以整体性、非线性的方式呈现。战术互联网效能评估既不是一个单纯的方法问题,也不是一个简单的技术问题,而是涉及范围广、影响因素多、复杂程度高的综合性问题。
2 战术互联网效能评估模型构建
2.1 指标体系构建
战术互联网效能评估指标体系是由影响战术互联网效能发挥的一系列相互联系、相互制约的因素所构成的有机整体,是开展战术互联网效能评估的基本依据,其科学性与否直接影响评估结果的合理性和有效性。传统方法[8,9,10]一般是从目标层、属性层、方案层3个层面构建效能指标体系。该指标体系简单、快捷,但自适应性和反馈机制较差,不适应大型复杂系统的效能评估。本文主要采用“通用性”加“特殊性”的评估框架结构体系进行战术互联网整体效能综合评价,其中,通用性是指一般军事通信网络的普遍性指标集,特殊性是指针对战术互联网军事特点的评价指标集。为了简化指标数量和验证指标体系的合理性,采用了基于Elman神经网络数据挖掘[11]的方法最大限度地从大量预测指标中分析挖掘出对效能评估具有显著影响的特性因素集,其指标体系如图1 所示。
其中,军事通信通用性指标为:数据传输、可靠性、抗干扰性和安全性。战术互联网特殊性指标为:态势感知、指挥决策和机动性。
2.2 指标权重处理
本文根据战术互联网网络结构特性采用基于Entropy Method的方法来确定战术互联网各指标的权重。并在此基础上,针对战场态势和保障任务的不断变化,为提升整体评估系统的鲁棒性和精确性,将Dynamic权值修正方法加入战术互联网效能评估中。
第1步:计算每个指标的熵值ei,计算公式如下
ei=-k yijlnyij
其中,k=1/(lnm),k是一个与样本方案数量m有关的常数。yij是经过数据标准化后的指标参数集。
第2步:计算评估指标的差异系数gi,差异系数体现的是某项指标的信息效用价值。
gi=1-ei
第3步:利用熵值法计算指标权重,其核心思想是计算该指标的差异系数,差异系数越大,该指标的重要性就越高,其权重也越大。其权重计算公式为
wi= ,i=1,2,3···n
第4步:战场态势瞬息万变,随着作战时节和作战阶段的改变,战术互联网的某一项评估指标如果急剧恶化,超出该指标的阈值范围时,那么整个系统网络的性能也会受其影响出现大幅度地下降,甚至造成网络系统瘫痪。而在对网络效能评估过程中,可能由于影响其网络效能的指标因素众多,当某个指标数值急剧恶化并且超出该指标的阈值范围,而该指标在整个网络系统中所占权重较小且其他影响网络效能因素的指标仍然在正常范围内,得到的评估结果很有可能体现不了整个网络系统性能的恶化。根据战场情况对各指标权重wi进行Dynamic修正。其修正公式为
$w_{i}\left(x_{1}, x_{2}, \cdots x_{m}\right)=\frac{w_{i}^{0}}{x_{i}} / \sum_{k=1}^{m} \frac{w_{k}^{0}}{x_{k}}$
其中, 表示初始的权重值,xi表示指标评价集∈[0,1],1表示指标评价正常,0表示指标评价恶化。若单个指标超出该指标的阈值范围[u1,u2],则可判定其指标评价数值xi为0;如果单个指标未超出阈值范围,则可判定其指标评价数值xi为1。由式(4)可以看出,当某个指标因素的评价值趋近于0,而其他指标因素评价值正常时,该指标因素的权重则趋近于1,而此时整个网络系统的效能值却为0,这分析结果与网络上某个重要影响因素被瘫痪时,网络系统性能整体上也处于瘫痪状态的事实符合。
3 战术互联网效能评估模型实现
3.1 指标参数数据采集
指标参数的数据采集是战术互联网效能评估的关键性问题,数据来源的真实性直接影响评估结果的合理性和科学性。可将指标影响因素参数分为4种类型对其数据采集,如表1 所示。
表1 指标参数类型划分 |
| 指标数据 获取类型 | 直接获取 | 算例获取 | 仿真获取 | 定性定 量获取 |
|---|---|---|---|---|
| 指标参数 | 节点数量 误码率 信噪比 | 网络覆盖范围 网络容量 抗毁性 | 态势更新时间 传输速率 传输时延 | 机动性 安全性 |
第一种为可直接测量得出或求出的指标参数,如:节点数量、误码率、信噪比。第二种为通过一定的算法求出的指标参数,如:网络覆盖范围、网络容量、抗毁性等。第三种需要进行实装检验或者仿真得到的指标参数度量值,如:态势更新时间、传输速率、传输时延等。第四种为只能进行定性描述的指标,如:机动性、安全性等定性指标。这类指标可通过特定算法量化。
由于类型1指标参数获取较为简单,类型3指标参数采集需要依据实装检验或者仿真软件获取数据,类型4指标参数数据来源需要定性和定量描述,这里不在赘述。下面主要对类型2指标参数获取度量的算法进行阐述。
1)网络覆盖范围
网络覆盖范围是指所有通信节点覆盖的总面积与作战区域总面积的比值,是通信网络区域覆盖范围程度的一个量度。
P= ×100%
其中,P代表网络的覆盖程度;Ai表示第 i个节点实际通信覆盖面积;N代表通信节点的数量;A表示整个作战区域的面积。
2)网络容量
网络容量表示网络中每条链路信道的容量之和。
C=
其中,C代表网络容量,Bi表示第i条链路的信道带宽, 表示第i条链路的信噪比。
3)抗毁性能
抗毁性能表示战术互联网在突然遭遇敌方火力打击情况下,部分通信节点被摧毁且无法抢修时,而整个通信网络依旧可以保持信息通信的能力。
Ii=1- ×
S= (Pi- )2
其中,Ii表示节点的重要度,S表示通信网络的抗毁度。α代表通信网络效率,其值等于网络内所有节点路径距离倒数之和。M表示网络内的通信链路数量。α'和M'代表网络中某一节点被打击破坏后的网络效率和链路数量。N代表通信节点数量。依据通信网络中节点重要度越平均,通信网络抗毁伤能力就越强的评估思路,推理得出:当S越小,则通信网络的抗毁性能也越高。这也符合为了提高抗毁性能,战术互联网通常采用栅格化结构的组网模式。
3.2 数据标准化处理
指标参数的度量按类型可以分为定量型数据和定性型数据。对于定量型评估指标参数,采用隶属度函数进行无量纲和归一化处理,可得出定量指标数据集。这类评估指标可以分为效应型指标、成本型指标、居中型指标和区间型指标[17]。对于定性型评估指标参数,可以按照先定性,再分类,最后打分等级量化的方式进行描述,然后对其量化描述的数据进行标准化处理从而得到定性指标的量化数据集。
1)定量指标标准化处理
①效益型指标是指评估值越大越好的指标,其处理方法为
=
②成本型指标是指评估值越小越好的指标,其处理方法为
=
③居中型指标是指评估值越靠近中心越好的指标,其处理方法为
=
④区间型指标是指评估值落在某一固定区间内为最佳的指标,其处理方法为
=
其中, 为指标标准化的值;X表示原始数据值;M表示该指标可能达到的最大值;m表示该指标可接受的最小值;[A1,A2]表示期望区间。
2)定性指标标准化处理
定性指标的描述方法可采用乐观系数法[18]对其进行标准化处理,例如对战术互联网效能评估指标中的机动性这一定性指标,现邀请n位专家(P1,P2,··· Pn),每位专家根据自身对该领域的经验,分别对该指标进行量化评分,取值范围为[0,100]。专家估分满足2个条件:①估分值不是一个点值Xi,而是区间值[Xi, ];②规定估分区间长度L= -Xi。
取∑P'集合中的专家估分,然后赋权这些专家权重,设集合中的专家分别为( , ,··· ),权重为
=
式中,i,j满足Pi= 。再计算集合中各个专家的乐观系数
=
其中 与α为估分重合区间[α, ]。最后计算指标值
S= [Xi + (1- )]
3.3 评估模型的程序实现
基于上述模型构建思想,建立战术互联网效能评估分析系统。其系统流程为:
STEP1:针对构建的战术互联网效能评估指标体系和指标参数度量的数据采集构造原始数据矩阵。设有m个评估方案,n个评估指标,构造评估指标的原始数据X=[xij]m*n,其中xij表示第i个方案的第j项指标。
STEP2: 构造标准化矩阵Y=[yij]m*n,其中yij就是依据本文标准化处理的数据。
STEP3:计算每个评估指标的熵值ei。
STEP4:根据熵值ei获取每个评估指标的差异系数gi。
STEP5:利用每个指标的差异系数gi计算得到指标权重集wi。
STEP6:根据战场态势和网络结构变化,对指标权重集wi进行Dynamic修正。
系统程序实现流程如图2 所示。
4 仿真验证
依据本文建立的模型,利用Matlab对其进行仿真验证。首先根据建立的指标体系和指标参数数据采集的方法,构建战术互联网指标参数训练集,依据Entropy Method算法和优化的Dynamic Entropy Method算法分别获取战术互联网效能评估指标权重集。利用评估模型的实现,比较 Entropy Method和 Dynamic Entropy Method的2种算法在战术互联网效能评估中的实际效能函数值。仿真结果如图3 、4所示。
从图3 和图4 的仿真结果来看,优化过的Dynamic Entropy Method算法更贴切战术互联网效能评估的特点。上述两种结果表明由于受战场态势不断变化的影响,其评估指标度量值随着作战时节不断变化,其评估指标的权重和网络效能值也呈现非线性变化。对于战术互联网效能进行评估是一个多尺度、多指标、动态的复杂过程,战术互联网效能在一定程度上是个多目标决策的过程,单目标和单时节的评估都不能对战术互联网效能进行客观准确评估,只有对整个战场态势进行全方位、全时节的客观评估才能够更加全面准确地反映整个网络效能,这也是本文基于Dynamic Entropy Method的战术互联网进行网络效能评估的优势所在。
5 结束语
本文围绕战术互联网效能评估这一目标,深入分析了战术互联网效能评估的特点,构建了战术互联网效能评估指标体系。根据不断变化的战场态势对战术互联网效能评估带来的挑战,提出了一种基于Dynamic Entropy Method算法,并构建了战术互联网效能评估模型,最后对其模型进行了仿真验证,实验证明该方法的有效性和合理性。