中国指挥与控制学会会刊 
随着信息技术的发展,现代战争已从机械化战争转变成集海、陆、空、天、电磁、赛博于一体的网络化联合作战。为了实现一体化联合作战,各指挥官、作战单元、作战系统之间需要对相关的态势信息保持一致,实现全维战场信息的共享,并在此基础上,还需要能够对全维战场信息进行高效、快捷、实时的查询和推理。因此本文构建了态势估计领域本体模型来实现战场目标信息共享,并在此基础上,通过知识的表现形式,为态势估计提供相同认知的知识库模型,满足态势估计中态势要素及其关系的描述需要,实现系统间的信息共享和互操作。在此基础上,能够有效地对知识库中态势信息进行语义查询和推理,实现态势估计所需的基于人工智能的自动推理,实现“在恰当的时间内将恰当的信息以恰当的格式递交给恰当的人员”的目标[1]。
1 态势估计领域本体模型构建
本文构建了一种基于语义网的态势估计领域本体模型。首先具体介绍态势估计领域本体实例构建流程;然后实现关系数据库到本体的转换;最后以本体作为共享知识的表示形式,实现局部本体到态势估计领域本体的映射。从而实现态势估计中的态势信息共享,为后续基于本体的查询和推理奠定基础。
1.1 态势估计领域本体实例构建流程
实现全维战场态势估计的前提是实现战场全维信息的共享。由于现有各军兵种指挥控制信息系统中的战场信息主要以关系数据库形式存储,因此首先需要把关系数据库形式呈现的战场信息转换成为本体,然后把多个局部本体映射到态势估计领域本体,完成战场态势估计领域本体实例构建。态势估计领域本体实例构建流程如图1 所示。
从图1 中可以看出,态势估计领域本体实例构建流程主要为两步:第一,关系数据库到本体的转换;第二,局部本体到态势估计领域本体的映射。通过上述两个核心步骤,就能实现态势估计中的态势信息共享,解决态势估计中的“语义异构”和“信息孤岛”问题,为后续的态势信息查询和推理奠定基础。
1.2 关系数据库到本体的转换
1.3 局部本体到态势估计领域本体的映射
在态势估计中,态势信息共享是进行查询的基础,因此需要对各作战数据生成的本体进行合并。由于各作战单元的本体来源不同,所以难以通过简单的堆积使不一致的地方实现合并,同时还需要建立起不同本体间的关系来保证态势信息的完整性。
通过本节1.2的方法,我们可以将关系数据库公开为RDF。由于海、陆、空三个军兵种都有各自的战场态势信息关系数据库,因此,在态势估计过程中,会生成多个RDF文件。为了解决这些RDF文件之间的数据共享问题,我们引入了混合本体方法[7],如图2 所示。
每个信息源通过映射都可以转换为自己的本体(局部本体),但局部本体之间存在“语义异构”问题,无法实现互联互通,例如出现不同本体之间用来表示同一信息所使用的字段可能不统一等情况。因此,我们建立了一个全局本体,使其与局部本体进行映射,实现局部与全局本体的关联, 全局本体的获取首先通过各个关系数据库生成RDF,然后对源数据与目的数据进行映射,生成一个共享的全局本体。全局本体实质上就是对概念的统一,是一个共享词汇集,在这个共享的本体上,用户只需要通过SPARQL查询语言对其进行查询,就可以获得所需要的底层数据源,从而实现数据的共享与交换。
2 基于态势估计领域本体的查询与推理
通过基于D2RQ的态势估计领域本体实例构建,海量战场态势信息共享得以实现,但是如何高效查询海量的RDF数据便成为新的问题。因此,本节提出一种基于态势估计领域本体的查询和推理方法。首先,在实现战场态势估计领域本体实例构建的基础上,设计了基于SPARQL的本体查询方法,并具体给出实例来说明SPARQL查询在态势估计中的应用;其次,设计了基于本体的Jena推理方法,能够通过自定义规则进行推理查询,并给出了具体实例。通过上述查询和推理研究,能够对全维战场信息进行高效、快捷、方便、实时的查询和推理,为实现战场态势估计提供支持。
2.1 基于本体的SPARQL查询研究
从图3 可知,执行SPARQL查询时,首先根据查询需求构造SPARQL语句,然后通过解析器对其构造的语句进行解析,接着在查询模型中调用查询处理器执行查询,最终得到所需要的查询结果。
本节主要使用了几个典型的SPARQL查询语句,主要包括简单实例查询、FILTER查询、CONSTRUCT查询、OPTIONAL查询、结果集修饰符查询、ASK查询、DESCRIBE查询。
使用传统的SQL查询,只能根据某个数据库中的某个字段进行查询,无法通过一个共享的概念词汇同时查询出所有数据库的信息。但是使用基于本体的SPARQL查询,用户只需要设置相应查询条件,就可以同时查询出海、陆、空各作战单元所有的战场态势信息(此处以部分态势信息为例,例如:目标名称、目标类型、目标速度、目标发现时间、目标经纬度)。由此可见,基于本体的SPARQL查询解决了传统查询的漏查、不全性等问题,大大提高指挥员在态势估计中所需信息的全面性和准确性,从而优化作战决策,满足一体化联合作战要求。
本文具体实现了时间查询、空间查询、时空联合查询、目标类型查询这几个几类查询方式,下面在第3节的仿真场景和测试数据的基础上,以时间查询为例来说明SPARQL查询在态势估计中的应用。
查询海、陆、空三个军兵种在“2016-10-20 12:35:30”至“2016-10-20 14:59:59”时间段探测到的所有战场态势信息。查询结果如图4 所示。
查询语句如下:
SELECT?name?type?sudu?jd?wd?fxsj
WHERE{
?id vocab:tb-navytarget-mingzi?name.?id vocab:tb-navytarget-leixin?type.
?id vocab:tb-navytarget-sudu?sudu.?id vocab:tb-navytarget-jingdu?jd.
?id vocab:tb-navytarget-weidu?wd.?id vocab:tb-navytarget-time?fxsj.
FILTER ((?fxsj>='2016-10-20 12:35:30')&&(?fxsj<='2016-10-20 14:59:59'))}
从图4 的查询结果可以看出,通过SPARQL的FILTER查询,同时查询出了海、陆、空三个异构数据库中所有满足时间范围在“2016-10-20 12:35:30”至“2016-10-20 14:59:59”的战场态势信息,总共7条数据。与测试数据对比可知,这7条数据全部符合所要查询的信息且没有出现漏查,进一步验证了态势信息共享的实现。
2.2 基于本体的Jena推理研究
基于本体的SPARQL查询,虽然能快速查询出满足条件的所有相关信息,但是有时候输入的查询条件所查询到的结果并不能代表用户需要的真正信息,很多有效的信息隐藏于海量信息。因此,本节开展了基于本体的Jena推理研究,通过根据专家经验来制定自定义规则和Jena推理,从海量信息中推理出信息之间隐含的关系,从而挖掘出用户所需要的真正信息,提高信息的利用率。
2.2.1 Jena结构
Jena是一种语义Web框架,它使用自己的语法创建规则,并与规则推理机绑定,通过调用Jena API来操作RDF、OWL等本体语言,提供本体的解析、存储和查询[11]。
Jena主要结构包括如下部分:
1)调用RDF API处理RDF模型和文件;
2)通过本体解析器解析RDF、OWL等本体语言描述的文件;
3)持久化存储RDF模型;
4)通过推理机子系统进行基于规则的推理;
5)本体子系统对本体进行操作;
6)基于SPARQL查询。
其中,推理子系统和本体子系统为Jena核心组件,其各个组件在语义查询中的应用如图5 所示。
2.2.2 面向态势估计应用的Jena推理方法
在态势估计过程中,推理出海量态势信息之间的隐含关系是一个至关重要的环节,通过自定义规则,能够根据已有的信息推理出隐含的事实。图6 为面向态势估计应用的Jena推理流程。
从图6 中可以看出,面向态势估计应用的Jena推理主要包括规则文件读取、规则解析、推理信息查找、推理结果返回四个主要阶段,分别如下:
1)规则文件读取:通过添加专家经验知识的自定义规则文件,然后调用规则文件读取接口,把读取到的规则信息放入推理模型中,等待解析器解析。
2)规则解析:本体推理机(Jena)对推理模型中的规则进行解析,转换成自己所需要的格式。同时,将新的规则信息存储到规则库中,方便规则的查询和分析。
3)推理信息查找:根据解析到的规则,从态势信息本体库中去查询对应的实例,并返回查询结果。
4)推理结果:将查询到的结果(战机态势信息之间的隐藏信息)呈现给指挥员,提供指挥员所需要的真正信息。
根据上述推理流程,本节在前述仿真场景和测试数据的基础上,通过自定义战机目标速度与威胁度之间的规则关系,进行战机目标速度与威胁度的规则推理,从而来说明Jena推理在态势估计中的应用。
规定战机目标速度在“0-1500km/h”时,威胁度为“low”,即1级;当速度在“(1500-2000)km/h”时,威胁度为“medium”,即2级;当速度大于“2000km/h”时,威胁度为“high”,即3级。自定义规则具体如下:
Rule 1:(?target rdf:type vocab:“战机”),(?target vocab:speed?s), greaterThan
(?s,0), lessThan(?s,1500)→(?target vocab:threat “low”)
Rule 2:(?target rdf:type vocab:“战机”),(?target vocab:speed?s),greaterThan
(?s,1500), lessThan(?s,2000)→(?target vocab:threat “medium”)
Rule 3:?target rdf:type vocab:“战机”),(?target vocab:speed?s),greaterThan
(?s,2000)→(?target vocab:threat “high”)
战机目标速度与威胁度推理结果如图7 所示。
从图7 的推理结果可以看出,通过Jena的自定义规则推理,同时推理出了海、陆、空三个异构数据库中所有战机目标速度与威胁度之间的关系。根据下文的仿真数据中,无法查询出战机目标对应的威胁度,但加入自定义规则后,就实现从已有的战机目标速度推理出隐含的战机威胁度这一事实,进一步验证了Jena推理在态势估计中的作用。
从上述推理分析和结果中可以看出,单独使用SPARQL查询,只能查询出显性的信息,无法知道信息之间的内部关系。但是进行自定义规则的Jena推理,就可以推理出信息之间的隐藏关系,从而挖掘出用户所需要的真正信息,提高信息的利用率,满足指挥决策过程中的真实需求,从而优化作战决策。
3 仿真验证与测试
为了验证本文提出的方法的有效性,我们设计了一个基于本体的目标探测信息查询平台,如图8 所示。该平台采用B/S架构设计,主要实现了海、陆、空三个关系数据库到本体的转换,再对生成的三个本体映射成一个共享的全局本体,然后进行Jane推理,最后利用Sparql查询对共享的本体进行条件查询。
本文仿真了一些海、陆、空三个作战单元探测到的战场目标信息数据,各作战单元探测到的目标信息所存储的格式都不一样,且分别存储在各自关系数据库中,存在“语义异构”问题。通过本文的研究以及平台的设计,进行了实验测试,验证本平台可以解决态势估计中的语义异构问题,实现态势信息共享,并且能够进行查询和推理,提供查询结果的全面性和准确性以及隐藏的事实,从而给指挥官提供更优的决策。具体仿真数据如图9 所示。
3.1 态势信息共享验证
经过关系数据库到本体的转换和本体对准这两个步骤,从而实现态势信息共享。根据图9 中的海、陆、空战场目标信息仿真数据,进行测试,得到态势信息共享结果如图10 所示。
结果分析:经过态势信息共享后,解决了原先海陆空各个数据的语义异构问题,把所有海陆空中的数据一次查询出来,实现了信息的共享和交换,指挥官可以统一所有作战单元信息,实现联合作战。
3.2 查询推理验证
通过对目标的速度与威胁度关系制定规则,然后用Jena推理机进行加载。规则设定如下:
规则1:当目标属于战机,且目标速度在0-1500km/h范围,则推理出该目标威胁度最低,威胁度为1级。
Rule 1:(?target rdf:type vocab:“战机”),(?target vocab:speed?s), greaterThan(?s,0),
lessThan (?s,1500)→(?target vocab:threat “low”)
规则2:当目标属于战机,且目标速度在(1500-2000)km/h范围,则推理出该目标威胁度中等,威胁度为2级。
Rule 2:(?target rdf:type vocab:“战机”),(?target voc-
ab:speed?s), greaterThan(?s,1500), lessThan(?s,2000)→(?target vocab:threat “medium”)
规则3:当目标属于战机,且目标速度大于2000km/h,则推理出该目标威胁度最高,威胁度为3级。
Rule 3:(?target rdf:type vocab:“战机”),(?target vocab:speed?s), greaterThan(?s,2000)→ (?target vocab:threat “high”)
通过上述定义的规则,把规则文件导入Jena推理机模型中,当选中目标类型为“战机”时,点击列表查询,就会把态势信息库中的所有战机目标查询出来,同时,根据查询出来的战机目标速度进行规则推理,推理出战机目标的威胁度等级(1级、2级、3级),实现已有的知识推理出隐藏的信息,丰富了指挥决策所需要的战场信息,提高决策能力。战机目标威胁度推理结果如图11 所示。
态势估计中,时空查询与推理是态势估计中的核心问题,通过时空查询,可以了解作战单元的状态,实现“在恰当的时间内将恰当的信息以恰当的格式递交给恰当的人员”的目标。下面主要进行时空查询推理验证,以图9 中海、陆、空仿真数据为测试数据。下面以时空联合查询推理为例:
用户可根据作战任务设置某段时间内某个范围中所有实体目标。如查询海、陆、空三个作战单元经度在“东经112.000—东经123.000”且纬度在“北纬8.500—北纬22.000”且时间在“2016-10-20 12:20:00至2016-10-20 12:40:00”探测到的所有目标类型为战机标威胁度推理结果信息,结果如图11 所示。
从图11 的推理结果可以看出,通过Jena的自定义规则推理,同时推理出了海、陆、空三个异构数据库中所有战机目标速度与威胁度之间的关系。根据本章的测试数据,无法查询出战机目标对应的威胁度,但加入自定义规则后,就实现从已有的战机目标速度推理出隐含的战机威胁度这一事实,且推理出来的战机速度与威胁度等级符合自定义规则,进一步验证了本平台威胁度推理的有效性。
4 结束论
现代战争主要以联合作战为主,为了快速获取战场信息,需要运用态势估计技术来全面了解作战双方的兵力结构、区域部署以及作战环境等信息。但是指挥系统和各军兵种之间都有各自的报文规范和数据库模式,导致情报和指挥命令难以在各军兵种间畅通,存在“语义异构”、“信息孤岛”等问题。这在一定程度上使得态势信息无法交换和共享,处于一种信息阻隔的作战状态。因此本文将语义网本体技术引入态势估计中,从而获取到态势估计领域中各态势要素的相关知识,共同规范该领域内的词汇,实现态势信息共享;在此基础上,利用本体查询和推理技术,对海量的战场态势共享信息进行查询和推理,解决传统查询的不全面性和准确性,帮助指挥官获取高质量的态势信息。