CN111667072A - 一种情报使用价值评估方法 - Google Patents

一种情报使用价值评估方法 Download PDF

Info

Publication number
CN111667072A
CN111667072A CN202010411180.8A CN202010411180A CN111667072A CN 111667072 A CN111667072 A CN 111667072A CN 202010411180 A CN202010411180 A CN 202010411180A CN 111667072 A CN111667072 A CN 111667072A
Authority
CN
China
Prior art keywords
intelligence
node
value
use value
information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010411180.8A
Other languages
English (en)
Other versions
CN111667072B (zh
Inventor
陈健军
刘娜
李国栋
顾宾
杨磊
洪伟
王德荣
马永健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electronic Science Research Institute of CTEC
Original Assignee
Electronic Science Research Institute of CTEC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Electronic Science Research Institute of CTEC filed Critical Electronic Science Research Institute of CTEC
Priority to CN202010411180.8A priority Critical patent/CN111667072B/zh
Publication of CN111667072A publication Critical patent/CN111667072A/zh
Application granted granted Critical
Publication of CN111667072B publication Critical patent/CN111667072B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Devices For Executing Special Programs (AREA)

Abstract

本发明公开了一种情报使用价值评估方法，本发明利用观察、判断、决策、攻击(OODA)环来刻画情报使用价值的间接作用过程，并通过统计关系学习框架Markov逻辑网来对情报作用过程的动态不确定性进行学习量化，从而实现对情报使用价值的快速且准确的评估，从而有效解决了现有的情报使用价值评估难以在大数据条件下进行动态且快速的评估的问题。

Description

一种情报使用价值评估方法
技术领域
本发明涉及情报分析技术领域，特别是涉及一种情报使用价值评估方法。
背景技术
情报是指被传递的知识或事实，是知识的再激活，是运用一定的媒体(载体)，越过空间和时间传递给特定用户，解决科研、生产、商业中的具体问题所需要的特定知识和信息。目前高新科技时代的情报呈现典型的大数据4V特征：数据体量巨大(Volume)、数据种类繁多(Variety)、处理速度快(Velocity)、价值密度低(Value)。而大数据条件下情报数据分析和评估能力远远落后于情报数据收集能力，严重制约了情报对科研、生产、商业行动的促进。也就是说，现有的情报分析评估较慢，使其难以适用于现代化大数据条件下情报对抗场景的情报使用价值评估。
发明内容
本发明提供了一种情报使用价值评估方法，以解决现有技术中情报分析评估较慢的问题。
第一方面，本发明提供了一种情报使用价值评估方法，该方法包括：
根据情报对抗场景构建情报使用价值模型，并建立情报使用价值评估指标体系；
根据所述情报使用价值模型的拓扑关系构建情报使用价值知识库，并建立基于情报属性对情报使用价值影响关系的逻辑公式；
基于不同情报对抗场景下的历史数据、仿真数据和演训数据进行Markov逻辑网参数学习确定所述逻辑公式的权值；
根据训练学习后的Markov逻辑网，通过条件概率推理方法获得情报使用价值。
可选地，所述情报使用价值模型为：
Figure BDA0002493310770000021
其中，O1为观察节点，O2为判断节点，D为决策节点，A为打击节点，T为对方目标节点，上述节点的能力度量值依次分别为
Figure BDA0002493310770000022
CD、CA、CT，
Figure BDA0002493310770000025
为感知能量流的能力度量值，
Figure BDA0002493310770000024
为观察目标信息流的能力度量值，
Figure BDA0002493310770000023
为决策支持信息流的能力度量值，CD,A为指控信息流的能力度量值，CA,T为攻击能量流的能力度量值，矩阵G的第i行第j列若为非零元素，则表示第i行的节点对第j列的节点存在指向关系；若为零元素，则表示无指向关系或指向关系可忽略。
可选地，所述根据所述情报使用价值模型的拓扑关系构建情报使用价值知识库，包括：基于OODA环的前一环节的性能属性对后一环节性能或效能属性的影响，构建Markov逻辑网中情报使用价值知识库，其中，所述OODA环为存在相互作用关系的观察节点、判断节点、决策节点、打击节点和对方目标节点所构成的闭合环路。
可选地，所述建立基于情报属性对情报使用价值影响关系的逻辑公式，包括：将观察节点的观察范围、观察准确性和观察时延的属性作为变元，判断其对判断节点的处理时延和情报准确性的影响；将判断节点的情报质量的典型指标作为变元融合到知识库的规则公式中，判断所述判断节点对决策时间和决策合理性的影响；将攻击节点的指令准确性、及时性，以及攻击目标的机动性和抗毁性属性作为变元，判断所述攻击节点对打击效能的影响；当各变元的取值为离散值的，则直接作为闭项，当各变元的取值为连续值的，则将变元的取值区间在预设精度范围内进行离散化，以将离散化的区间作为闭项，生成基于所述评估指标体系的各个指标的影响关系的逻辑公式。
可选地，所述基于历史数据、仿真数据和演训数据进行Markov逻辑网参数学习确定所述逻辑公式的权值，包括：
基于不同情报对抗场景下的历史数据、仿真数据、演训数据，利用学习算法确定情报使用价值知识库参数；
利用最大伪似然估计和判别式训练方法，确定逻辑公式的权值。
可选地，所述根据训练学习后的Markov逻辑网，通过条件概率推理方法获得情报使用价值，包括：基于训练学习后的Markov逻辑网，分别针对各个情报属性指标，利用Markov逻辑网的条件概率推理方法，推理出预设场景下的评估指标体系的不同等级指标取值的概率分布，最后获得情报使用价值。
可选地，所述评估指标体系包括多级评估指标。
可选地，所述评估指标体系为两级评估指标，分别是一级评估指标和二级评估指标；
其中，所述一级评估指标包括以下中的一种或多种：提高作用效果贡献度指标、提高作用效率贡献度指标和降低作用成本贡献度指标，所述二级评估指标为根据据当前情报所涉及的具体行为的作用关系而设定。
可选地，设情报使用价值的一级评估指标值为X，其所属的二级评估指标提高或降低百分比值为xi，对应的赋权为ai，
Figure BDA0002493310770000031
其中0≤i≤N，N为二级评估指标数量，则
Figure BDA0002493310770000032
第二方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质存储有信号映射的计算机程序，所述计算机程序被至少一个处理器执行时，以实现上述任一种所述的所述的情报使用价值评估方法。
本发明有益效果如下：
本发明利用观察、判断、决策、攻击OODA环来刻画情报使用价值的间接作用过程，并通过统计关系学习框架Markov逻辑网来对情报作用过程的动态不确定性进行学习量化，从而实现对情报使用价值的快速且准确的评估，从而有效解决了现有的情报使用价值评估难以在大数据条件下进行动态且快速的评估的问题。
附图说明
图1是本发明第一实施例提供的一种情报使用价值评估方法的流程示意图；
图2是本发明第一实施例提供的OODA环模型示意图；
图3是本发明第一实施例提供的情报使用价值评估指标体系的构成示意图。
具体实施方式
针对现有的情报使用价值评估方法难以适用于大数据条件下动态性、快速性、不确定性高的现代化情报对抗场景的情报使用价值评估的问题，本发明实施例利用观察、判断、决策、攻击OODA环来刻画情报使用价值的间接作用过程，并通过统计关系学习框架Markov逻辑网来对情报作用过程的动态不确定性进行学习量化，从而实现对情报使用价值的快速且准确的评估。以下结合附图以及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不限定本发明。
本发明第一实施例提供了一种情报使用价值评估方法，参见图1，该方法包括：
S101、根据情报对抗场景构建情报使用价值模型，并建立情报使用价值评估指标体系；
具体来说，本发明实施例是针对大数据条件下情报对抗场景，基于实体节点在科研、生产、商业等活动中的地位作用，结合OODA环理论，情报使用活动是一个观察、判断、决策、行动的循环过程，即把情报使用过程简化抽象描述成一个侦察系统发现目标，而后将目标信息传给判断节点进行情报分析处理，支撑决策中心对形势进行分析决策后指挥攻击实体对对方目标实施最终行动的重复循环过程。
本发明构建的OODA环是为完成特定的科研、生产、商业等任务，装备体系中的观察、判断、决策、行动等装备实体与对方目标实体构成的有情报使用行为关系的闭合回路。环中各类节点之间的有向边是节点之间作用关系的抽象，涉及基于红外、电磁、光波等形式的感知能量流；基于无线电、有线通信线路等载体的决策支持信息流和指控信息流；以及基于打击过程而建立起来的攻击能量流。OODA环代表了情报使用活动的最简单基本环节。一般来讲，在一个复杂的情报使用网络中，OODA环的数量越多、性能越高，作用效果越好，OODA环数量和质量在一定程度上反应了体系的情报使用能力，因此，基于OODA环来分析情报对科研、生产、商业等活动体系的影响不失为一种可行的途径。
为了形式化的描述情报使用价值在实体节点间的传递与作用关系，本节采用矩阵的形式来进行模型描述。以图2所示的OODA环为例，则反映OODA环中情报使用价值传导关系的矩阵G：
所述情报使用价值模型为：
Figure BDA0002493310770000051
其中，O1为观察节点，O2为判断节点，D为决策节点，A为打击节点，T为对方目标节点，上述节点的能力度量值依次分别为
Figure BDA0002493310770000052
CD、CA、CT，
Figure BDA0002493310770000063
为感知能量流的能力度量值，
Figure BDA0002493310770000064
为观察目标信息流的能力度量值，
Figure BDA0002493310770000065
为决策支持信息流的能力度量值，CD,A为指控信息流的能力度量值，CA,T为攻击能量流的能力度量值，矩阵G的第i行第j列若为非零元素，则表示第i行的节点对第j列的节点存在指向关系；若为零元素，则表示无指向关系或指向关系可忽略。
本发明实施例中，所述评估指标体系为两级评估指标，分别是一级评估指标和二级评估指标；
其中，所述一级评估指标包括以下中的一种或多种：提高作用效果贡献度指标、提高作用效率贡献度指标和降低作用成本贡献度指标，所述二级评估指标为根据据当前情报所涉及的具体行为的作用关系而设定。
例如，设情报使用价值的一级评估指标值为X，其所属的二级评估指标提高或降低百分比值为xi，对应的赋权为ai，
Figure BDA0002493310770000061
其中0≤i≤N，N为二级评估指标数量，则
Figure BDA0002493310770000062
需要说明的是，以上本发明仅是以两级评估指标为例对本发明实施例的评估指标体系进行说明，在具体实施时，本领域技术人员可以根据具体情况来设置多级的评估指标体系，例如，为了得到更准确的评估结果来设定三级或者更高级的级评估指标。
S102、根据所述情报使用价值模型的拓扑关系构建情报使用价值知识库，并建立基于情报属性对情报使用价值影响关系的逻辑公式；
具体实施时，本发明实施例中所述根据所述情报使用价值模型的拓扑关系构建情报使用价值知识库，包括：基于OODA环的前一环节的性能属性对后一环节性能或效能属性的影响，构建Markov逻辑网中情报使用价值知识库，其中，所述OODA环为存在相互作用关系的观察节点、判断节点、决策节点、打击节点和对方目标节点所构成的闭合环路。
所述建立基于情报属性对情报使用价值影响关系的逻辑公式，包括：将观察节点的观察范围、观察准确性和观察时延的属性作为变元，判断其对判断节点的处理时延和情报准确性的影响；将判断节点的情报质量的典型指标作为变元融合到知识库的规则公式中，判断所述判断节点对决策时间和决策合理性的影响；将攻击节点的指令准确性、及时性，以及攻击目标的机动性和抗毁性属性作为变元，判断所述攻击节点对打击效能的影响；当各变元的取值为离散值的，则直接作为闭项，当各变元的取值为连续值的，则将变元的取值区间在预设精度范围内进行离散化，以将离散化的区间作为闭项，生成基于所述评估指标体系的各个指标的影响关系的逻辑公式。
由于情报的使用价值在科研、生产、商业等活动中具有不确定性，因此，为了对这种不确定性进行刻画，本发明采用Markov逻辑网来进行情报使用价值作用规则的构建，构建情报使用价值知识库，建立基于情报属性对情报使用价值的二级指标影响关系的逻辑公式，形成知识库从而为情报使用价值的评估提供支撑。
Markov逻辑网是公式附加权值的一阶逻辑知识库，且可作为构建Markov网的模板。从概率的角度来看，Markov逻辑网为大型Markov网提供一种简洁的描述语言，并能够灵活地将大量领域知识模块化地引入到Markov网中；从一阶逻辑的角度来看，Markov逻辑网不仅可以处理不确定性，还可以允许不完整和矛盾的知识。此外，Markov逻辑网还可以作为很多统计关系学习任务的统一框架。
在一阶逻辑中，为公式中所有可能的闭谓词指定逻辑值，这组赋值就叫做一个可能世界(possible world)。通常一个世界只要违反了一个公式，该世界发生的概率就为0(即一阶逻辑知识库作为可能世界的强约束)。Markov逻辑网的基本思想是软化这个约束：当一个世界违反了知识库中的一个公式，该世界发生的概率降低但不是不可能；而违反的公式越少，则发生的概率越大。公式上的权值体现了该公式的限制强度，权值越大，满足该公式的世界的发生概率与不满足该公式的世界的发生概率之间的差就越大。随着公式上权值的增加，Markov逻辑网逐渐向纯逻辑知识库靠拢。
Markov逻辑网L为二元组集合{(Fi,wi)}，其中Fi为一阶逻辑表示的公式，wi为实数。给定Markov逻辑网L和有限个体常项集合C＝{C1,C2,...,C|C|}，则可生成一个以闭谓词为节点、闭谓词关系为边的Markov网ML,C：
1)L中每个闭谓词对应ML,C中的一个节点，若闭谓词为真，则节点值为1，否则为0；
2)L中每个公式Fi的闭公式对应ML,C中一个特征函数，若闭公式为真,则特征函数值为1，否则为0。特征函数值就是L中Fi所对应的wi。为了计算方便，通常将势函数φk定义为：
Figure BDA0002493310770000081
对于一个Markov逻辑网，给定不同的个体常项集合，就产生不同的Markov网。由于给定的个体常项集合规模不同(个体常项多，则生成Markov网的节点就多，网的规模也就越大)，生成的Markov网的规模可能完全不同。但是因为它们来自于同一个Markov逻辑网，所以其参数相同且结构有相同的规律性(参数相同，是因为对应同一公式的所有闭公式均拥有相同权值)，称这些Markov网为闭Markov逻辑网。根据Markov网的定义，闭Markov逻辑网ML,C的概率分布应为：
Figure BDA0002493310770000082
其中，X为一个世界中所有可能闭谓词所构成的向量，x表示闭谓词的真值，
Figure BDA0002493310770000083
为分配函数，以保证
Figure BDA0002493310770000084
wi为势函数函数中给出的权值，ni(x)表示与世界x相对应的公式Fi的真闭公式个数，x{i}表示出现在公式Fi中闭谓词的真值，
Figure BDA0002493310770000091
理论上，ni(x)和φi(x{i})都可以通过给定的知识库计算得到。
Markov逻辑网中情报使用价值知识库的构建，应考虑OODA不同环节上，前一环节的性能属性对后一环节性能或效能属性的影响。对于观察节点，应将观察范围、观察准确性、观察时延等属性作为变元，考虑其对判断节点的处理时延、情报准确性等方面的影响；对于判断节点，应将情报质量的典型指标作为变元融合到知识库的逻辑公式中，考虑其对决策时间、决策合理性等方面的影响；对于攻击节点，应将指令准确性、及时性，以及攻击目标的机动性、抗毁性等属性作为变元，考虑其对打击效能的影响。各变元的取值若为离散值的，可直接作为闭项；若为连续值的，应将变元的取值区间在一定精度范围内进行离散化，从而将离散化的区间作为闭项，生成基于情报属性对情报使用价值的二级指标影响关系的逻辑公式。
S103、基于不同情报对抗场景下的历史数据、仿真数据和演训数据进行Markov逻辑网参数学习确定所述逻辑公式的权值；
具体来说，本发明实施例是基于不同情报对抗场景下的历史数据、仿真数据、演训数据，利用学习算法确定情报使用价值知识库参数；
利用最大伪似然估计和判别式训练方法，确定逻辑公式的权值。
在确定情报知识库中的规则公式后，基于某一典型场景下的历史、仿真、演训数据，利用学习算法确定知识库参数。对于Markov逻辑网而言，参数是知识库中各公式的权值wi(i＝1,...,m)，因此参数学习任务就是估计出知识库中所有公式的权值。先假设世界是完备的：若一个闭谓词不在数据库中，则该闭谓词为假。在完备世界假设下，若有n个可能闭谓词，一个数据库就是一个向量x＝(x1,...,xl,...,xn)，其中xl为第l个闭谓词的真值，若该闭谓词在数据库中出现，则xl＝1；否则xl＝0。
给定一个数据库，Markov逻辑网的权值原则上可以通过最大似然估计的方法学习到。即参数wi看作固定值，并假设所有数据满足参数wi，通过计算使X＝x的似然概率Pw(X＝x)取最大值的wi(i＝1,...,m)来获取参数值。如果与世界x相对应的第i个公式有ni(x)个真闭公式，则根据式逻辑网的概率分布公式可以导出下式：
Figure BDA0002493310770000101
其中，ni(x)和ni(x′)分别表示与世界x和任意世界x′相对应的公式Fi的真闭公式个数。令上式等于0并求解wi(i＝1,...,m)需要知道ni(x)和ni(x′)的值，理论上ni(x)和ni(x′)都可以从数据库中计算得到。由于在单一数据库中计算公式的真闭公式个数是NP问题，故对于实际数据库无法通过计算ni(x)和ni(x′)来求解。最大似然估计不可行，则可以考虑用最大伪似然估计方法(Maximum Pseudo Likelihood Estimation,MPLE)和判别式训练方法(Discrim inative Training)来替代。
最大伪似然估计方法用伪似然概率替代似然概率，即：
Figure BDA0002493310770000102
其中，
Figure BDA0002493310770000103
为伪似然概率，MBx(Xl)表示Xl的Markov覆盖，
Figure BDA0002493310770000104
表示指定Xl＝0时第i个公式的真闭公式个数，
Figure BDA0002493310770000105
含义类似。由于Pw(Xl＝0|MBx(Xl))和Pw(Xl＝1|MBx(Xl))可从数据库中直接得到，故Pw(Xl＝0|MBx(Xl))，Pw(Xl＝1|MBx(Xl))，
Figure BDA0002493310770000106
和
Figure BDA0002493310770000107
均可通过计算得到，因此当上式等于0时，参数学习问题转化为非线性优化问题。但是最大伪似然估计方法会导致非邻接变量之间的推理结果不理想。为了解决该问题，可以采用判别式训练方法。
在许多应用中，如果我们事先知道哪些谓词是证据谓词哪些谓词是查询谓词，则在给定证据谓词的条件下可以通过推理来正确预测查询谓词。判别式训练方法就是把域中的闭原子分为两个集合：证据原子集合X和查询原子集合Y，在给定X的条件下，Y的条件是：
Figure BDA0002493310770000111
其中，Zx为给定X的条件下的分配函数，FY是所有Markov逻辑网的子句(至少有一个闭子句涉及到查询原子)所构成的集合；ni(x,y)是涉及到查询原子的第i个子句的真闭子句的个数；GY是ML,C中涉及到查询原子的闭子句集合；当数据中第j个闭子句为真时，gj(x,y)的值为1，否则gj(x,y)的值为0。当隐藏某些变量时(既非查询谓词，也非证据谓词)，可通过累加求和来计算条件似然。为了叙述简便，将所有的非证据变量都看作查询变量。上式微分后可通过计算
Figure BDA0002493310770000112
来求其近似值(
Figure BDA0002493310770000113
表示MAP(Maximum A Posteriori)状态)，于是上式的计算就可以转化为用MAP推理来寻找
Figure BDA0002493310770000114
S104、根据训练学习后的Markov逻辑网，通过条件概率推理方法获得情报使用价值。
即，本发明实施例是基于训练学习后的Markov逻辑网，通过条件概率推理方法结合专家赋权法、雷达图获得情报使用价值。
具体来说，基于训练学习后的Markov逻辑网，分别针对有无大数据情报分析平台支撑下的情报处理时间、准确性等情报属性指标，利用Markov逻辑网的条件概率推理方法，推理出选定场景下的情报使用价值的二级指标取值的概率分布，并以均值表征各指标。
Markov逻辑网的条件概率推理方法如下所述：
Markov逻辑网可以用来求解“某一公式F2作为条件的情况下，另一公式F1成立的概率”这样的查询问题。给定两个一阶谓词公式F1和F2以及出现在公式中的常量集合C，Markov逻辑网用L表示，可以得到以下公式：
Figure BDA0002493310770000121
其中，
Figure BDA0002493310770000122
表示使公式Fi成立世界的集合，P(x|ML,C)由上式给出。
Markov逻辑网的推理是NP-完全问题，常用的推理方法是马尔科夫链蒙特卡洛方法(Markov Chain Monte Carlo，简称MCMC)。该方法通过抽取一系列样本，当抽样次数n越来越大的时候，抽取出的样本点将达到平稳分布。从而将收敛后的样本点用来估计值。常见的MCMC算法有Gibbs抽样算法，模拟退火算法，Metropolis-Hastings算法、MC-SAT算法等，这些算法的不同在于它们采用了不同的转移核，不同的转移核将产生不同的MCMC算法。
本实施例采用MCMC中的MC-SAT算法，是一种基于切片抽样的算法，它的优势在于能够快速使算法达到收敛。通过上述Markov逻辑网的条件概率推理方法，推理出选定场景下的情报使用价值的二级指标取值的概率分布，并以均值表征各指标；
如图3所示，对于情报使用价值的二级指标中属于效益型指标的，计算大数据情报分析平台使用后相较于使用前对该指标的提高百分比值；属于成本型指标的，计算大数据情报分析平台使用后相较于使用前对该指标的降低百分比值；
采用专家赋权法对上述指标的提高百分比值或降低百分比值进行加权平均计算情报使用价值的一级指标值，包括提高作用效果贡献度、提高作用效率贡献度、降低作用代价贡献度。
设情报使用价值的一级指标值为X，其所属的二级指标提高百分比值为xi，对应的专家赋权为ai，
Figure BDA0002493310770000123
其中0≤i≤N，N为二级指标数量，则
Figure BDA0002493310770000124
对上述计算所得提高作用效果贡献度、提高作用效率贡献度、降低作用代价贡献度等一级指标值利用雷达图进行表征，实现特定对抗场景下情报使用价值评估。
总体来说，本发明实施例是利用观察、判断、决策、攻击(OODA)环来刻画情报使用价值的间接作用过程，并通过统计关系学习框架Markov逻辑网来对情报作用过程的动态不确定性进行学习量化，从而实现对情报使用价值的准确评估。
本发明第二实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有信号映射的计算机程序，所述计算机程序被至少一个处理器执行时，以实现本发明第一实施例中任一种所述的情报使用价值评估方法。
本发明实施例的相关内容可参见本发明第一实施例进行理解，在此不做详细论述。
尽管为示例目的，已经公开了本发明的优选实施例，本领域的技术人员将意识到各种改进、增加和取代也是可能的，因此，本发明的范围应当不限于上述实施例。

Claims (10)

1.一种情报使用价值评估方法，其特征在于，包括：
根据情报对抗场景构建情报使用价值模型，并建立情报使用价值评估指标体系；
根据所述情报使用价值模型的拓扑关系构建情报价值知识库，并建立基于情报属性对情报使用价值影响关系的逻辑公式；
基于不同情报对抗场景下的历史数据、仿真数据和演训数据进行Markov逻辑网参数学习确定所述逻辑公式的权值；
根据训练学习后的Markov逻辑网，通过条件概率推理方法获得情报使用价值。
2.根据权利要求1所述的方法，其特征在于，
所述情报使用价值模型为：
Figure FDA0002493310760000011
其中，O1为观察节点，O2为判断节点，D为决策节点，A为打击节点，T为对方目标节点，上述节点的能力度量值依次分别为
Figure FDA0002493310760000012
CD、CA、CT，
Figure FDA0002493310760000013
为感知能量流的能力度量值，
Figure FDA0002493310760000014
为观察目标信息流的能力度量值，
Figure FDA0002493310760000015
为决策支持信息流的能力度量值，CD,A为指控信息流的能力度量值，CA,T为攻击能量流的能力度量值，矩阵G的第i行第j列若为非零元素，则表示第i行的节点对第j列的节点存在指向关系；若为零元素，则表示无指向关系或指向关系可忽略。
3.根据权利要求1所述的方法，其特征在于，所述根据所述情报使用价值模型的拓扑关系构建情报价值知识库，包括：
基于OODA环的前一环节的性能属性对后一环节性能或效能属性的影响，构建Markov逻辑网中情报价值知识库，其中，所述OODA环为存在相互作用关系的观察节点、判断节点、决策节点、打击节点和对方目标节点所构成的闭合环路。
4.根据权利要求3所述的方法，其特征在于，所述建立基于情报属性对情报使用价值影响关系的逻辑公式，包括：
将观察节点的观察范围、观察准确性和观察时延的属性作为变元，判断其对判断节点的处理时延和情报准确性的影响；
将判断节点的情报质量的典型指标作为变元融合到知识库的规则公式中，判断所述判断节点对决策时间和决策合理性的影响；
将攻击节点的指令准确性、及时性，以及攻击目标的机动性和抗毁性属性作为变元，判断所述攻击节点对打击效能的影响；
当各变元的取值为离散值的，则直接作为闭项，当各变元的取值为连续值的，则将变元的取值区间在预设精度范围内进行离散化，以将离散化的区间作为闭项，生成基于所述评估指标体系的各个指标的影响关系的逻辑公式。
5.根据权利要求1所述的方法，其特征在于，所述基于历史数据、仿真数据和演训数据进行Markov逻辑网参数学习确定所述逻辑公式的权值，包括：
基于不同情报对抗场景下的历史数据、仿真数据、演训数据，利用学习算法确定情报价值知识库参数；
利用最大伪似然估计和判别式训练方法，确定逻辑公式的权值。
6.根据权利要求1所述的方法，其特征在于，所述根据训练学习后的Markov逻辑网，通过条件概率推理方法获得情报使用价值，包括：
基于训练学习后的Markov逻辑网，分别针对各个情报属性指标，利用Markov逻辑网的条件概率推理方法，推理出预设场景下的评估指标体系的不同等级指标取值的概率分布，最后获得情报使用价值。
7.根据权利要求1所述的方法，其特征在于，
所述评估指标体系包括多级评估指标。
8.根据权利要求7所述的方法，其特征在于，
所述评估指标体系为两级评估指标，分别是一级评估指标和二级评估指标；
其中，所述一级评估指标包括以下中的一种或多种：提高作用效果贡献度指标、提高作用效率贡献度指标和降低作用成本贡献度指标，所述二级评估指标为根据据当前情报所涉及的具体行为的作用关系而设定。
9.根据权利要求8所述的方法，其特征在于，
设情报使用价值的一级评估指标值为X，其所属的二级评估指标提高或降低百分比值为xi，对应的赋权为ai，
Figure FDA0002493310760000031
其中0≤i≤N，N为二级评估指标数量，则
Figure FDA0002493310760000032
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有信号映射的计算机程序，所述计算机程序被至少一个处理器执行时，以实现权利要求1-9中任意一项所述的情报使用价值评估方法。
CN202010411180.8A 2020-05-15 2020-05-15 一种情报使用价值评估方法 Active CN111667072B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010411180.8A CN111667072B (zh) 2020-05-15 2020-05-15 一种情报使用价值评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010411180.8A CN111667072B (zh) 2020-05-15 2020-05-15 一种情报使用价值评估方法

Publications (2)

Publication Number Publication Date
CN111667072A true CN111667072A (zh) 2020-09-15
CN111667072B CN111667072B (zh) 2023-03-24

Family

ID=72383633

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010411180.8A Active CN111667072B (zh) 2020-05-15 2020-05-15 一种情报使用价值评估方法

Country Status (1)

Country Link
CN (1) CN111667072B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7019875B1 (ja) * 2021-01-15 2022-02-15 三菱電機株式会社 情報処理装置、及び情報処理方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070198450A1 (en) * 2006-01-05 2007-08-23 Khalsa Sundri K System and method for providing terrorism intelligence indications and warnings
AU2006202485A1 (en) * 2006-06-09 2008-01-03 ECHOIQ Limited Intelligence analysis method and system using subjective logic
CN110135711A (zh) * 2019-04-28 2019-08-16 成都亚信网络安全产业技术研究院有限公司 一种情报管理方法及装置
CN110727291A (zh) * 2019-09-25 2020-01-24 中国人民解放军国防科技大学 基于变量消元的集中式集群侦察任务规划法
CN110969348A (zh) * 2019-11-25 2020-04-07 中国人民解放军陆军装甲兵学院 一种基于雷达图的多领域装备能力评估分析方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070198450A1 (en) * 2006-01-05 2007-08-23 Khalsa Sundri K System and method for providing terrorism intelligence indications and warnings
AU2006202485A1 (en) * 2006-06-09 2008-01-03 ECHOIQ Limited Intelligence analysis method and system using subjective logic
CN110135711A (zh) * 2019-04-28 2019-08-16 成都亚信网络安全产业技术研究院有限公司 一种情报管理方法及装置
CN110727291A (zh) * 2019-09-25 2020-01-24 中国人民解放军国防科技大学 基于变量消元的集中式集群侦察任务规划法
CN110969348A (zh) * 2019-11-25 2020-04-07 中国人民解放军陆军装甲兵学院 一种基于雷达图的多领域装备能力评估分析方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
HENRY LEUNG: "An Integrated Decision Support System Based on the Human OODA Loop", 《2018 IEEE 17TH INTERNATIONAL CONFERENCE ON COGNITIVE INFORMATICS & COGNITIVE》 *
余力等: "军事情报价值评估方法", 《火力与指挥控制》 *
刘娜等: "基于范数灰关联的情报大数据分析质量评估方法", 《中国电子科学研究院学报》 *
刘彦君等: "基于Markov Logic的军事系统效能评估", 《现代防御技术》 *
张明智 等: "体系对抗OODA循环鲁棒性建模及仿真分析", 《系统仿真学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7019875B1 (ja) * 2021-01-15 2022-02-15 三菱電機株式会社 情報処理装置、及び情報処理方法
WO2022153470A1 (ja) * 2021-01-15 2022-07-21 三菱電機株式会社 情報処理装置、及び情報処理方法

Also Published As

Publication number Publication date
CN111667072B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
CN110197282B (zh) 一种基于遗传模糊逻辑树的威胁估计与态势评估方法
CN111262858A (zh) 基于sa_soa_bp神经网络的网络安全态势预测方法
CN109802862A (zh) 一种基于集合经验模态分解的组合型网络流量预测方法
Han et al. Network traffic prediction using variational mode decomposition and multi-reservoirs echo state network
CN114519190B (zh) 基于贝叶斯网络攻击图的多目标网络安全动态评估方法
CN114547974A (zh) 基于输入变量选择与lstm神经网络的动态软测量建模方法
Niu et al. Dynamic opposite learning enhanced artificial ecosystem optimizer for IIR system identification
Xing et al. Predicting evolving chaotic time series with fuzzy neural networks
Tembusai et al. K-nearest neighbor with k-fold cross validation and analytic hierarchy process on data classification
CN113177746A (zh) 一种针对生命周期评价领域的软件质量综合评估方法
CN111667072B (zh) 一种情报使用价值评估方法
CN114048115A (zh) 一种信息系统智能化水平评估方法
Khosravi et al. Prediction interval construction using interval type-2 fuzzy logic systems
Kang et al. Generalized fuzzy cognitive maps: a new extension of fuzzy cognitive maps
Vahdatpour Addressing the Knapsack Challenge Through Cultural Algorithm Optimization
CN113537461B (zh) 基于sir值学习的网络关键节点发现方法及系统
Bardsiri et al. Towards improvement of analogy-based software development effort estimation: A review
Lu et al. Laplacian deep echo state network optimized by genetic algorithm
CN114139601A (zh) 一种对电力巡检场景人工智能算法模型的评估方法及系统
Attoh-Okine Pair-copulas in infrastructure multivariate dependence modeling
Kumar et al. A novel technique of optimization for software metric using PSO
CN115996135B (zh) 一种基于特征组合优化的工业互联网恶意行为实时检测方法
CN113162914B (zh) 一种基于Taylor神经网络的入侵检测方法及系统
Czaplak et al. Automatic optimization of hyperparameters using associative self-adapting structures
Benala et al. Software effort estimation using functional link neural networks optimized by improved particle swarm optimization

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant