CN115617534A - 一种基于认知协同的分布式自主对抗系统架构及实现方法 - Google Patents
一种基于认知协同的分布式自主对抗系统架构及实现方法 Download PDFInfo
- Publication number
- CN115617534A CN115617534A CN202211636725.0A CN202211636725A CN115617534A CN 115617534 A CN115617534 A CN 115617534A CN 202211636725 A CN202211636725 A CN 202211636725A CN 115617534 A CN115617534 A CN 115617534A
- Authority
- CN
- China
- Prior art keywords
- countermeasure
- model
- task
- resource
- target
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5083—Techniques for rebalancing the load in a distributed system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于认知协同的分布式自主对抗系统架构及实现方法,涉及自主对抗技术领域,包括:任务应用层接收对抗任务需求;对抗资源层提供物理资源;认知协同功能引擎层根据获取到的信息,对目标威胁状态进行认知以及对目标对抗行动进行预测;根据对抗任务需求、目标威胁状态的认知结果以及目标对抗行动的预测结果生成作战策略;根据作战策略构建任务应用系统以及生成资源节点的控制指令;将控制指令发送至对抗资源层中对应的协同节点。本发明实施例以认知、协同为核心,以资源虚拟为基础,在对态势认知的前提下,通过智能决策和自主协同技术在虚拟空间生成任务应用系统以及针对装备的管控指令,并通过虚实映射技术实现对实际资源的管控。
Description
技术领域
本发明涉及自主对抗技术领域,尤其涉及一种基于认知协同的分布式自主对抗系统架构及实现方法。
背景技术
随着智能技术和智能装备的发展普及,未来对抗的模式将向着网络化、智能化、自主化方向发展。同时资源分布已经成为对抗环境的基本形态,未来对抗将呈现“全域机动、灵活组织、跨域协同、自主应变、能力演进”等特点。
目前在自主对抗领域已开展了一系列的项目,不断深化对自主对抗的理论研究和探索、以及用于自主对抗的装备进行深入研究。
然而,在自主对抗领域,目前开展的研究主要集中在自主对抗装备或者自主对抗概念演示等方面,而对于自主对抗的系统架构、运行流程等缺少相关研究。
发明内容
有鉴于此,本发明提供一种基于认知协同的分布式自主对抗系统架构及实现方法。技术方案如下:
第一方面,本发明实施例提供一种基于认知协同的分布式自主对抗系统架构,包括:对抗资源层、认知协同功能引擎层和任务应用层;其中,
所述任务应用层用于接收对抗任务需求,并将所述对抗任务需求发布至所述认知协同功能引擎层;
所述认知协同功能引擎层用于根据获取到的信息,对目标威胁状态进行认知以及对目标对抗行动进行预测;根据所述对抗任务需求、所述目标威胁状态的认知结果以及所述目标对抗行动的预测结果生成作战策略;根据所述作战策略构建任务应用系统以及生成资源节点的控制指令;将所生成的控制指令发送至所述对抗资源层中对应的协同节点;
所述对抗资源层用于提供物理资源,包含不同的协同节点。
可选地,所述对抗任务需求包括:感知任务需求、拒止任务需求或攻击任务需求。
可选地,所述认知协同功能引擎层包括:态势认知模型、智能决策模型、自主协同模型、资源虚拟模型;其中,
所述态势认知模型用于根据获取到的信息,对目标威胁状态进行认知以及对目标对抗行动进行预测;其中所述目标威胁状态包括目标的工作状态及威胁等级、以及对抗群体战术任务;
所述智能决策模型用于根据所述对抗任务需求、所述目标威胁状态的认知结果以及所述目标对抗行动的预测结果生成作战策略;
所述自主协同模型用于根据所述作战策略,综合考虑各类资源能力和状态,构建任务应用系统,并生成资源节点的控制指令,以及将所生成的控制指令发送至所述资源虚拟模型;
所述资源虚拟模型用于根据所述自主协同模型发送的控制指令,请求并建立与所述对抗资源层中协同节点的实时信息传输链路,将所述控制指令下发至协同节点,以调度协同节点按照任务分配和作战策略执行作战行动。
可选地,所述态势认知模型包括:信息协同处理模块、威胁状态认知模块和对抗行动预测模块;其中,
所述信息协同处理模块用于获取信息并对所述信息进行处理,以及将处理后的信息发送至所述威胁状态认知模块和所述对抗行动预测模块;
所述威胁状态认知模块用于根据所述信息协同处理模块发送的信息,实现对目标的工作状态及威胁等级的自主认知、以及实现对抗群体战术任务的自主认知;
所述对抗行动预测模块用于根据所述信息协同处理模块发送的信息以及所述目标威胁状态的认知结果,实现对目标对抗行动的预测。
可选地,所述智能决策模型包括:需求管理模块、能力聚合与度量模块;其中,
所述需求管理模块用于接收所述对抗任务需求;
所述能力聚合与度量模块用于根据所述对抗任务需求对应的对抗任务、所述目标威胁状态的认知结果、所述目标对抗行动的预测结果生成作战策略,并对所述作战策略进行评估,当评估后的作战策略满足预设条件时,确定该满足预设条件的作战策略为最终确定的作战策略。
可选地,所述自主协同模型包括应用系统构建模块和资源管控与监控模块;其中,
所述应用系统构建模块用于根据所述智能决策模型生成的作战策略,综合考虑各类资源能力和状态,构建任务应用系统;
所述资源管控与监控模块用于生成对各资源节点的控制指令,以及对各资源节点的工作状态的监控。
可选地,所述资源虚拟模型包括虚拟表征模块和虚实映射模块;其中,
所述虚拟表征模块用于通过物理映射和功能与能力建模形成虚拟模型;
所述虚实映射模块用于根据虚拟功能系统要求,通过虚拟模型的向下映射和解封装,形成支配所述对抗资源层中物理资源运行的控制指令。
可选地,所述对抗资源层包含的不同的协同节点,至少包括以下之一:
现役的感知装备、拒止装备、火力装备、通信装备、数据资源,以及未来作战的一体化装备、数据资源、知识资源、模型资源及算法。
可选地,所述基于认知协同的分布式自主对抗系统架构支持训练值班模式和作战模式;
所述训练值班模式基于仿真数据和实测数据,完成对态势认知模型、智能决策模型、自主协同模型的训练与迭代完善;
所述作战模式依靠训练好的态势认知模型、智能决策模型、自主协同模型,实现实时认知态势和智能化运用对抗资源,遂行对抗任务。
第二方面,本发明实施例提供一种基于认知协同的分布式自主对抗系统架构的实现方法,应用于第一方面所述的基于认知协同的分布式自主对抗系统架构,实现方法包括:
接收对抗任务需求;
根据获取到的信息对目标威胁状态进行认知以及对目标对抗行动进行预测,并根据所述对抗任务需求、所述目标威胁状态的认知结果以及所述目标对抗行动的预测结果生成作战策略;
根据所述作战策略构建任务应用系统以及生成资源节点的控制指令,并将所生成的控制指令发送至所述对抗资源层中对应的协同节点。
本发明的上述技术方案的有益效果是:
本发明实施例提供的基于认知协同的分布式自主对抗系统架构及实现方法中,任务应用层用于接收对抗任务需求;对抗资源层用于提供物理资源,包含不同的协同节点;认知协同功能引擎层用于根据获取到的信息,对目标威胁状态进行认知以及对目标对抗行动进行预测;根据所述对抗任务需求、所述目标威胁状态的认知结果以及所述目标对抗行动的预测结果生成作战策略;根据所述作战策略构建任务应用系统以及生成资源节点的控制指令;将所生成的控制指令发送至所述对抗资源层中对应的协同节点。本发明实施例提供的基于认知协同的分布式自主对抗系统架构,能够集成多种作战要素,通过实时认知态势和智能化运用各类资源,实现能力聚合与增强。该分布式自主对抗系统架构以认知、协同为核心,以资源虚拟为基础,在对态势认知的前提下,通过智能决策和自主协同技术在虚拟空间(Cyber空间)生成任务应用系统以及针对装备的管控指令,并通过虚实映射技术实现对实际资源(即各类装备)的管控。
附图说明
图1为本发明实施例公开的一种基于认知协同的分布式自主对抗系统架构的结构示意图;
图2为本发明实施例公开的另一种基于认知协同的分布式自主对抗系统架构的结构示意图;
图3为本发明实施例公开的一种基于认知协同的分布式自主对抗系统架构的实现方法的流程图;
图4为本发明实施例公开的另一种基于认知协同的分布式自主对抗系统架构的实现方法的流程示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。在下面的描述中,提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本发明的实施例。因此,本领域技术人员应该清楚,可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外,为了清楚和简洁,省略了对已知功能和构造的描述。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本发明的各种实施例中,应理解,下述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
本发明实施例提供一种基于认知协同的分布式自主对抗系统架构(简称对抗系统),如图1所示,包括三层,分别为对抗资源层100、认知协同功能引擎层200和任务应用层300。
任务应用层300用于接收对抗任务需求,并将所述对抗任务需求发布至所述认知协同功能引擎层200。实际应用中,任务应用层300面向用户,用户通过任务应用层300下发对抗任务需求,对抗任务需求可以包括:感知任务需求、拒止任务需求或攻击任务需求等,相应的对抗任务为:感知任务、拒止任务或攻击任务等。
认知协同功能引擎层200用于根据获取到的信息,对目标威胁状态进行认知以及对目标对抗行动进行预测;根据所述对抗任务需求、所述目标威胁状态的认知结果以及所述目标对抗行动的预测结果生成作战策略;根据所述作战策略构建任务应用系统以及生成资源节点的控制指令;将所生成的控制指令发送至所述对抗资源层100中对应的协同节点。本发明实施例中,认知协同功能引擎层200是分布式自主对抗系统架构的核心,主要功能是对获取的信息进行分析处理,实时认知并预测态势,进而根据对抗任务、战场态势、目标对抗行动预测,构建由虚拟模型构成的具备完成某项任务能力的虚拟功能系统,通过虚实双向映射对系统进行管控,实现智能化运用对抗资源。
对抗资源层100,也叫基础资源层,用于提供物理资源,包含不同的协同节点。本发明实施例中,对抗资源层包含的不同的协同节点,至少包括以下之一:现役的感知装备、拒止装备、火力装备、通信装备、数据资源,以及未来作战的一体化装备、数据资源、知识资源、模型资源及算法。
需要说明的是,本发明实施例中的虚拟模型指的是物理空间中实体装备通过建模等手段在Cyber空间构建的模型,虚拟模型也称之为资源节点;协同节点指的是物理空间中的实体装备。本发明实施例中的认知协同功能引擎层200能够实现资源节点与协同节点之间的映射。
进一步结合图2所示,对本发明实施例提供的基于认知协同的分布式自主对抗系统架构作进一步详细描述。
任务应用层300面向系统使用者,提供输入接口,系统使用者通过输入接口输入对抗任务需求。任务应用层300接收到系统使用者输入的对抗任务需求后便可确定对抗任务,本发明支持的对抗任务至少包括感知任务、拒止任务、打击任务等等。
认知协同功能引擎层200根据任务应用层300确定的对抗任务,能够自动完成对抗任务与指标项、指标要求的映射。例如,对抗任务为感知任务,感知任务中有跟踪精度指标及要求、发现时间指标及要求、识别精度指标及要求,认知协同功能引擎层200能够自动完成感知任务与上述指标及要求之间的对应关系。本发明实施例中的认知协同功能引擎层200主要功能包括:对获取的信息分析处理,实时认知并预测态势。根据对抗任务、战场态势,构建虚拟功能系统,通过虚实双向映射对系统进行管控,实现智能化运用对抗资源。具体的,认知协同功能引擎层200包括态势认知模型210、智能决策模型220、自主协同模型230和资源虚拟模型240。
态势认知模型210用于根据获取到的信息,对目标威胁状态进行认知以及对目标对抗行动进行预测;其中所述目标威胁状态包括目标的工作状态及威胁等级、以及对抗群体战术任务。这里获取到的信息至少包括目标的位置、类型、速度等信息,通过对这些信息的分析,可以分析目标变化、对抗环境变化规律等信息,态势认知模型210针对对抗环境变化规律、目标状态及威胁、对抗群体任务以及威胁态势演化等态势信息,通过自主认知实现,能够为对抗系统提供及时、全面、一致的理解,为装备智能化协同运用提供支持。
从功能角度来讲,态势认知模型210进一步包括信息协同处理模块211、威胁状态认知模块212和对抗行动预测模块213。
信息协同处理模块211用于获取信息并对所述信息进行处理,以及将处理后的信息发送至威胁状态认知模块212和对抗行动预测模块213。本发明实施例中,信息协同处理模块211能够充分联合信号级、点迹、航迹等数据深度挖掘目标状态信息,通过建立多层级数据综合处理架构,利用多元异质信息的统一表征及联合检测器、估计器设计求解,提升系统对目标的实时性响应、探测和跟踪等能力。
威胁状态认知模块212用于根据信息协同处理模块211发送的信息,实现对目标的工作状态及威胁等级的自主认知、以及实现对抗群体战术任务的自主认知。本发明实施例中,威胁状态认知模块212,一是实现目标的工作状态及威胁自主认知。重点解决对目标工作状态和威胁等级的实时、准确、一致认知,为对抗任务决策以及资源优化组织提供支撑。二是实现对抗群体战术任务自主认知。针对未来对抗体系化、网络化等特点,在环境认知和目标状态及威胁认知的基础上,突破作战群体战术任务自主认知技术,实现对抗群体战术任务的实时、客观理解,为评估对对抗群体威胁提供支撑。
对抗行动预测模块213用于根据信息协同处理模块211发送的信息以及所述目标威胁状态的认知结果,实现对目标对抗行动的预测。本发明实施例中,对抗行动预测模块213在清晰认知对抗环境、个体目标状态、个体目标威胁、目标编群及协同关系以及对抗群体战术任务的基础上,突破威胁态势预测技术,实现对方目标/目标群对抗意图、可能采取的行动、产生威胁时刻等的近实时、准确预测,解决长期以来有“态”缺“势”的痛点,支撑对抗系统实现“先知先制”。
智能决策模型220用于根据对抗任务需求、目标威胁状态的认知结果以及目标对抗行动的预测结果生成作战策略。具体地,智能决策模型220基于对环境和态势的综合感知、认知和系统内部的信息交互,进行智能对抗决策,自主形成空间和时间上的有序分工与战术协同。从功能角度来讲,智能决策模型220可以进一步包括需求管理模块221和能力聚合与度量模块222。
需求管理模块221用于接收所述对抗任务需求。具体地,需求管理模块221接收用户或上级的作战任务或指令,遂行任务规划与任务处理。
能力聚合与度量模块222用于根据对抗任务需求对应的对抗任务、目标威胁状态的认知结果、目标对抗行动的预测结果生成作战策略,并对作战策略进行评估,当评估后的作战策略满足预设条件时,确定该满足预设条件的作战策略为最终确定的作战策略。本发明实施例中,能力聚合与度量模块222,一是从模型驱动的角度,面向作战任务,建立信息交互、要素组合、任务分解与协调机制,实现分布式系统实时动态战术决策。二是从数据驱动的角度,基于人工智能的战术决策方法,构建典型场景下的作战策略模型,通过线下学习训练,使模型具备在不同战场态势下做出最优决策的能力,在实战过程中可基于该策略模型实现复杂动态环境下分布式系统的自主决策。
自主协同模型230用于根据作战策略,综合考虑各类资源能力和状态,构建任务应用系统,并生成资源节点的控制指令,以及将所生成的控制指令发送至资源虚拟模型240。本发明实施例中,自主协同模型230主要分为应用系统构建模块231和资源管控与监控模块232。
应用系统构建模块231用于根据所述智能决策模型220生成的作战策略,综合考虑各类资源能力和状态,构建任务应用系统。资源管控与监控模块232用于生成对各资源节点的控制指令,以及对各资源节点的工作状态的监控。具体地,应用系统构建模块231根据智能决策模型220生成的作战策略,综合考虑各类资源能力和状态,生成资源的动态组合模式、拓扑结构和要素集成方式,生成资源节点的工作模式、处理或融合方式以及信息流、控制流等。资源管控与监控模块232生成资源节点的工作模式、处理流程等,生成对资源节点管控指令,如工作参数、算法模型以及环境配置等,同时遂行对资源节点工作状态的监控。
资源虚拟模型240用于根据自主协同模型230发送的控制指令,请求并建立与对抗资源层100中协同节点的实时信息传输链路,将所述控制指令下发至协同节点,以调度协同节点按照任务分配和作战策略执行作战行动。
本发明实施例中的资源虚拟模型240能够通过物理映射和功能与能力建模形成虚拟模型,经过资源注册和发布,形成虚拟对抗资源池,虚拟对抗资源池为对所有虚拟模型进行管理的一个资源库,虚拟对抗资源池中的任意模型均能够支撑进行自主对抗任务。同时,资源虚拟模型240能够根据虚拟功能系统要求,通过虚拟模型的向下映射和解封装,形成支配物理资源运行的控制指令。具体地,资源虚拟模型240包括虚拟表征模块241和虚实映射模块242。
虚拟表征模块241用于通过物理映射和功能与能力建模形成虚拟模型;虚实映射模块242用于根据虚拟功能系统要求,通过虚拟模型的向下映射和解封装,形成支配所述对抗资源层中物理资源运行的控制指令。
需要说明的是,虚拟表征指的是通过参数化的方法,实现对物理资源(装备)在虚拟空间能力的表示。如一个雷达模型,可以用探测范围、工作频率、脉宽等参数用来表征。
本发明实施例提供的基于认知协同的分布式自主对抗系统架构,能够集成多种作战要素,通过实时认知态势和智能化运用各类资源,实现能力聚合与增强。该分布式自主对抗系统架构以认知、协同为核心,以资源虚拟为基础,在对态势认知的前提下,通过智能决策和自主协同技术在虚拟空间(Cyber空间)生成任务应用系统以及针对装备的管控指令,并通过虚实映射技术实现对实际资源(即各类装备)的管控。
进一步地,本发明实施例还提供一种基于认知协同的分布式自主对抗系统架构的实现方法,结合图3、图4所示,从系统角度进行描述,方法包括:
步骤01,系统接收对抗任务需求。
实际应用中,系统接收到对抗任务需求后,根据当前装备的工作状态及对抗任务需求,构建初步任务应用系统(初始化系统)。该初始化系统实时工作,用于获取信息。
步骤02,系统通过对获取到的信息进行分析处理,实现对目标威胁状态进行认知以及对目标对抗行动进行预测,并根据接收到的对抗任务需求、目标威胁状态的认知结果以及目标对抗行动的预测结果生成作战策略。
其中,目标威胁状态的认知结果包括目标的工作状态及威胁等级、对抗群体战术任务,此时生成的作战策略能够实现对初始化系统的更新。
步骤03,系统根据所述作战策略构建任务应用系统以及生成资源节点的控制指令,并将所生成的控制指令发送至所述对抗资源层中对应的协同节点。
系统根据当前态势以及动态资源配置情况,在智能决策模型的支持下,面向协同对抗能力动态生成协同对抗方案(即作战策略),包括协同方式、引导关系、引导信息要素、实时信息交互路由选择或重构要求、协同时序、主从关系等。进一步系统在自主协同模型的支持下,根据智能决策模型生成的协同对抗方案,综合考虑各类资源能力和状态,生成资源的动态组合模式、拓扑结构和要素集成方式,生成资源节点的工作模式、处理或融合方式以及信息流、控制流等。并将生成的资源节点管控指令发送至资源虚拟模型。
系统中各资源节点通过资源虚拟模型领受下发的任务和协同方案,实时请求并建立与协同节点(可能是感知资源节点,也可能是拒止资源节点或打击资源节点)的实时信息传输链路,按照任务分配和协同方案执行作战行动。
本发明实施例提供的基于认知协同的分布式自主对抗系统架构至少支持两种运用模式,分别为训练值班模式和作战模式。训练值班模式,主要基于仿真数据和实测数据,完成对态势认知模型、智能决策模型、自主协同模型的训练与迭代完善。作战模式,依靠训练好的模型实时认知态势和智能化运用对抗资源,遂行对抗任务。同时对模型进行在线训练与优化。
(一)训练值班模式
训练值班模式的实现方法主要包括:
步骤101,针对对抗资源层包含的各协同节点,根据需求进行多粒度的数字仿真建模,利用“实-虚映射”相关方法完成对抗单元虚拟模型的构建。
例如,协同节点为雷达,需求为只对雷达的探测范围进行管控,则只需要对探测范围等参数建模,生成雷达模型;如果需求为需要对雷达的波位编排进行管控,则对波位编排等参数建模,生成雷达模型。实际应用中,管控的要求不同,粒度也不同。
步骤102,基于对抗单元虚拟模型建立虚拟作战场环境,定义红蓝双方对抗任务,兵力部署,战场环境(气象、水纹、地质)以及电磁环境等。
具体的,完成对抗单元虚拟模型建立后,根据模型在Cyber空间构建红蓝两方及环境的战场。
步骤103,完成态势认知模型、智能决策模型、自主协同模型的设计与开发。
态势认知模型包含信息协同处理模块、威胁状态认知模块和对抗行动预测模块。智能决策模型包含需求管理模块、能力聚合与度量模块。自主协同模型包含应用系统构建模块和资源管控与监控模块。
步骤104:基于仿真数据和实测数据,依次分别完成态势认知模型、智能决策模型、自主协同模型的训练与完善。
其中对态势认知模型进行训练与完善时用到的仿真数据和实测数据可以包括:目标的航迹、点迹、原始回波信号、RCS特性数据、光学特性数据等,完成训练与完善的态势认知模型能够输出目标的威胁、类型、类别及状态等信息。
其中对智能决策模型进行训练与完善时用到的仿真数据和实测数据可以包括:目标的威胁、类型、类别及状态等,完成训练与完善的智能决策模型能够输出任务应用系统构建方案,如系统的组成要素,要素的位置等。
其中对自主协同模型进行训练与完善时用到的仿真数据和实测数据可以包括:任务应用系统构建方案,完成训练与完善的自主协同模型能够输出资源节点的工作模式、处理或融合方式以及信息流、控制流等。
(二)作战模式
作战模式的实现方法主要包括:
步骤201,将感知设备获取到的信息输入到态势认知模型,态势认知模型中的信息协同处理模块对信息进行处理,并将处理后的信息发送至威胁状态认知模块、对抗行动预测模块。
感知设备例如包括雷达、侦察装备、网络爬虫等,感知装备获得的信息例如包括航迹信息、点迹信息、回波信号等。
步骤202,威胁状态认知模块、对抗行动预测模块对信息进行分析,实现目标工作状态及威胁认知、对抗群体战术任务认知以及预测对抗行动,并将认知结果和预测结果发送至智能决策模型。
步骤203:智能决策模型根据当前的对抗任务、战场态势和认知结果生成下一步的作战策略(也叫对抗策略),并应用平行推演等技术对该作战策略进行评估。当作战策略评估达到一定阈值后才确定作为最终的作战策略。
步骤204:自主协同模型根据智能决策模型中生成的作战策略,生成资源节点的工作模式、处理或融合方式以及信息流、控制流等指令。
步骤205:资源虚拟模型领受自主协同模型下发的指令,并将指令实时下发至对抗资源层中具体装备并调度装备遂行任务。
本发明实施例中,指令到达资源虚拟模型后,资源虚拟模型会首先将指令在虚拟模型中进行模拟执行并评估。当通过评估后,资源虚拟模型才会将指令发送给物理空间中的具体装备。其中,指令中会携带对装备如何运转的控制信息,比如装备的开机时间、部署位置、信息传输的对象等。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于认知协同的分布式自主对抗系统架构,其特征在于,包括:对抗资源层、认知协同功能引擎层和任务应用层;其中,
所述任务应用层用于接收对抗任务需求,并将所述对抗任务需求发布至所述认知协同功能引擎层;
所述认知协同功能引擎层用于根据获取到的信息,对目标威胁状态进行认知以及对目标对抗行动进行预测;根据所述对抗任务需求、所述目标威胁状态的认知结果以及所述目标对抗行动的预测结果生成作战策略;根据所述作战策略构建任务应用系统以及生成资源节点的控制指令;将所生成的控制指令发送至所述对抗资源层中对应的协同节点;
所述对抗资源层用于提供物理资源,包含不同的协同节点。
2.根据权利要求1所述的基于认知协同的分布式自主对抗系统架构,其特征在于,所述对抗任务需求包括:感知任务需求、拒止任务需求或攻击任务需求。
3.根据权利要求1所述的基于认知协同的分布式自主对抗系统架构,其特征在于,所述认知协同功能引擎层包括:态势认知模型、智能决策模型、自主协同模型、资源虚拟模型;其中,
所述态势认知模型用于根据获取到的信息,对目标威胁状态进行认知以及对目标对抗行动进行预测;其中所述目标威胁状态包括目标的工作状态及威胁等级、以及对抗群体战术任务;
所述智能决策模型用于根据所述对抗任务需求、所述目标威胁状态的认知结果以及所述目标对抗行动的预测结果生成作战策略;
所述自主协同模型用于根据所述作战策略,综合考虑各类资源能力和状态,构建任务应用系统,并生成资源节点的控制指令,以及将所生成的控制指令发送至所述资源虚拟模型;
所述资源虚拟模型用于根据所述自主协同模型发送的控制指令,请求并建立与所述对抗资源层中协同节点的实时信息传输链路,将所述控制指令下发至协同节点,以调度协同节点按照任务分配和作战策略执行作战行动。
4.根据权利要求3所述的基于认知协同的分布式自主对抗系统架构,其特征在于,所述态势认知模型包括:信息协同处理模块、威胁状态认知模块和对抗行动预测模块;其中,
所述信息协同处理模块用于获取信息并对所述信息进行处理,以及将处理后的信息发送至所述威胁状态认知模块和所述对抗行动预测模块;
所述威胁状态认知模块用于根据所述信息协同处理模块发送的信息,实现对目标的工作状态及威胁等级的自主认知、以及实现对抗群体战术任务的自主认知;
所述对抗行动预测模块用于根据所述信息协同处理模块发送的信息以及所述目标威胁状态的认知结果,实现对目标对抗行动的预测。
5.根据权利要求3所述的基于认知协同的分布式自主对抗系统架构,其特征在于,所述智能决策模型包括:需求管理模块、能力聚合与度量模块;其中,
所述需求管理模块用于接收所述对抗任务需求;
所述能力聚合与度量模块用于根据所述对抗任务需求对应的对抗任务、所述目标威胁状态的认知结果、所述目标对抗行动的预测结果生成作战策略,并对所述作战策略进行评估,当评估后的作战策略满足预设条件时,确定该满足预设条件的作战策略为最终确定的作战策略。
6.根据权利要求3所述的基于认知协同的分布式自主对抗系统架构,其特征在于,所述自主协同模型包括应用系统构建模块和资源管控与监控模块;其中,
所述应用系统构建模块用于根据所述智能决策模型生成的作战策略,综合考虑各类资源能力和状态,构建任务应用系统;
所述资源管控与监控模块用于生成对各资源节点的控制指令,以及对各资源节点的工作状态的监控。
7.根据权利要求3所述的基于认知协同的分布式自主对抗系统架构,其特征在于,所述资源虚拟模型包括虚拟表征模块和虚实映射模块;其中,
所述虚拟表征模块用于通过物理映射和功能与能力建模形成虚拟模型;
所述虚实映射模块用于根据虚拟功能系统要求,通过虚拟模型的向下映射和解封装,形成支配所述对抗资源层中物理资源运行的控制指令。
8.根据权利要求1所述的基于认知协同的分布式自主对抗系统架构,其特征在于,所述对抗资源层包含的不同的协同节点,至少包括以下之一:
现役的感知装备、拒止装备、火力装备、通信装备、数据资源,以及未来作战的一体化装备、数据资源、知识资源、模型资源及算法。
9.根据权利要求1-8任一项所述的基于认知协同的分布式自主对抗系统架构,其特征在于,所述基于认知协同的分布式自主对抗系统架构支持训练值班模式和作战模式;
所述训练值班模式基于仿真数据和实测数据,完成对态势认知模型、智能决策模型、自主协同模型的训练与迭代完善;
所述作战模式依靠训练好的态势认知模型、智能决策模型、自主协同模型,实现实时认知态势和智能化运用对抗资源,遂行对抗任务。
10.一种基于认知协同的分布式自主对抗系统架构的实现方法,其特征在于,应用于权利要求1-9任一项所述的基于认知协同的分布式自主对抗系统架构,实现方法包括:
接收对抗任务需求;
根据获取到的信息对目标威胁状态进行认知以及对目标对抗行动进行预测,并根据所述对抗任务需求、所述目标威胁状态的认知结果以及所述目标对抗行动的预测结果生成作战策略;
根据所述作战策略构建任务应用系统以及生成资源节点的控制指令,并将所生成的控制指令发送至所述对抗资源层中对应的协同节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211636725.0A CN115617534B (zh) | 2022-12-20 | 2022-12-20 | 一种基于认知协同的分布式自主对抗系统及实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211636725.0A CN115617534B (zh) | 2022-12-20 | 2022-12-20 | 一种基于认知协同的分布式自主对抗系统及实现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115617534A true CN115617534A (zh) | 2023-01-17 |
CN115617534B CN115617534B (zh) | 2023-03-10 |
Family
ID=84880730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211636725.0A Active CN115617534B (zh) | 2022-12-20 | 2022-12-20 | 一种基于认知协同的分布式自主对抗系统及实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115617534B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116760505A (zh) * | 2023-08-16 | 2023-09-15 | 中国兵器装备集团兵器装备研究所 | 一种基于开源鸿蒙分布式数据对象的时间同步方法 |
CN117707711A (zh) * | 2024-02-05 | 2024-03-15 | 中国电子科技集团公司第二十九研究所 | 一种面向应用的电子信息设备资源虚拟化管理方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111490848A (zh) * | 2020-04-03 | 2020-08-04 | 中国人民解放军海军航空大学 | 一种基于异构认知传感网的电子对抗侦察体系架构 |
CN113128021A (zh) * | 2021-03-12 | 2021-07-16 | 合肥工业大学 | 多无人平台协同对抗的实时重决策方法和系统 |
US20210318693A1 (en) * | 2020-04-14 | 2021-10-14 | Electronics And Telecommunications Research Institute | Multi-agent based manned-unmanned collaboration system and method |
CN113805569A (zh) * | 2021-09-23 | 2021-12-17 | 北京理工大学 | 基于多智能体技术的对抗系统、方法、终端及存储介质 |
CN114661046A (zh) * | 2022-03-14 | 2022-06-24 | 中国科学技术大学 | 军事对抗环境下的机器人自主导航算法、存储介质 |
-
2022
- 2022-12-20 CN CN202211636725.0A patent/CN115617534B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111490848A (zh) * | 2020-04-03 | 2020-08-04 | 中国人民解放军海军航空大学 | 一种基于异构认知传感网的电子对抗侦察体系架构 |
US20210318693A1 (en) * | 2020-04-14 | 2021-10-14 | Electronics And Telecommunications Research Institute | Multi-agent based manned-unmanned collaboration system and method |
CN113128021A (zh) * | 2021-03-12 | 2021-07-16 | 合肥工业大学 | 多无人平台协同对抗的实时重决策方法和系统 |
CN113805569A (zh) * | 2021-09-23 | 2021-12-17 | 北京理工大学 | 基于多智能体技术的对抗系统、方法、终端及存储介质 |
CN114661046A (zh) * | 2022-03-14 | 2022-06-24 | 中国科学技术大学 | 军事对抗环境下的机器人自主导航算法、存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116760505A (zh) * | 2023-08-16 | 2023-09-15 | 中国兵器装备集团兵器装备研究所 | 一种基于开源鸿蒙分布式数据对象的时间同步方法 |
CN116760505B (zh) * | 2023-08-16 | 2023-11-03 | 中国兵器装备集团兵器装备研究所 | 一种基于开源鸿蒙分布式数据对象的时间同步方法 |
CN117707711A (zh) * | 2024-02-05 | 2024-03-15 | 中国电子科技集团公司第二十九研究所 | 一种面向应用的电子信息设备资源虚拟化管理方法 |
CN117707711B (zh) * | 2024-02-05 | 2024-04-09 | 中国电子科技集团公司第二十九研究所 | 一种面向应用的电子信息设备资源虚拟化管理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115617534B (zh) | 2023-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115617534B (zh) | 一种基于认知协同的分布式自主对抗系统及实现方法 | |
Zhang et al. | Cyber-physical-social systems: The state of the art and perspectives | |
Liu et al. | Multi-UUV maneuvering counter-game for dynamic target scenario based on fractional-order recurrent neural network | |
Xiong et al. | Multi-sensor management for information fusion: issues and approaches | |
Huang et al. | A deep reinforcement learning-based method applied for solving multi-agent defense and attack problems | |
Jouhari et al. | Distributed CNN inference on resource-constrained UAVs for surveillance systems: Design and optimization | |
Carrillo et al. | Communication-aware multi-agent metareasoning for decentralized task allocation | |
CN112200319A (zh) | 一种实现无人车导航避障的规则推理方法及系统 | |
Cui et al. | UAV target tracking algorithm based on task allocation consensus | |
Fiandrino et al. | Toward native explainable and robust AI in 6G networks: Current state, challenges and road ahead | |
CN110806758B (zh) | 一种基于情景模糊认知图的无人机群自主等级自适应调整方法 | |
Sova et al. | DEVELOPMENT OF THE METHOD OF INCREASING THE EFFICIENCY OF INFORMATION TRANSFER IN THE SPECIAL PURPOSE NETWORKS. | |
Zu et al. | Research on UAV path planning method based on improved HPO algorithm in multi-task environment | |
Wang | Technology framework of the intelligent command and control system | |
Rezaee et al. | Fog Offloading and Task Management in IoT-Fog-Cloud Environment: Review of Algorithms, Networks and SDN Application. | |
Sun et al. | Learning controlled and targeted communication with the centralized critic for the multi-agent system | |
CN116090270A (zh) | 一种航天器轨道威胁自主规避架构设计及分析方法 | |
Schneider et al. | Operationalized intent for communication in human-agent teams | |
Yang et al. | Integrated communication and computing maritime networks design for green metaverse | |
Huang et al. | Delay Constrained SFC Orchestration for Edge Intelligence-Enabled IIoT: A DRL Approach | |
Yang et al. | Understanding the Application of Utility Theory in Robotics and Artificial Intelligence: A Survey | |
Zhu et al. | Hierarchical Collective Agent Network (HCAN) for efficient fusion and management of multiple networked sensors | |
Lei | Driving Model of Electronic Information System Based on Agent Modeling and Simulation | |
Li et al. | Qualitative description and quantitative optimization of tactical reconnaissance agents system organization | |
Stewart | Continuous adaptive runtime integration testbed for complex and autonomous systems |
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 |