源自：情报杂志              “人工智能技术与咨询”  发布

摘要

[研究目的]为强化国家安全情报能力,推动风险监测预警能力提升,构建基于多模态大数据的国家安全风 险态势感知模型。

[研究方法]首先,对国家安全风险态势感知进行阐释;然后,分析多模态大数据驱动下的国家安 全风险态势感知运作逻辑;在此基础上,构建态势感知模型并解析其内涵。

[研究结论]该模型集国家安全风险态势 察觉、态势理解、态势预测及态势投射为一体,其构建可为强化国家安全风险监测预警能力提供参考,为服务国家治 理体系和能力现代化建设提供支撑。

关键词

国家安全;国家安全情报;情报工作;态势感知;风险监测;多模态大数据

引言

现阶段,国家安全风险日益复杂,需要构建跨领域、全方位、系统化的情报体系予以支撑,以全面掌握国家安全态势。作为察觉风险要素、理解风险态势,预测风险演变的有效手段,态势感知理念和技术可为国家安全情报建设赋能,推动风险监测预警能力提升。随着信息化、智能化技术发展,国家安全数据急剧增长,为情报工作提供了多维度、细粒度的数据支撑,对于增强风险态势感知的科学性、准确度和鲁棒性意义重大。因此,开展基于多模态大数据的国家安全风险态势感知研究无论在国家战略层面还是情报学研究领域都具有重要意义。

目前,在社会安全、军事安全、网络安全等领域,已经形成了一些态势感知相关的机制、体系和模型,为本文提供了诸多有益参考。例如在社会安全领域,乔凤才、邓劲生等基于 GDELT 数据库对大数据驱动下的社会安全态势感知进行研究;张海涛、周红磊对信息不完备条件下突发事件态势感知进行探索;在军事安全领域,张旭东基于大数据技术,构建战场态势感知模型;段玉先,刘昌云等研究了战场态势感知关键技术,并对其未来发展趋势进行展望;在网络安全领域,常立伟,刘秀娟基于卷积神经网络,构建了网络安全态势感知模型;在科技安全领域,徐宗煌、蔡鸿宇通过构建风险评估指标体系与模型,对科技安全态势感知进行研究。此外,王静茹、宋绍成等在深度学习框架下,对智能化危机情报多层模型进行构建;白如江、鞠孜涵等在梳理多源多模态数据融合方法的基础上,提出了面向情报感知的多源多模态数据融合思路。

研究发现,现有成果多分散于不同安全领域,尚缺“大安全”背景下,具有“普适性”意义的风险态势感知模型构建;此外,关于数据集成与融合的研究多以具体领域应用为主,多模态数据融合研究多与检索领域相关,由其支撑下的国家安全风险态势感知鲜有提及。在前期研究中,笔者分析了情报感知在国家安全情报工作中的重要意义,并对国家安全风险态势感知的运作逻辑进行了初步探索。本文即在前期研究基础上,瞄准“大数据”“国家安全情报”“态势感知”等领域的交叉方向,以防范国家安全风险为目标,以系统论为支撑,以态势感知技术为依托,以多模态大数据融合为驱动构建态势感知模型,以期推动形成大数据驱动的多层次风险感知模式、提升国家安全风险监测预警能力,进而为服务国家治理体系和能力现代化建设贡献力量。

1.国家安全风险态势感知概述

在一般意义上,风险是指不确定性对目标的影响,是对损害发生概率及后果的综合衡量。在此概念基础上,国家安全风险指不确定性对国家安全的影响,包括国家重大利益受到内外部威胁的可能性及严重后果,具有不确定性、复杂性、系统性等特征。风险是危机的前兆,若防范不及、应对不利,风险极有可能发展演变,甚至酿成危机事件。当代中国正处于重要的战略机遇期,随之而来的是我国所面临的风险挑战日益增多,发生系统性和颠覆性风险的概率也随之增大。这就要求情报机构在对国家安全风险的感知中,及时发出情报预警,并对风险演变进行准确预测,有效支撑决策活动。

作为强化国家安全情报能力,推动风险监测预警能力提升的有效手段,态势感知与国家安全应用场景十分契合。态势感知( Situation Awareness,简称 SA)最早源于军事领域,是一种以大数据为基础,在与环境进行交互的过程中对威胁进行发现、识别、理解、分析及预测的能力。Endsley 认为:态势感知是指在一定时空范围内,通过对环境要素进行认知和理解,进而对事物未来发展趋势进行预测的过程,包括态势察觉、态势理解和态势预测。这与 OODA 循环(Observe-Ori鄄ent- Decide - Act,简称 OODA 循环) 的 运 作 逻 辑 类似,强调感知主体通过与环境进行交互,对各类环境要素快速进行察觉、理解、评估及预测,进而获取决策优势以迅速采取行动。

在态势感知的范畴下,态势( Situation) 是指在现实世界中,人们所关注事物的状态及其可能出现的变化。具体而言,“态”即事物本身的表象,而“势”则是表象背后的机理,由“态”到“势”是一个由浅到深、由表及里、由静态到动态的过程。据此,态势感知可以理解为一个循序渐进的过程,即通过态势察觉对态势数据进行获取,在此基础上推动态势理解,进而对未来态势进行预测,最终推动态势情报应用的过程。

在此基础上,国家安全风险态势感知即指通过获取、处理、分析表征国家安全态势的情报数据,探知国家安全风险的当前状态,预测其未来演变趋势并推动态势情报应用的过程,其本质上是一种认知映射。鉴于国家安全风险具有不确定性、复杂性和系统性等特征,因而需要态势感知全面、系统和客观地掌握风险状态及演变规律,实时、准确和高效地介入国家安全风险治理。在此意义上,国家安全风险态势感知应当具备全时空、系统化和客观性等特征。其中,全时空是时间维度的表征,即国家安全风险态势感知贯穿过去、现在和未来;系统化是内容维度的表征,要求国家安全风险态势感知全面、动态地感知各领域安全风险,有效应对决策过程中信息不完备问题;客观性是应用维度的表征,要求国家安全风险态势感知为决策活动提供客观、准确的情报支撑。

此外,为满足国家安全风险治理工作的需要,风险态势感知应当兼具“平战一体化”特征,在常态下通过能力建构,以适应日常风险管理需要;在“战时”通过实时、多维、立体的态势感知满足快速决策需求。随着态势感知理念、方法和技术的逐渐成熟,其支撑下的国家安全情报工作效率也将大幅提升,情报产品的质量亦将得到保障。在下文中我们将对国家安全风险态势感知的运作逻辑进行探索,为后续态势感知模型构建奠定基础。

2. 基于多模态大数据的国家安全风险态势感知运作逻辑

随着云计算、物联网、智能传感等新技术的大量应用,国家安全数据呈爆炸式增长,推动情报工作环境发生转变,情报工作因此面临复杂多变、深度不确定性的挑战。Margaret MacDonald 认为,信息量的增长给情报机构带来了信息超载的困扰;Tim Bass 认为,只有整合多模态数据,才能有效推动数据应用,进而充分发挥态势感知效能。多模态大数据中蕴含着大量的国家安全风险信息,不同模态的数据会从不同角度描述事物,从而有助于更加全面地观察和分析事物。此外,鉴于国家安全情报是一个对抗博弈的过程,情报欺骗和信息迷雾等现象环生,需要对各类情报数据进行有效甄别,以“剔除”虚假信息。对此,应充分发挥多模态大数据优势,通过数据间的相互印证有效穿透复杂国家安全环境,推动风险态势感知顺利进行。

多模态国家安全大数据以文本、图片、音频及视频等不同形式呈现,如何从海量数据中获取可靠、准确的情报数据是国家安全风险态势感知的关键。多模态国家安全情报数据的融合不是简单的堆砌和拼接,而是根据特定条件、环境和规律推动多个要素间相互吸收、相互渗透、有序集成的过程。美国国防部联合指挥实验室(Joint Directors of Laboratories,简称 JDL)将数据融合定义为:将多信源数据进行关联,进而对事件形势、风险及重要程度等进行评估的过程。在多模态数据处理中,存在数据不完整、数据不一致、数据冲突及数据动态融合难等问题,推动其有效融合至关重要。本文在借鉴划分阶段数据融合方式的基础上,根据国家安全风险态势感知的特点将多模态国家安全大数据划分为:1.数据层融合、2.特征层融合、3.知识层融合、4.决策层融合四个融合阶段,并以此驱动整个国家安全风险态势感知流程。

国家安全风险态势感知遵循风险评估的一般过程,本文在借鉴 Endsley 态势感知模型、OODA 循环模型以及风险评估流程的基础上,以数据获取寅归并存储寅风险识别寅风险评估寅风险预测寅风险追踪寅态势融合寅态势推送为运作逻辑,将国家安全风险态势感知设计为:1.风险态势察觉,2.风险态势理解,3.风险态势预测、4.风险态势投射四个流程,分别由多模态大数据的四个融合阶段驱动,推动国家安全风险态势感知层层递进、逐步深入。据此,基于多模态大数据的国家安全风险态势感知运作逻辑如图 1 所示,并对图 1 内容进行解释,如表 1 所示:

3 .基于多模态大数据的国家安全风险态势感知模型呈现

国家安全风险态势感知是一个复杂的系统工程,应当以防范国家安全风险为目标,以系统论为支撑,以态势感知技术为依托,以多模态大数据融合为驱动对其模型进行构建。在上述研究的基础上,本文将该模型设计为:

1. 国家安全风险态势察觉；

2. 国家安全风险态势理解；

3. 国家安全风险态势预测；

4. 国家安全风险态势投射共四个模块,如图 2 所示,该模型各模块间相互联系、相互作用、相互支撑,共同构成国家安全风险态势感知复杂系统。

国家安全风险态势察觉模块主要包括态势数据获取、态势数据标准化、态势数据组织集成三个模块,通过数据获取、数据归并、数据存储流程,构建多模态态势时空数据库,为后续态势感知流程构建数据基础;国家安全风险态势理解的重点在于识别当前存在的国家安全风险,通过对各类风险进行评估,以确定情报工作的优先级,合理统筹应急响应力量;国家安全风险态势预测是更高层次的感知阶段,通过对未来国家安全风险演变进行追踪,为态势投射奠定基础;国家安全风险态势投射包括国家安全态势情报分析及推送两个关键流程,是国家安全风险态势感知能力落地的核心阶段,也是态势情报投入实战应用的关键环节。在下文中,我们将进一步研究该模型的四个模块,解析其体系架构,推动其向实践应用迈进。

3. 1   国家安全风险态势察觉

国家安全风险态势察觉建立在数据层融合的基础上,通过多模态态势数据的获取、归并和存储构建多模态态势时空数据库,构建察觉各类国家安全风险的基础。该模块包括多模态态势数据获取、态势数据标准化、态势数据组织集成三个子模块:

(1)多模态态势数据获取子模块。多模态大数据中蕴含着国家安全风险演变的全过程,对其进行有效获取是确保复杂环境下态势感知科学性和准确性的关键,也是消除决策过程中信息不完备问题的基础。依据我国《国家情报法》,结合国家安全情报相关实践,可将国家安全情报数据来源分为:国家情报工作机构数据、国家安全相关机构数据、开源情报数据、互联网企业数据等。上述数据涵盖文本、图片、音频、视频、传感器信号等多种模态,对其进行有效获取十分关键。在国家安全情报实践中,鉴于各类情报数据间存在“流通壁垒冶问题,因此需要通过明确共享任务、构建协作机制等措施推进数据共享融合的进程,并在此基础上运用开放数据接口,部署数据探针等方式推动多模态大数据的有效获取,为后续流程奠定基础。

(2)态势数据标准化子模块。态势数据标准化是建立在多模态大数据获取的基础上,将其进行预处理并对处理后的数据进行归并的过程,其实质是推动多模态大数据的数据层融合,包括态势数据降噪、数据填充和时空序化。在该子模块中,需要对获取的多模态情报数据进行初步的加工预处理:即将原本无序堆叠的数据进行过滤降噪,填补数据空值,修复坏死数据,实现对国家安全情报数据的深度清洗;完成数据清洗后,对国家安全情报数据的文件类型进行分类,并对其自身的时空属性进行标注,实现多模态数据的分类分级,以及时空维度上的序化处理;在此基础上,按照预先设定的数据架构进行数据归并,便可进入态势数据组织集成子模块进行处理。

(3)态势数据组织集成子模块。在该子模块中,通过跨模态数据识别对多源异构数据进行扫描,确保对应模态的数据应存尽存,构建不同模态数据之间的映射关系及时空对应关系,形成多层异构数据网络;在此基础上,运用智能算法进一步加强态势时空数据关联;并依托分布式技术确保多模态大数据的安全性,形成分布式存储和分布式检索架构,进而推动态势数据的组织和集成,为风险数据特征提取、风险识别、评估和预测等流程的顺利进行奠定基础。

鉴于国家安全情报工作是一个对抗博弈的过程,因而应当重视数据处理、传输、存储和应用过程中的反情报工作。在国家安全风险态势察觉模块中,可以通过构建数据安全域( Security Domain),进行数据加密传输等方式对情报数据进行存储、应用和共享,防止数据被窃取或泄露,确保整个态势感知流程安全有序的运行。

3. 2    国家安全风险态势理解

国家安全态势理解是在态势察觉的基础上,在多模态态势时空数据特征层融合的驱动下,对国家安全风险情景、征兆等进行识别,并对各类风险进行评估,从而实现国家安全风险态势全面理解的过程。该模块包括国家安全风险识别及风险评估两个子模块：

(1)国家安全风险识别子模块。风险识别包括对风险情景、风险征兆、风险类别、触发条件等的识别和描述,是一个识别并描述系统所存在风险及威胁的过程。常用的风险识别方法包括情景相似度检验法和征兆分析法,即通过构建算法模型对情境要素进行分析,对属性特征进行提取以及对征兆信号进行探测,以主动发觉风险情景进而推动风险识别。在基于多模态大数据的算法模型训练过程中,数据的高维性特征往往会导致模型的训练过程变长。对此,Zhao 等提出通过改进条件熵的属性的方式简化算法,即采用并行简化的思想构造属性重要性矩阵,将权重较大的特征输入到分类器(Classifier)中对算法模型进行训练;张曾莲提出运用 BP 神经网络,通过模型训练、模型监测和模型反馈等对风险进行监测,并通过反馈学习来不断提高风险识别的能力。

在该子模块中,可以在多模态大数据跨模态特征抽取、跨模态融合的基础上,通过充分运用情景分析、征兆分析、触发器分析、聚类分析、频繁子图挖掘等方法,分析国家安全复杂系统的风险演化、耦合机制、系统动力学等风险特征,推动风险表征能力的提升,为后续风险态势评估流程奠定基础。

(2)国家安全风险评估子模块。国家安全风险评估要紧跟复杂严峻的国际环境和动荡变幻的世界局势,站在国家安全战略与发展全局的高度开展。在评估过程中,可以采用风险指数分析、失效模式影响及危害度分析( Failure Mode Effects and Criticality Analy鄄sis, 简 称 FMECA)、 失 效 模 式 和 效 应 分 析 ( Failure Mode and Effects Analysis,简称 FMEA)等风险评估方式,通过统筹事件发生率、威胁程度、可监测性、可控程度等因素构建评估指标体系,实现对国家安全风险发生概率、致损能力、严重度、脆弱性等的科学评估。

国家安全识别与评估是一个螺旋上升、双向促进的循环过程。一方面,在国家安全风险识别的基础上推动风险评估工作有序进行;另一方面,通过风险评估发现重要的风险点,充实风险识别特征要素,推动风险识别工作更加科学地开展。此外,在“ 大安全” 背景下,国家安全风险广泛存在于政治、经济、文化和社会等不同国家安全领域,且风险间交织耦合特征明显。对此,应当根据各安全领域风险的特点,以及系统性风险特征,开展跨领域、跨部门、跨层级的全局性风险评估,建设更加系统完善的国家安全风险评估指标体系,推进风险评估流程更加科学高效。在风险评估的基础之上,通过数据标准化和归一化处理,生成统一的国家安全风险指数(Risk Indices),用于分析各类风险的严重程度,进而判断开展情报及应急响应工作的优先级,有效支撑风险治理。

3. 3    国家安全风险态势预测

国家安全风险态势预测模块是建立在多模态大数据知识层融合的基础上,对风险类别、强度变化、风险发生时间、区位以及风险演化路径进行预判的过程。该模块包括风险预测和风险追踪两个子模块：

(1)风险预测子模块。国家安全风险态势预测是在获取、处理、转换历史和当前态势数据,构建风险事件致因网络知识库的基础上,通过建立态势预测模型,探寻态势数据之间的发展变化规律,并在此基础上对风险态势的未来发展趋势和状况等进行推理的逻辑过程。在国家安全风险态势预测的相关研究中,曹波、李成海等提出了一种基于 Stacking 模型融合的态势预测方法,并为提升模型的泛化能力,探索了一种粒子群优化算法,以实现模型参数的寻优。Zhao 等基于多源时空数据进行分层特征学习,并利用分组 LASSO 回归分析的方法,预测了墨西哥等国冲突事件的发生概率;Yang 等基于深度神经网络的两阶段情感分析方法,构建了群体聚集行为的预警模型;王雨晨、过仲阳等基于随机森林算法,对犯罪预测模型的构建进行了探索;陈晨、尹佳等运用基于灰色数据预处理的 WD-LSTM 模型,以实现食品安全风险的预测预警。

在该子模块中,通过借鉴上述研究成果,在多模态大数据知识层融合的基础之上,充分运用回归分析、机器学习以及深度学习等技术,采用时间序列、回归预测、畸变预测、拓扑预测和系统预测等方式构建态势预测算法模型,对各类国家安全风险要素进行预测、预判及预警,为采取及时有效的风险阻断措施提供支撑。

(2)风险追踪子模块。当前,国家安全风险始终处于动态演变中,安全形势瞬息万变,态势要素空前广泛。这就需要国家安全情报紧跟安全形势的发展,与国家安全环境进行有序交互,通过情报循环、反馈和迭代,实时、高效地介入风险治理。与以往的情报手段不同,态势感知强调与环境交互能力的构建,需要其在对风险进行预测的基础上,实时追踪风险演变,对未来态势进行预测;根据风险态势的实际演变状态对预测结果进行核验,并根据核验结果对态势预测模型参数进行修正,以精确预测和追踪未来风险态势的发展和走向。

由于国家安全风险具有不确定性、多变性等特征,通过构建模型库和知识库的方式,将掌握的各类风险预测和分析方法进行集成,可有效推动态势预测工作的顺利进行。鉴于国家安全风险交织联动的特性,需要各领域专家密切配合,通过推进知识协同判断,情报协同分析,推动国家安全风险态势预测更加精准,更好地融入国家安全风险治理。

3. 4   国家安全风险态势投射

国家安全风险态势投射是态势感知模型投入情报实践的关键所在。该流程建立在多模态大数据的决策层融合的基础上,通过综合考虑所有较低层次或者局部的决策信息,基于多个决策体的关联融合,推动决策工作科学有效的进行。本文根据国家安全情报的应用逻辑,将该模块设计为态势融合和态势推送两个子模块:

(1)态势融合子模块。态势融合是在态势察觉、理解和预测的基础上,推动国家安全风险感知、风险预警及风险预测等态势情报充分融合的过程。在“大安全”背景下,各类国家安全风险复杂交织,需要各领域专家密切配合。因此,需要构建基于“群智协同”的国家安全情报融合协作模式,通过多类决策要素间的动态整合,实现不同数据实体和决策主体之间的协同配合,构建跨层级、跨部门的情报协作模式,更好地推进情报融合和应用。

此外,在“群智协同”基础之上,通过将数据资源、风险管控、资源配置、技术创新等能力要素与地方政府、公安机关、应急管理部门等决策主体进行动态整合,利用实体间的协同交互,实现基于大规模协作的风险决策、知识管理与资源共享,确保各实体间的协调统一,推动各类风险管控工作协调有序的开展。

(2)态势推送子模块。态势推送是态势情报得以实战应用的基础和关键,其实质是构建情报与决策之间的耦合机制。该子模块应当在信息建构理论( Information Architecture,简称 IA)的支撑下,通过构建国家安全风险“态势一张图”,推动态势察觉要素可视化、理解要素可视化和预测要素的可视化;此外,应当在人机交互模式的推动下进行情报刻画,以主题态势情报和定制态势情报的形式推送战略、战役及战术层面的风险态势情报,为国家安全风险的阻断及应急响应提供坚实的情报支撑。

风险态势情报应贯穿国家安全应急响应的全周期、全阶段:

a. 在风险演变前,通过态势感知全面挖掘和识别潜在的国家安全风险,及时向决策者发出情报预警。

b. 在风险演化为安全事件的过程中,在态势情报支撑下,为采取科学有效的防控措施提供支撑;

c. 在风险演化为安全事件之后,一方面通过持续、高动态的态势感知防范次生、衍生事件的发生;另一方面通过对国家安全事件的损害后果进行评估,指导各类资源的统筹调配;此外,通过态势回溯,对态势感知的效能进行评估,推动其迭代升级,更好的发挥效用。

4.结论及展望

本文在“大安全” 背景下,在阐释相关概念、分析多模态大数据驱动下的国家安全风险态势感知机理的基础上,构建基于多模态大数据的国家安全风险态势感知模型,旨在为国家安全风险监测预警提供“普适性”的模型参考,推动形成大数据驱动的多层次风险感知模式。正如本文所述,该模型的构建是一项复杂的系统工程,未来仍有许多研究空间值得我们关注。例如,本文虽然探索了多模态大数据赋能的国家安全风险态势感知运作逻辑,但对于多模态大数据的融合框架、跨模态数据融合技术方法等仍缺乏进一步研究,未来应当加以完善。此外,在国家安全情报实践中,囿于情报资源分布于不同的平台系统且存在“流通壁垒”问题,因而大规模、实时性的态势察觉或遭遇困境。对此应当加强数据共享机制、数据融合方案及数据传输规则等方面的研究,加快推进情报数据的共享融合。在后续研究中,我们将推动国家安全风险态势感知模型更加系统完善,使其更好的发挥监测预警的效能,为强化国家安全情报能力,服务国家治理体系和能力现代化建设提供支撑。

声明:公众号转载的文章及图片出于非商业性的教育和科研目的供大家参考和探讨，并不意味着支持其观点或证实其内容的真实性。版权归原作者所有，如转载稿涉及版权等问题，请立即联系我们删除。

“人工智能技术与咨询”  发布