大数据与装备体系的概念关联机理和模型结构

王寿彪，李新明，刘 东

(装备学院 复杂电子系统仿真重点实验室，北京 101416)

基础理论 doi:10.3969/j.issn.1673-5692.2016.05.008

大数据与装备体系的概念关联机理和模型结构

王寿彪，李新明，刘 东

(装备学院 复杂电子系统仿真重点实验室，北京 101416)

大数据分析与决策思维方法应用到装备体系建模是军事领域热点。关于两者之间概念关联性机理的模糊认识、理论方法和技术手段不清晰、研究思维混乱的现状，立足于认识论讨论大数据认知计算与装备体系演化建模研究之间的概念关联性原理，提出基于大数据的装备体系建模与仿真研究的两“桥”理论范畴及其基本框架分析。引出语义超网络概念探索基于大数据的装备体系结构框架语义描述策略和基于认知粒计算方法论的装备体系演化问题不确定性建模新途径。

装备体系；大数据；体系不确定性建模；语义超网络；认知粒计算

0 引 言

大数据带来了数据采集、存储和信息检索等方面信息技术的重大变化，触发人类从海量信息中获取与个人或组织活动、动作相关知识的应用理论技术的变革性思考。2012年美国提出“大数据研发计划”，国内召开大数据为主题的香山科学工作会议，将大数据推向学术和科技战略前沿。大数据中的数据一般指数字化数据，模拟化数据通过数字化转化而被利用，主要可以归纳为人类自身社会性活动产生的行为交互等应用记录数据和机器本身产生的诸如点击流、应用记录、传感器探测数据等机器数据。多领域多学科对大数据概念的热议难以形成一致性定义描述。对于不能够被清晰定义的事物，通常很难被实证研究，大数据尤为如此，越来越多的学者认为利用大数据重在创新数据思维。目前被普遍认可的大数据概念基本内涵是由IBM，IDC，Gartner等权威机构形成的基本观点[1-2]，“大数据”蕴含以下五个维度特征：①Data Volume，描述数据存储单位的测度；②Data variety，描述数字化数据存在形式的多样性，大数据的核心是半结构化和非结构化形式数据类型；③Data velocity，描述数据产生或更新的速度与对数据的处理速度效率；④Data variability，描述随时间变化而产生的数据流的不一致性；⑤Data Complexity，描述相同事物的数据存在多种来源而导致相互之间的关联，匹配，清洗，跨系统的转换等问题困难，已经成为大数据的核心特征和焦点。大数据也同时内在地蕴含Hadoop、NoSQL等新型数据管理和处理工具。上述大数据特征逐渐引导人们思考数据的可用性、可靠性、可描述表示和可计算等大数据问题[3]，文献[4]指出大数据的价值需要依赖上下文应用环境和数据描述表示手段来释放，应该不断理解利用新的数据源可以做什么，并归纳为3种主要类型：①可追溯性的数据分析过程，利用历史积累的数据和具体的量化工具理解数据中的模式和结果，提供推断或推论；②可预测性的数据分析过程，利用历史数据和仿真模型手段来产生对未来情境的理解；③规定性的数据分析过程，利用时刻有可能触发事件的实时数据和规定的量化分析方法，产生推荐动作建议。

对于装备体系而言，无论是从信息系统角度还是从武器装备系统角度认识和定义系统，任意一个系统节点都在产生、处理或使用数据，所以，局部的系统微观层面也可能面临大数据现象，例如侦察卫星系统持续获取的海量遥感数据。从装备体系的大系统观点看，理解体系中存在的大数据现象，对于开展装备体系结构顶层设计、体系建模与仿真具有重要意义。军事价值观点上，大数据被认为是一种新型核心战斗力要素和军事变革新引擎，在大数据概念应用牵引下开展装备体系设计建设，对于加快装备智能化进程、获取战场情报优势、引领作战决策方式变革、推动指挥流程发展等方面将发挥重要革命性作用[5]。就目前的认识和应用情况而言，较少从大数据的存在性角度分析装备体系本身及其运行过程中形成的大数据特征和相关应用需求、模式，很少深入认识和分析设计潜在应用模式，以及由此可能为装备体系整体性优化理论方法研究带来什么样的机遇和挑战。当前军事大数据现象研究还盲目性地局限在纯粹性大数据处理技术领域[6-7]。

大数据研究大致存在两种技术层次：一种是云计算环境下以网络信息技术和数据存储管理与数据密集型高性能处理分析为核心技术特征，不断应对新数据源特性的数据有效管理为目标，解决系统综合集成与性能优化问题，例如杨小牛提出的大数据概念应用于构造下一代信号情报侦察体系的系统架构[8]，云环境下大规模图数据处理[9]等；另一种是利用人工智能的海量数据挖掘延伸视角下以模式信息智能处理和知识发现为核心技术特征，以利用数据价值为目标，解决网络化复杂巨系统的价值提升和运行机理认知问题，例如位置大数据应用[10]，基于互联网的社会网络大数据对社会认知研究范式的思考[11]等。显然，上述两种层次存在递进、相互融合和转换，第一种立足于大数据概念的海量数据实体面向数据工程化建设，第二种立足于大数据概念深化复杂系统理论方法及实践应用，两种层次在微观和宏观范畴之间相互转换并且技术互相贯通支撑，如图1所示。

图1 大数据概念与大规模网络化信息系统研究的结合模式

事实上，以数据密集型计算技术为核心要素的大数据第四范式的涌现与建模仿真第三范式存在紧密联系，大数据将对建模与仿真带来挑战和机遇[12]。应用大数据概念首先要清楚哪些数据源能够被利用，应该清楚预期应用目标。结合上述对大数据应用分析，大数据概念在装备体系领域可能存在如下三种应用场景：①考虑真实作战环境中装备体系数据流特性的大数据概念应用，对应上述第一种技术层次，主要以解决系统级大数据处理面临的困难为目标，例如对侦察卫星持续获取的侦察情报数据的快速有效处理；②考虑装备体系模型仿真或演习产生的大数据应用，在相似数据的基础上依赖数据挖掘发现体系性质规律[13]；③综合上述两种应用场景，大数据概念框架下潜在的动态数据驱动的体系仿真应用范型[14]。例如，在非对称性、对抗性、极恶劣作战环境中，由于信息获取节点遭受攻击，决策或控制环节失误导致战场态势由优势转为劣势等危机情境，如何利用有限获取的稀疏战场动态信息，全面掌握战场装备体系的整体性状态，以支持高层次的战役或战略判断等方面的可能问题情景，能否借鉴数据驱动的复杂网络的识别与控制方面前沿学术思想[15]。

既有研究工作集中在前两种大数据概念应用场景，均不能正面反映装备体系的机制机理和概念原理。鉴于此，本文深入梳理如何建立大数据与装备体系研究之间的理论桥梁，探讨一种基于大数据建模的装备体系模型表达和体系演化问题研究理论架构。希望为进一步厘清大数据概念与装备体系研究方法原理提供启发。

1 应用大数据概念的装备体系研究理论方法桥梁

笔者认为理解“大数据”概念，应该融合贯彻三种思维即数据科学思想、信息技术理论方法和复杂系统科学与工程实践发展。首先，定义装备体系的大数据概念存在困难。本文从三个尺度阐述关于装备体系的大数据概念规定的数据源范畴：①微观尺度：将装备体系中组成部分——复杂系统实体，例如，成像侦察卫星系统，预警机探测系统或指挥自动化系统等生成的数据资源定义为微观大数据，类似于目前大数据中提出的“小数据”概念原理，这些数据是重要的战场源始数据和生成动态情报信息的重要数据源。战场环境中，微观大数据具有显著时效性，通常需要采取数据密集型高性能处信息处理技术手段获取ISR数据源关于态势的动态情报，支撑指挥自动化系统中形成态势图或关于作战力量战术事件数据的数据源。②中观尺度：将装备体系建设阶段顶层设计与规划过程中产生的海量异构体系结构描述数据定义为中观大数据，这些数据相对比较稳定，是描述体系的核心数据资源，与基础情报保障数据共同构成描述装备体系的静态数据源。③宏观尺度：基于问题视角观察装备体系中的数据范畴，例如作战角度下对抗性装备体系动态演化问题，微观尺度和中观尺度的体系描述大数据共同构成描述体系和体系问题建模的宏观大数据。显然，采取大数据概念研究装备体系，需要不断转换上述三种观察体系数据的视角，将这些数据源规定的海量信息通过科学合理的描述方法和表示形式组织起来。

体系的系统概念原理和建模仿真研究经验表明，复杂网络理论尤其是超网络理念与体系模型在认识论上具有较强契合性。大数据时代，网络与数据的产生、采集、存储、管理和处理分析一系列信息活动密切不可分离，学术和实践领域也产生了借鉴复杂网络理论和数据挖掘方面智能计算理论指导大数据建模与分析的大量研究成果[16]。本文认为，基于复杂网络或超网络理论的网络化大数据描述与建模是构建装备体系与大数据概念的重要理论方法桥梁，而基于大数据的人工智能理论发展为体系模型分析和大数据分析方法构建了理论方法桥梁。即形成两“桥”研究理论架构。体系大数据产生于体系，反映了体系网络化大系统的特征和规律，应用大数据概念的基本立场可以理解为数据化和信息化，透视“数据迷雾”，形成支持感知战争态势的认知信息，主要解决战争数据化问题；基于数据优势，发挥多维多元信息认知优势，有效快速形成决策和控制流程，主要解决实现作战信息化问题。其基本认识机制可以描绘为图2所示。

1.1 语义超网络——基于大数据的体系结构描述框架模型

目前利用大数据概念研究复杂系统主要以网络大数据为载体，数据挖掘为基本手段，发现新洞察和决策支持为基本目标。相比传统挖掘理论，大数据引导人们更为关注模式之间的关联，复杂网络与数据挖掘的交叉研究取得阶段性进展，主要包括两个方面：一是在信息领域关注网络结构，统计物理方法和系统动力学分析方法结合，例如，基于元路径的异质信息网络中相似性搜索与聚类、链路关系预测等；二是复杂网络领域关注智能信息处理，推广改进学习算法，促进有效获取网络结构模式。数据与网络存在密切联系，20世纪末期建立的小世界网络模型和无标度网络模型就是在网络数据更容易被捕捉的历史条件下提出来的，吸引并促进了复杂网络理论与系统科学、信息科学、社会科学、生命科学等多学科的融合交叉。可以说，数据是网络科学发展的原动力，网络科学是数据科学研究的重要工具[17]。大数据时代给复杂网络的研究范式带来了机遇。周涛讨论了大数据时代复杂网络研究面临的机遇与挑战[18-19]，例如，面向网络大数据存储管理的图数据库优化设计，基于海量数据的数据采样，网络信息可视化等共性问题，网络动力学与网络结构分析、链路预测，网络控制和动态网络模式挖掘等特殊应用问题。图数据快速处理算法在社会网络演化模式挖掘方面也是典型的大数据与复杂网络交叉研究课题[20-21]。本文初步思考了大数据概念应用目标驱动下，系统科学与体系工程、网络科学与网络工程相互之间的理论联系，如图3所示。

图2 应用大数据概念的装备体系研究认识机制

图3 大数据与复杂网络的方法论联系

大数据和复杂网络的一个相似点在于都关注对象之间存在的关联性，差异在于模型的描述形式与仿真理论。就体系而言，复杂网络模型将体系简化为顶点和边，这两种模式分别映射不同的要素，顶点通常映射系统或系统的组合，边通常映射通信链路、功能耦合或信息交互等相互关联或作用形式，从而形成整体的拓扑结构，该模型仿真通常建立在agent基础上。而基于大数据的体系描述是当前正在探索的前沿领域，主要采取的形式是基于仿真获取的实验数据挖掘关于体系性质模式，通常表现为依赖一般复杂网络理论研究经验性或理论性指标参数，存在的根本问题就是网络科学中的一般性规律与体系特殊性的契合性难以有效结合起来[13,22]。

复杂网络和超网络是构建大数据概念应用与装备体系建模应用的重要桥梁之一。描述装备体系的大数据只有通过网络大数据的形式才能够呈现或还原体系的真实面目。装备体系的基础模型应该理解为一张“数据网”，数据支持体系不同层次、不同粒度、不同视角的描述和表示，数据成“网”支持体系结构的网络化描述。目前建立的体系各种超网络描述模型奠定了模型基础，而语义网技术的发展与成熟为构造数据网奠定了实现条件。综合这种认识，本文认为，基于当前装备数据工程的建设成果，利用语义网和超网络理论研究进展，有望建立可描述、可计算的基于大数据的装备体系语义超网络模型支撑数据化的体系仿真。

统计分析、聚类、深度神经网络学习等主流数据分析模型具有的“知其然而不知其所以然”特性，结构拓扑分析、结构模式挖掘、链路预测等经典网络分析模型方法在基于海量数据的模式发现应用方面取得重要研究进展，而面向装备体系研究的大数据建模与分析决策注重数据科学优势与体系机理认知与推理建模密切结合为基本思维主线，需要兼顾复杂巨系统建模理论方法。大数据与网络科学的结合成为体系建模的新理论和技术增长点，而语义网思想正是解决描述数据之间关系的一种有效手段，因此，大数据模型基础上的体系情景推演应用应该建立在语义超网络架构之上，即语义的统一视角下，建立描述体系的大数据的超网络模型。

1.2 认知粒计算——装备体系问题建模的系统工程新途径

大数据给数据挖掘及应用带来挑战的同时，也为复杂巨系统的机理认知带来了机遇。在现有体系研究成果基础上，以全新的视角发展基于大数据的体系建模新理论方法，推动体系科学研究变革。粒计算基于粒结构的思维方式，为结构化问题求解和信息处理模式创造了新的计算范式。从人工智能角度看，粒计算模拟人类思考和解决大规模复杂问题的自然智能模式，可以实现以人为中心的认知，立足于实际问题需求，采取可行的满意近似解替代精确解，提供效率。从数据分析与处理层面看，通过信息粒化手段，采取粒元的整体代替复杂数据样本，以粒为中心进行计算。从体系的层面看，通过对系统的粒化处理，可以采取合适粒度的粒结构刻画大规模的体系组成部分及复杂性的体系结构，提高体系的认识水平和问题求解效率。

粒计算的应用基础立足于数据，通常包括数据粒化、多粒度模式发现与融合、多粒度、跨粒度推理等核心内容，以数据为中心的体系结构描述思想为引入粒计算方法论指导体系建模具有显然的契合性。当前，在指控组织结构优化设计、体系需求描述和作战体系结构分析方面已经存在部分研究利用了粒度计算策略[23-25]，但仅仅是关于体系某一方面的微观上针对复杂问题求解，立足于大数据概念正面讨论装备体系的粒计算建模和体系不确定性研究还十分稀缺。本文认为，基于大数据建模的装备体系复杂问题描述与粒计算求解存在理论和技术上的契合性，粒计算构建起大数据与装备体系的第二座理论桥梁。本节具体梳理为以下3个方面理论要素。

1.2.1 大数据和装备体系的多层次/多粒度特性

20世纪90年代，钱学森[26]指出，“只有一个层次或没有层次结构的事物称为简单的系统，而子系统种类很多，具有层次结构且子系统之间关联关系十分复杂的系统称为复杂巨系统，任何一个复杂系统都是一个具有层次结构的系统”。体系属于典型复杂巨系统，其子系统本身被认为是复杂系统。同时，体系又可以理解为一种系统集成的方法原理，即由系统组成系统。现实世界的很多复杂巨系统很大程度上也可以按照体系理念开展认识和研究，例如，复杂细胞网络、蛋白质互作用网络、社会网络、互联网，物联网等等。这些复杂巨系统领域中大数据现象十分显著，广泛存在着多层次、多尺度特性[27-28]。大数据通常产生于人类观察复杂的自然/人工巨系统形成的信号测量记录，或者人类社会系统借助互联网等自主产生。显然，反映复杂巨系统的形态及运动规律的大数据必然内在地蕴含了由这些系统决定的部分与整体关系以及复杂性层次结构，也就是数据上的多粒度、多视角和多层次特性，从本源性、存在性理论上具有契合性。

从体系原理上讲，体系的基本要义是由系统组成的系统，显然，将系统视为基本构成对象，则体系在系统构成观察维度上客观具备关于系统对象的粒度性和层次性。装备体系是体系原理下的武器装备复杂巨系统，其组成部分本身是集成的，独立运行和管理的，地理上分布存在的复杂系统，复杂系统又具有特定的层次结构。体系中系统概念的粒度语义可以从三个方面理解：①细化分解思维观察体系，任意一个具备独立功能的型号武器装备组件(包含型号信息系统设备)本身就是一种粒度的系统，一般认为是最基本的系统对象，可以定义为装备体系的原子粒度层次系统粒而通常不再继续分解，该层次的系统粒在功能特征上相对而言只表示其单一功能或视情况继续功能解构，例如，各种平台载体的嵌入式操作系统信息系统设备；②聚合思维观察体系，由功能相互联系的若干型号原子性系统单元装备组成的复杂装备系统属于一种较粗粒度的集成系统，可以定义为装备体系的基本粒度层次系统粒，该层次系统粒在功能特征上存在多元功能集成与复合特性，例如机载预警探测雷达系统，预警机平台系统，机载战术数据链系统相对①中的粒层次而言是基本粒，而认知上形成的空警-200预警探测系统则是由上述基本粒聚合成的复杂系统层次的基本系统粒，由探测、通信、指控等功能集成产生“网络对抗”复合功能模式；③从信息流语义观察体系，信息流也存在粒度特性，例如，“探测”功能传输的信息流可能包括电磁信号信息、侦察图像信息、无人机侦察视频信息、测控信息等多维情报信息流，系统功能与信息流语义标记之间具有一定相关性，可以采取“一对多映射”描述这些多元关系粒度。如，实施高空长航时侦察探测任务的无人机与具备指控和通信功能的预警机或与具有通信和数据传输功能的中继卫星建立信息链路的可能性极大。另一方面，武器装备或信息系统设备的特征描述数据通常表现出高维特征，特征数据之间存在显现或隐性语义关联性，这些都可能影响并制约基于海量装备数据的体系语义理解和建模，而采取数据的多粒度/多层次建模策略则能够有效应对该方面问题；④从结构模式观察体系，类似社会网络中显著大量存在的社区结构，节点结构，装备体系的体系结构形态上也存在大量的OODA环、作战联盟体、作战信息链或杀伤链等中观视图的网络结构模式，中尺度结构提供了观察网络演化的重要手段，基于中尺度能够建立微观与宏观结构之间的关联机理研究机制，但是传统网络科学中采取模体挖掘分析的方法手段仍然不够，中尺度是一种中间范畴，根据问题特性和求解需求应该吸纳变粒度连续观察思维。装备体系中多尺度概念内涵可以描述为图4所示。设计合理的体系粒结构和粒计算模型，对于实现上述变尺度结构分析，理论上相通。

图4 装备体系中多尺度概念示意

1.2.2 大数据和体系问题的不确定性特性

从本源上讲，大数据产生于人类活动，自然蕴含人类的认知因素，某种意义上大数据可以理解为物理世界经过人类思维性或工具性活动形成的关于信号的记录材料，可能是原生态的记录信息，也可能是经过初级加工后产生的高级认知材料。从认识上讲，大数据分析方法与人类知识产生过程具有一定契合性。基于大数据的物理统计、分类、聚类等数据挖掘或知识发现数据分析方法已经是该领域热点。人类主观性认识的模糊性与物理世界本源存在的随机、模糊等不确定性一同构成大数据的不确定性来源，数据采集的时态跨度不确定性、数据记录缺失导致的不完备性、模糊表达不确定性。某种意义上，模糊构成数据的不确定性本质，精确信息往往是在特定粒度下相对精确的。自信息粒化思维观点提出至今，将信息粒视为人类的最基本认知单元，能够有效地描述信息模糊与精确之间的过渡转化，通过数据(信息)粒概念能够建立起基于大数据的体系不确定性描述和问题建模机制。

体系的不确定性可以归纳为两大类：一种是体系的客观环境不确定性，表现为目标威胁出现、指控组织(人因决策)自适应演化、随机偶然性的装备故障、气象等自然环境预测困难或复杂电磁环境等因素；另一种是体系的主观认知不确定性，表现为人类特有的感觉直觉等非理性因素对战略使命判断、目标威胁程度评估、体系作战能力或体系效能概念定位等构成的不确定性现象。当前，很多研究机构和学者就单个武器装备(系统)层次上讨论不确定性，基于不确定性信息处理手段研究特定型号装备作战效能评估与预测[29]。但是少有研究正面讨论体系的不确定性问题。上述体系不确定性可能贯穿体系建设规划计划和体系运行控制优化等不同阶段模式，而且现有研究很少考虑装备体系复杂性、对抗性和动态性在不同阶段中的综合建模，而数据化模型描述为不确定性信息刻画和不确定性问题处理提供了很好的基础，建立在大数据建模基础上的装备体系描述模型为进一步采取粒计算与其它认知理论结合途径研究体系不确定性现象提供了条件。例如，关于体系作战能力顶层概念及体系作战支撑能力和体系中系统要素能力或任务能力等下位概念的模糊不确定性推理问题[30]。

1.2.3 大数据分析和体系问题求解算法要求具有高效近似求解性

应用大数据概念原理适应数据科学思维观点研究装备体系的方法核心在于基于大数据的复杂体系问题建模和基于数据的智能推理，就是在以人为中心观察视角下依托数据化问题描述模型，推理发现隐含信息或知识。模糊是人类认知的重要本质特性，从该角度讲，基于大数据分析方法的装备体系问题求解应该具备近似求解特性。首先，装备体系结构的复杂性必然导致采用合适有效的大数据建模手段生成的体系描述模型具有及其复杂的结构，不仅需要将多领域、多来源异构的数据集成与融合，而且要求算法能够按照体系问题特性自动或人机交互地从大数据中抽取与组织出具有多层次、多粒度、多视角、多局部特征的结构；其次，对抗性装备体系动态演化问题需要综合考虑实时战场数据信息的客观事实以反映体系问题框架的理论完整性，必然面临在海量数据中存在大量模糊、不完备信息特征环境下进行推理。基于大数据的信息不确定性认识反映了体系的客观不确定性和主观认知不确定性，现有的粗糙集、模糊集等不确定性问题求解模型或不确定性信息计算模型多数采取近似逼近思想，同时，对于体系问题而言，重点在于评估其建设水平或发展趋势，目的在于支撑决策，无需一味追求问题最优解。

2 结 语

综合上述讨论，笔者认为，基于“存在性”观点思维，分析把握大数据和装备体系两者概念之间的联系，可以发现，大数据概念在装备体系范畴内可以存在多种应用模式，既可以在微观系统层面讨论复杂系统的优化集成，也可以在宏观层面讨论基于复杂数据建模与分析思维视角的装备体系复杂巨系统的机理机制研究。由此，催生了一系列不同层次的理论方法和技术体系。本文重点在面向装备体系建模与体系复杂性问题与智能化系统建模方面开展初步的方法论探索研究，讨论可行的大数据建模、分析与决策支持分析方法。创新性地提出语义超网络和认知粒计算两桥理论架构，将能够有效建立基于大数据认知计算的装备体系模型研究方法和实现技术。希冀本文内容能够促进该领域朝着更深更远方向深化发展，有效解决现实体系问题研究困境。

[1] Daniel J.Power.Using ‘Big Data’ for analysis and decision[J].Journal of Decision Systems 2014，23(2)：222-228.

[2] Zhaohui Wu, Ooi Beng Chin..From Big Data to Data Science:A Multi-disciplinary Perspective[J].Big Data Research，2014，1(1)：1.

[3] 李建中，刘显敏.大数据的一个重要方面：数据可用性[J].计算机研究与发展，2013，50(6)：1147-1162.

[4] Power D.What is machine data?[J].Decision Support News，2013(14)，January，20.

[5] 张元涛.“大数据：军事变革新引擎”.《中国社会科学报》，2014年8月6日第630期.sscp.cssn.cn/xkpd/jsx_20175/201408/t20140806_1280506.html.

[6] 申德荣，于戈，王习特，等.支持大数据管理的NoSQL系统研究综述[J].软件学报，2013，24(8)：1786-1803.

[7] 黄冬梅，杜艳玲，贺琪.混合云存储中海洋大数据迁移算法的研究[J].

[8] 杨小牛，杨志邦，赖兰剑.下一代信号情报侦察体系架构：大数据概念的应用[J].中国电子科学研究院学报，2013，8(1)：1-7.

[9] 于戈，谷峪，鲍玉斌，等.云计算环境下的大规模图数据处理技术[J].计算机学报，2011，34(10)：1753-1765.

[10]郭迟，刘经南，方媛，等.位置大数据的价值提取与协同挖掘方法[J].软件学报，2014，25(4)：713-730.

[11]徐磊.大数据基础上的社会认知[J].中国电子科学研究院学报，2013，8(1)：23-26.

[12]胡晓峰.大数据时代对建模仿真的挑战与思考[J].军事运筹与系统工程，2013，27(4)：5-12.

[13]贾珺，吴元立，贺筱媛，等.作战协同关系超图模型[J].国防科技大学学报，2015，37(3)：185-191.

[14]周云.面向实时作战决策支持的动态数据驱动仿真理论与方法研究[D].国防科技大学博士学位论文，2010，10.

[15]Xiaofan Wang.Towards data-driven identification and control of complex networks[J].National Science Review,2014,12:1-2.

[16]沈斌.复杂网络与数据挖掘：研究范式的比较和整合[J].复杂系统与复杂性科学，2014，11(1):48-52.

[17]许小可，刘肖凡.网络科学的发展新动力：大数据和众包[J].电子科技大学学报，2013，42(6)：802-804.

[18]周涛，张子柯，陈关荣，等.复杂网络研究的机遇与挑战[J].电子科技大学学报，2014，43(1)：1-5.

[19]周涛.网络大数据——复杂网络的新挑战：如何从海量数据获取信息？[J].2013，42(1)：7-9.

[20]王莉，程学旗.在线社会网络的动态社区发现及演化[J].计算机学报，2014，37(17)：1-20.

[21]高琳，杨建业，覃桂敏.动态网络模式挖掘方法及其应用[J].软件学报，2013，24(9)：2042-2061.

[22]王飞，司光亚，荣明，等.武器装备体系的异质超网络模型[J].系统工程与电子技术，2015，37(9)：2052-2060.

[23]修保新，张维明，刘忠，等.基于粒度计算和遗传算法的C2组织结构设计方法[J].自然科学进展，2007，17(5)：662-670.

[24]Zhao Qingsong, Yang Kewei, Chen Yingwu, et al.Granular analyzing of weapon SoS demand description[J].Journal of Systems Engineering and Electronics, 2009,20(3):565-570.

[25]Zou Z G, Liu F X, Sun S M, et al.Ripple-effect analysis for operational architecture of air defense systems with super network modeling[J].Journal of Systems Engineering and Electronics.2014, 25(2)：249-264.

[26]钱学森，于景元，戴汝为.一个科学新领域——开放的复杂巨系统及其方法论.自然杂志，1990，13：3-11.

[27]Firedman N.Inferring cellular networks using probabilistic graphical models.Science,2004, 303:799-805.

[28]Ahn Y Y, Bagrow J P, Lehmannn S.Link communities reveal multiscale complexity in networks.Nature, 2010,466:761-765.

[29]柯宏发，陈永光，胡利民，等.电子装备试验不确定性信息处理技术[M].国防工业出版社，2012.

[30]陈放，张彬，尚彦江.体系作战支撑能力理论探析[J].空军工程大学学报(军事科学版)，2015,15(2):81-85.

王寿彪(1986—)，男，博士，主要研究方向为粒计算、大数据与装备体系演化；

E-mail：biao007ge@126.com

李新明(1965—)，男，研究员，博士生导师，主要研究方向为云计算、大数据与装备体系论证；

刘 东(1981—)，男，助理研究员，博士，主要研究方向为可靠性、空间信息系统建模与仿真。

Concepts Association Mechanisms and Model Structures on Equipment System of Systems with Big Data

WANG Shou-biao, LI Xin-ming, LIU Dong

(National Key Laboratory of Complex Electronic System Simulation, Academy of Equipment, Beijing 101416，China)

Applying big data analysis and decision making methodologies to modeling equipment system of systems (ESoS)has been an issue of great concerning in military.Currently, there have been some restricting key issues as follows:blurred association mechanisms between the concepts of big data and equipment system of systems, indistinct theory methods and technologies, muddled researching thinking.Be established in epistemology, the association mechanisms of these two concepts are discussed, then two “bridge” theory domains are proposed to bridge the gaps between the big data and the modeling and simulating of ESoS.The contents of the framework are descripted from two aspects, one is semantic super-network concept as strategy to descript the architecture of ESoS, the other one is cognitive granular methodologies using of which to model the uncertainty issues about ESoS.

equipment system of systems; big data; uncertainty modeling of equipment system of systems; semantic super network; cognitive granular computing

2016-05-09

2016-08-31

部委级预研基金项目，社科基金军事学项目

：A

1673-5692(2016)05-495-08