基于UML与着色Petri网的预警情报智能推荐的建模与验证

牛 犇，黄志良，吴俊杰，张福群，李子墨

(空军预警学院， 武汉 430019)

1 引言

纵观近年来的几场局部战争，预警情报都起到了影响战争胜负的决定性作用。随着军事领域的深刻变革，传统的情报服务方式如情报检索和情报定制等，严重依赖情报用户的认知去挖掘对其有用的情报，存在着很大的局限性。而预警情报智能推荐能够深入挖掘情报用户需要，主动地为不同种类、不同层级、不同任务特点的情报用户提供个性化、智能化、实时性的预警情报，已经成为一种新兴的情报服务模式[1]。智能推荐在预警情报和情报用户之间架起了畅通的桥梁，但是其在军事领域的研究还主要停留在算法层面，缺乏对于情报流的的建模和分析验证，也限制了其在实际中的应用[2]。因此，本文中着眼预警情报智能推荐的应用问题，对推荐预警情报的流程进行建模和验证。

目前，有关军事复杂系统的建模的方法有很多，具有代表性的主要有IDEF(ICAM definition)、UML(unified modeling language)、Petri网等[3]。文献[4]运用IDEF系列建模语言对装备保障指挥控制的全流程进行建模，通过图形化和层次化的模型展现了对象、活动和事件之间的约束关系，但是缺乏对模型动态分析的能力；文献[5]利用UML统一建模语言对常规导弹作战单元指挥训练模拟系统进行建模，通过功能需求模型、静态模型和动态模型等描述了系统的总体结构和实现途经，但是缺乏对模型的定量分析；文献[6]使用着色Petri网对装备保障指挥自动化系统进行建模，凭借Petri网严谨的数学分析以及并发、异步、冲突等特点，对系统进行了动态模拟和分析，但是描述静态结构能力较弱，且严格的数学表达也难以被系统用户理解。文献[7-9]介绍了UML和着色Petri网的混合建模方法，兼顾了UML直观、简单易懂、容易表达等优势，以及着色Petri网严格的数学表达、动态的行为描述，可以对复杂网络进行建模与验证。鉴于上述分析，本文主要采用UML和着色Petri网对预警情报智能推荐在联合作战中的应用进行建模与验证。

2 预警情报智能推荐的应用流程

情报智能推荐是利用数理统计、数据挖掘、机器学习、人工智能、大数据等多种方法，对情报用户执行任务过程中的动态行为和个性化情报需求进行搜集、记录、分析和理解，推导和预测出情报用户的潜在需求，在情报产品中挖掘出合适的情报，精准对接情报用户的动态需求，进而主动将情报用户所需的情报准确推荐给用户，为指挥决策提供直接支持[10]。

相比情报定制和情报检索等采取被动方式为情报用户提供情报资源的手段，情报智能推荐能够深入挖掘情报用户需要，主动为情报用户提供合适的情报，实现个性化情报与个性化用户特征的智能匹配，从而提高情报产品的质量效益，加速指挥员的决策过程，实现体系作战能力水平的提升。

智能推荐在情报用户与预警情报之间形成了一种推荐机制，可以主动将个性化情报推荐给特定的情报用户，实现智能分发以及按需分发。本文中把预警情报智能推荐在联合作战中的应用描述为如下流程，即情报源中的情报按批次输入智能推荐系统，在预处理层建立情报模型和用户需求模型，在隐藏层通过BP神经网络处理后得到情报内容特征向量和用户需求特征向量，运用协同过滤推荐算法、基于内容推荐算法和组合推荐算法等技术手段进行分析处理，在应用层将生成个性化情报推荐给联合作战中的情报用户，辅助情报用户进行决策，并通过按级指挥或者越级指挥的方式，组织部队进行军事行动，具体流程如图1所示。

3 预情报智能推荐的UML建模

UML是一种易于表达且普遍使用的建模语言，具有规范化、可视化、结构化等特点，适用于系统开发的不同阶段。本文中，使用UML对图1所示的流程进行建模，从功能需求、静态结构、动态结构等依次递进的维度，分别建立了用例图、类图、活动图等概念模型[11]。

3.1 用例图

用例图是从外部执行者的理解角度出发来描述系统的功能，主要用于系统建模的需求分析阶段，需要系统开发者和系统用户反复讨论，进而对于需求规格达成共识。从系统建模层面看，预警情报智能推荐在联合作战中应用的用例图主要包含系统管理员和情报用户2个角色以及其与智能推荐系统交互相关联的用例，具体关联关系如图2所示。

图1 预警情报智能推荐在联合作战中应用的流程框图Fig.1 Schematic diagram of the application of early warning intelligent recommendation in joint operations

图2 智能推荐系统的具有具体关联关系的用例图Fig.2 Usecase diagram of intelligent recommendation system

3.2 类图

类图可以用来描述具有相同属性、关系以及语义的对象之间的关联和交互关系[12]。预警情报智能推荐在联合作战中应用的类图主要从抽象的角度描述智能推荐系统的静态结构及其组成部分之间的关系，具体关联关系如图3所示。

图3 预警情报智能推荐的具有具体关联关系的类图Fig.3 Class diagram of early warning intelligent recommendation

3.3 活动图

活动图可以显示了系统中从发生一个活动开始，到另一个活动终止的流程，体现的是对象之间的控制流[13]。预警情报智能推荐在联合作战中应用的活动图主要是从流程的角度描述智能推荐系统的动态结构，并且展现了其在多动作主体之间的交互关系，如图4所示。

图4 预警情报智能推荐在联合作战中应用的活动图Fig.4 Activity diagram of the application of early warning intelligent recommendation in joint operations

4 UML活动图映射为着色Petri网模型

UML活动图模型可以直观的描述联合作战中预警情报智能推荐的工作流程，但是活动图的语义是非形式化的且不精准的，导致难以对模型进行分析和验证。为了解决这个问题，本文中提出利用着色Petri网独有的严谨数学分析、工程图形的特点以及对复杂网络的建模能力，来弥补UML模型的不足[14]。因此，本文中建立了基于着色Petri网的预警情报智能推荐在联合作战中应用的模型，其中模型可以细化为顶层模型、个性化情报模型、智能推荐模型、响应模型、决策模型、指挥模型、反馈模型等[15-19]。

4.1 顶层模型

顶层模型主要是描述目标情报输入系统后，自动生成个性化预警情报并推荐给情报用户，情报用户据此进行响应的过程。顶层模型主要由个性化情报替代变迁、响应替代变迁构成和个性化情报库所构成，如图5所示。

图5 顶层模型框图Fig.5 Top-level model

4.2 个性化情报模型

个性化情报模型主要是描述目标情报与情报用户需求，在智能推荐系统中进行有机配对的分析处理，进而生成个性化情报的过程，如图6所示。其中存在一个智能推荐系统的替代变迁，单独构成一个智能推荐模型。

图6 个性化情报模型框图Fig.6 Personalized intelligence model

本文中涉及的目标情报(简称Info)属性包括：情报序列号(简称Serial)、情报类型(简称Type)、目标属性(简称Attribute)、目标性质(简称Nature)、目标位置(简称Position)、目标时钟(简称Clock)、目标威胁(简称Threat)。情报用户需求属性，由用户需求(简称Needs)构成。

声明目标情报的变量类型为Info，由6个变量复合而成，其中类型、属性、时间、威胁程度是整形变量，描述目标的性质是2个整形变量的复合变量，描述目标的位置是3个整形变量的复合变量。用户需求的变量类型为Needs，由1个整形变量构成。

Info的定义为：

Closet Info=product X*X*X*(X*X)*(X*X*X)*X*X

Info中各个变量与目标定义中的属性的对应关系为：

Info〈-〉Info:{Serial,Type,Attribute,Nature,Position,Clock,Threat}

其中：Serial表示目标情报的序列号。

Type表示目标情报的类型，Type=1表示该目标情报为预警情报；Type=2表示该军事气象情报；Type=3表示该军事地理情报。

Attribute表示目标的属性，Attribute=1表示目标属性为敌；Attribute=2表示目标属性为我；Attribute=3表示目标属性为友；Attribute=4表示目标属性为不明。Nature表示目标的性质，是个二元向量组颜色集，包括机型(Model)和架数(Number)，Model=1表示目标的机型为大型机；Model=2表示目标的机型为小型机；Model=3表示目标的机型为舰载机；Model=4表示目标的机型为机型不明；Number=1表示目标的架数为1架；Number=2表示目标的架数为2架；Number=3表示目标的架数为3架；Number=4表示目标的架数为机群。

Position与Clock主要用于描述目标的位置与时钟，其中Position是个三元向量组颜色集，包括Azimuth、Distance、Altitude；Clock为赋时数值型颜色集。

Threat表示目标情报的威胁程度，Threat=1表示该目标情报为一级威胁等级；Threat=2表示该目标情报为二级威胁等级；Threat=3表示该目标情报为三级威胁等级。

Needs的定义为：

Closet Needs=product X

其中：Needs表示情报用户的需求，Needs=0表示情报用户没有需求；Needs=1表示情报用户有一种需求；Needs=2表示情报用户有2种需求；Needs=3表示情报用户有3种需求。

4.3 智能推荐模型

智能推荐模型主要是描述目标情报输入智能推荐系统后，自动推荐个性化预警情报的过程。我们把智能推荐系统粗略分为预处理层、隐藏层、应用层。具体的情报处理流程如下：首先，目标情报进入智能推荐系统后，在预处理层进行加工，形成情报模型和用户需求模型；然后，通过BP神经网络提取情报特征向量，形成一个向量表示的隐因子，这相当于编码过程；接着，经过隐藏层的过滤、筛选等处理后，从rbm中可得到一个输出，这相当于解码过程；最后，在应用层中，将生成的个性化预警情报直接推荐给情报用户，将不匹配的弱相关情报返回给隐藏层继续进行分析处理。其模型如图7所示。

图7 智能推荐模型框图Fig.7 Intelligent recommendation model

4.4 响应模型

响应模型主要是描述个性化预警情报推荐给情报用户后，用户进行决策的过程，如图8所示。其中存在一个决策的替代变迁，单独构成一个决策模型。

图8 响应模型框图Fig.8 Response model

4.5 决策模型

决策模型主要是描述情报用户分析判断后，使用个性化情报辅助决策、指挥和行动，并且根据行动对情报进行反馈，或者不使用个性化情报，直接进行反馈的过程，如图9所示。其中，存在指挥的替代变迁和行动反馈的替代变迁，可单独构成决策模型。

本文中涉及的分析判断的属性，由判断(Jud)构成。声明判断的变量的类型为Jud，由1个整形变量构成，Jud的定义为：

Closet Jud=product X

其中：Jud表示情报用户的分析判断，Jud=0表示情报用户没有分析判断；Jud=1表示情报用户进行了1号分析判断；Jud=2表示情报用户进行了2号分析判断；Jud=3表示情报用户进行了3号分析判断。

图9 决策模型框图Fig.9 Decision model

4.6 指挥模型

指挥模型主要是描述联合作战中用户依据预警情报进行决策指挥的过程，设置了3个指挥层级，对应了按级指挥和越级指挥，如图10所示。

指挥模型的关联规则自定义如下：

如果Threat=1，表示按照一级指挥流程进行指挥。如果Threat=2，表示按照二级指挥流程进行指挥。如果Threat=3，表示按照三级指挥流程进行指挥。如果Threat=4，表示不进行指挥而进行反馈。

4.7 反馈模型

反馈模型主要是描述用户指挥和行动中预警情报使用情况的逐级反馈过程，与指挥模型交互，如图11所示。

反馈模型的关联规则自定义如下：

如果Altitude=1，则对情报的Altitude要素和Altitude=1数据进行反馈，依次反馈到各级指挥机构，直到反馈汇入智能推荐系统隐藏层。

图10 指挥模型框图Fig.10 Command model

图11 反馈模型框图Fig.11 Feedback model

5 通过CPN-Tools对着色Petri网模型进行仿真验证

CPN-Tools是一款对于着色Petri网进行仿真建模的较为成熟且优秀的工具。该工具具有可视化的特点和用户友好的界面，可以使用CPN ML语言进行编程[20]。

5.1 仿真过程

根据上述着色Petri网模型，用CPN-Tools中的Simulation工具仿真。过程中模拟实际预警情报处理和传递流程，以X海方向XX联指，应对敌舰载机突袭任务为例，具体流程如下：

仿真过程中使用的情报流包括：

1′(1,2,1,(1,1),(1,1,1),1,1)++1′(2,1,1,(1,1),(1,1,1),1,1)++1′(3,1,4,(1,1),(1,1,1),1,1)++1′(4,1,2,(1,1),(1,1,1),1,1)++1′(5,1,3,(1,1),(1,1,1),1,1)++1′(6,1,1,(3,1),(3,3,1),1,1)++1′(7,1,1,(3,2),(3,3,2),1,2)++1′(8,1,1,(3,1),(3,3,1),1,3)++1′(9,1,1,(3,2),(3,3,3),1,4)++1′(10,1,1,(3,1),(5,1,1),1,1)

根据模型定义，这10个情报流分别表示当敌舰载机进入我探测范围内时，我方掌握的10批敌舰载机目标情报。敌舰载机目标情报接入智能推荐系统后，自动生成个性化预警情报并推荐给XX联指，XX联指据此进行的响应动作。

个性化情报生成过程中，敌舰载机目标情报和XX联指的情报需求接入智能推荐系统进行处理后，自动生成需要的个性化预警情报和不匹配的弱相关情报，如图12所示，2批情报待接入智能推荐系统；1批情报正在智能推荐处理；6批情报依据目标情报属性(情报类型、目标属性、目标性质、目标位置、目标时钟、目标威胁等)与情报用户需求的有机配对已经处理完毕，其中生成了3批待推荐的个性化情报，3批待处理的弱相关情报。

图12 智能推荐模型仿真过程框图Fig.12 Simulation process of intelligent recommendation model

智能推荐系统生成的个性化情报，推荐给XX联指辅助决策。XX联指经过分析判断，使用认为有价值的个性化情报进行指挥，并且根据行动对情报进行反馈；对于认为没有价值的个性化情报，直接反馈给智能推荐系统隐藏层，作为后续推荐的参考。如图13所示，XX联收到3批个性化情报，其中2批经过分析判断，认为1批威胁3的情报是有使用价值的，另1批威胁4的情报是没有使用价值的。

图13 决策模型仿真过程框图Fig.13 Decision model simulation process

仿真过程模拟了10批敌舰载机目标情报接入智能推荐系统，推荐4批个性化预警情报给XX联指，XX联指使用3批情报进行辅助决策和指挥，任务部队采取行动后将2批高度1的信息逐级反馈。其余情报和反馈数据一并汇入智能推荐隐藏层，作为后续推荐的参考。如图14(a)、(b)所示。根据模型的仿真过程，情报流反映出应对敌舰载机突袭任务的指挥过程和指挥链条。

5.2 验证过程

仿真运行结束后，使用CPN-Tools中的State Space工具可以对模型的状态空间进行计算，还可以根据模型的仿真结果生成仿真报告以及模型的可达图[21-23]。

①计数字：由图15统计数字分析可见，模型的状态空间包含47个知识节点与98个连接弧，而强连接图可看出其与状态空间的结点和连接弧个数相等。由输出结果可见：该模型是存在有限且明确的发生序列。

图14 模型仿真结果框图Fig.14 Model simulation results

图15 状态空间报告——统计数字分析Fig.15 State space report-statistical analysis

② 有界性：由图16有界性分析可见，最佳整数边界(Best Integer Bounds)分别描述了各节点库所的上界和下界，以及相应库所拥有的托肯的数量区间、最多托肯和最少托肯的数量。由输出结果可见：模型中各库所都有界。

③ 活性：由图17活性分析可见，模型不存在死变迁，唯一存在一个死标识[47]，该死标识同时也是家标识，表示情报流运行到这一步终止。由输出结果可见：模型中各库所都是活的。

图16 状态空间报告——有界性分析Fig.16 State space report-boundedness analysis

图17 状态空间报告——活性分析Fig.17 State space report-liveness analysis

④ 公平性：由图18公平性分析可见，模型没有无限的出现序列。由输出结果可见：模型是公平的，也是安全的。

图18 状态空间报告——公平性分析Fig.18 State space report-fairness analysis

⑤ 可达性：由图19可达图可见，该模型从初始状态经过47个节点的运行后可以到达终止状态，可达图显示了系统运行过程中可能出现的全部状态的集合。由输出结果可见：该模型是可达的。

图19 模型的可达图Fig.19 Reachability graph of the model

6 结论

本文中提出了使用UML和着色Petri网的建模方法，有机结合CPN-Tools工具，对预警情报智能推荐在联合作战中应用进行了建模与验证，通过上述分析，可以得到如下结论：

1) 从仿真结果分析可以看出，预警情报智能推荐的着色Petri网模型具有可达性、有界性、公平性、安全性以及活性，说明该模型是合理的。

2) 着色Petri网模型是由UML活动图映射而来的，从着色Petri网模型的合理性可以得出，预警情报智能推荐的UML活动图是正确的，该概念模型也是合理的。

3) 使用UML和着色Petri网混合建模方法对预警情报智能推荐在联合作战中应用进行建模与验证是可行的，可以设计和构建实际系统提供了很好的借鉴。