一种基于图模型的空间态势理解方法*

宋翊宁，李 智，张占月

（航天工程大学，北京 101416）

0 引言

随着航天技术的高速发展，在过去的十年中，空间活动复杂性急剧增加，太空域力量布局呈现出纷繁复杂的形势。同时，由于目前各国对天基力量的依赖性逐步增强，不仅空间目标显著增加，美国等国家对于空间控制能力的不断尝试和技术试验，使得未来空间资产安全面临的毁伤风险急剧提升，空间环境难以保持温和发展的态势。因此，对于空间态势的认知能力迫切需要提升。在态势认知中，如何形成有效的态势理解是认知能力构建的基础和重点，本文主要围绕如何设计、构建空间态势模型来进行空间态势认知能力研究。

目前国内外研究机构及学者在态势估计及空间目标行为分析上作了大量研究。美国一直为保持其全球军事大国的科技战略核心地位而精心布局，投入大量人力物力用于相关智能研究项目的部署，如2016 年底启动的CVS（虚拟参谋）项目，旨在通过人工智能技术为应对海量战场态势资源来完成建议、分析、交互，以实现为指挥决策者提供智能化辅助决策的目的；2018 年DARPA 提出的COMPASS项目（collection and monitoring via planning for active situational scenarios），旨在通过博弈论对态势估计结果进行决策分析提供技术支持；在航天领域，同样于2018 年DARPA 公布的Hallmark 计划正是上述理念的进一步延伸和拓展，Hallmark 计划旨在寻求通过革命性工具和技术，来实现对美国太空军事行动的计划、评估、执行，目前已按计划形成了其用于空间态势感知的虚拟助手（VIRSA），来帮助其日常空间活动的指挥及控制决策。

国内科研机构也在态势理解和空间态势感知方面进行了广泛的研究，其中，国防大学团队近年来一直深耕态势认知领域的理论体系研究，形成了对于战场认知的全方位理论研究和探索［1-5］；信息工程大学也对于空间目标态势进行了大量研究，形成了相关基于本体论建模仿真的空间态势分析理论［6-8］。在具体的态势估计方法上，主要包括了贝叶斯网络、势力图、粗糙集等方法［9-10］。以上研究为空间态势认知方法探索起到了有效的铺垫和借鉴作用。

在空间态势认知能力构建研究过程中，态势理解作为重要的一环成为空间态势认知能力构建的重中之重。目前对于空间态势整体形势的研究较少，指标体系相对简化，并且缺乏综合表现空间整体态势的相关量化研究方法，同时对于越来越拥挤且日益复杂的空间环境，缺乏对于各个空间要素相互关联、相互影响的网络关系分析。因此，本文通过对空间态势要素的图模型设计，实现对空间要素相互关联的复杂网络结构的考量，并通过相关算法实现对空间态势理解的目标，为后续空间态势认知活动提供重要支撑。

1 空间态势要素图模型

目前现有空间要素建模方法主要是以本体论为主，然而，在面对大规模空间目标和要素之间的关系建模上，本体模型缺乏灵活性、高效性。因此，本文通过图模型的建模方法，对于空间态势相关要素进行建模方法研究。

1.1 空间态势因子

要形成对空间态势的整体把握和有效理解，需要明确空间力量所包含的各类要素以及空间力量的意义及目标。目前，美军参联会发布的《太空作战》联合条令（JP 3-14，2020-10-26 颁布版）将其天军核心能力归纳为太空维稳能力、力量投送能力、太空机动及后勤能力、信息传输能力和天域感知能力这5 项要素，具体定义如表1 所示。

表1 美军《太空作战》条令（JP3-14）对空间核心能力的定义Table 1 The definition of core space capabilities in US‘Space Operations’doctrine（JP3-14）

结合美军JP3-14 条令中规划设计的五大太空域核心能力，同时，综合考虑指挥员辅助决策所需的要素，本文归纳出7 类面向指挥系统的空间态势要素因子，定义为：

其中，SSC-Factor 为空间态势认知要素集；φ1为导航能力因子，表示定位、导航和授时能力要素；φ2为通信能力因子，表示卫星通信能力要素；φ3为控制能力因子，表示太空控制能力要素；φ4为感知能力因子，表示空间态势感知能力要素；φ5为ISR 能力因子，表示ISR 能力要素；φ6为保障能力因子，表示太空进出能力及相应保障能力要素；φ7为指挥能力因子，表示指挥控制能力要素。

1.2 双层空间态势图模型

本文通过自上而下的空间力量拆解分析，以及自下而上的相关空间力量所依托的设施设备实体综合建模，即分别对于空间能力和相关设施设备实体，构建基于空间态势要素因子设计的图模型，设计双层结构的空间态势综合图模型，包含Layer1 态势认知层和Layer2 目标要素层，Layer2 中的要素个体通过关系嵌入态势因子层，具体模型如下定义：

其中，SSCG 为空间态势综合图模型；SSGFactor 为空间态势要素因子；SSGEntity 为空间态势实体；R 为相关关系；V 为所有要素节点的全集；E 为所有表示节点间关系的边集，如图1 所示。

图1 双层结构的空间态势图模型-SSCGFig.1 The two-layer structure of the space situation graph model-SSCG

具体来说，层次1（Layer 1）中主要包括面向整体的态势理解的态势因子节点模型，即上文中的SSC-Factor；层次2（Layer 2）中主要包括具体空间能力构成主体的设施设备，其构成的空间态势实体要素层模型SSC-Entity，通过简化设计得到：

实体集合分别包括卫星集合Sat；碎片集合Deb；地面站集合由Stn 共同构成。

在SSCG 的双层结构中，关系的定义尤为重要，结合现有空间力量映射关系，对于关系集加以定义，定义如表2 所示。

表2 空间态势认知模型关系集Table 2 Relation set of space situation cognition model

2 基于图模型的空间态势理解方法

面向空间态势认知能力构建的双层空间态势图模型在空间实体建模分析的基础上，还结合了实体关系、实体与态势映射关系等进行建模研究，在双层模型上通过定义函数进行量化分析。

2.1 空间节点能量函数

对于嵌入在整体空间态势图模型中的单一要素节点，其所包含的意义和价值不仅仅是其个体的原有价值，还应当包括其在整体图模型中的相关属性，这也是空间态势图模型与原有空间目标本体模型的主要区别，这里将每个节点的价值进行量化设计，定义出单一空间态势图模型中要素节点的能量函数如下：

其中，dij为节点Vi和Vj的距离函数值，可以简化定义为图模型中的最短路径长度（单源路径即采用Dijkstra 算法用于定义最短路径算法），σ 为影响因子，是自定义来控制节点能量范围的超参数；mj为节点质量，是节点独立的价值度量，是基于本文在相关空间态势知识获取研究成果中，阐述的多源异构空间态势知识获取框架SSC-KA 中通过嵌入表示，最终将获取的开源信息、公开轨道数据、OCS 数据、RCS 数据等信息综合降维嵌入到低维空间（如一维数组或二维矩阵），通过低维来表示该节点的所有特征信息（若嵌入一维数组，则数据值可以直接作为质量；若嵌入二维空间，则通过范数选择来实现质量定义，例如可以选择欧式距离定义其距原点的距离来表示其质量）。其中，对于同一星座中的卫星，若将星座整体作为一个力量单元，则同一星座中的个体卫星节点价值满足星座整体价值权重的归一化条件，即

则节点能量函数可以转换为：

2.2 空间实体关系函数

以往在空间目标基于本体论的建模研究中，往往缺乏对于空间目标之间关系的研究，一部分原因和挑战也是由于空间目标形成极具复杂性的合作与非合作并存的目标网络，特别是由于重点研究对象往往是非合作目标，其关系链接属性就更加难以量化和推理研究。本文设计的双层空间态势图模型结构中，由于层级内部实体逻辑间的显著区别，存在有向链接和无向链接，故分层次进行定义和研究。

1）对于Γ1，通过综合运用定量定性分析，采用专家调查法，获得专家对于空间态势各种能力和任务的影响力认定，再通过专家信用度进行加成，通过基于注意力机制的一致性检验算法（算法模型如图2 所示）可以得到各个态势因子相互关联影响的邻接矩阵，其网络如图3 所示。阵r 和相互关联程度矩阵I 为：

图2 通过注意力机制优化专家打分模型Fig.2 The expert scoring model based on the optimization of attention mechanism由此可知生成的空间态势因子图模型邻接矩

图3 空间态势因子相对连接图模型Fig.3 Relative connection diagram model of space situation factors

2）对于Γ2，关系的设计主要以现实空间环境实际为依托，由于Layer2 中以空间目标、相关地面设施设备、指挥所等相关实体构成，如下页图4 所示，因此，Layer2 中的关系函数定义以实体关系为依托进行设计，这里通常考虑为合作目标间的相互关系和非合作目标的相互关系。对于合作目标间的相互关系，以空间实体实际活动规律进行量化设计，对于具有通信链接、指控消息上传与下发、星座协同等合作关系，以及非合作目标之间的关系，通过感知系统所获取的数据进行数据反演，形成对于相关关系的量化计算和表示。定义及实例如式（8）所示：

图4 空间态势要素实体关系概念图Fig.4 Conceptual diagram of entity relationship of space situation elements

Ci，Cj节点v 的特征属性集，在空间态势知识获取部分的研究中已明确，即在空间态势知识获取SSC-KA 框架下，通过深度学习特征工程计算得到的节点隶属机构属性上的特征集，并由来确定vi，vj两点的相关属性差异。其中，Dij为vi，vj两个节点在三维地理空间中的距离度量函数，因此，对于合作目标而言，关系值在非负数区间，而对于非合作目标，其关系值在非正数区间。

3）对于Γ3，主要根据空间实体所对应的空间态势因子，空间实体的基本属性会包含其对应的空间能力信息，其中，碎片信息和其他国别或机构的空间实体一样，通过获取到的空间态势知识，形成其空间能力信息对应的空间态势因子的映射，Γ3关系是所有系统考虑范围内的实体至空间态势因子的映射集合。

3 应用举例

基于前面提出的空间态势图模型方法进行进一步应用展示，搭建了配置为双2080Ti 显卡，8 核Intel i7 3.6 GHz 处理器，64 GB 内存和Ubuntu20.04系统的实验环境，通过Pytorch 框架在Pytorch-geometric 平台上完成模型搭建及算法实验，以验证双层机构空间态势图模型，可以有效帮助完成和解决空间态势理解方面的任务和问题。

3.1 空间实体威胁分析

在对空间态势进行态势理解的活动中，首要问题是单一空间实体所面临的对于空间其他实体之间的关系，即基于空间态势图模型可以简化为如图5 所示的逻辑模型。

要实现对于空间实体的威胁分析，DARPA 目前是以单一目标攻击代价作为主要甚至唯一指标进行量化计算，然而由于应急发射或快速补网发射能力的显著提升，以及空间力量体系基于“弹性”需求在顶层设计中的不断优化，各国对于空间高价值目标的毁伤影响分析是复杂的。因此，本文立足未来空间体系架构不断优化的趋势，设计四重因素的综合态势影响代价函数：

即对于空间实体节点vi态势影响代价函数为成本函数H（vi）、耗能函数P（i→j）、破坏势能函数B（vj）、弹性指数函数R（vi）的相对函数的加权求和函数。具体影响因素等级评分标准设置如下页表3所示。

表3 空间实体节点态势影响因素等级评分标准Table 3 Grading standards for influencing factors of the situation of space entity nodes

表4 邻接节点态势影响等级分析值Table 4 The analysis values of influencing levels of the situation of the adjacent nodes

由于GEO 轨道资源的特殊性和重要性，使其成为空间态势感知最重要和最具影响力的实体群体。这里假定节点1，2 为我方空间卫星实体（其中1 为重要卫星，2 为商用卫星星座中的一枚），通过计算空间距离后初步筛选出节点3（美国GSSAP-2 卫星，官方命名为USA254，隶属美国航天部队空间控制中队，NORAD 编号为40100），节点4（美国AEHF-4 卫星，官方命名为USA288，隶属美国航天部队，NORAD 编号为43651），节点5（俄罗斯Yamal-601 卫星，官方命名为Yamal-601，隶属俄罗斯天然气工业公司Gazprom 的航天系统，NORAD编号为44307），这里为方便展示，仅将4 个权重系数简化设计为：μ=0.15，υ=0.35，ϑ=0.32，θ=0.18。

通过计算结果可知，节点3 对我方空间实体具有较大的威胁，节点4、节点5 次之；而节点1 和节点2 相比，同一实体对节点1 的影响高于节点2；这一计算结果与实际情况一致，这是由于GSSAP-2 具有较高灵活机动性，并且可能对高轨目标具有侦察能力。因此，可以看出，虽然节点2 属于商业用途，但GSSAP-2 对其的影响程度要比其他商业卫星高。而AEHF-4 先进极高频系列卫星虽然隶属军用，但其燃料主要用于其工作及寿命，不会依靠消耗自身燃料来靠近节点1 和节点2。因此，其对于节点1 和节点2 的直接影响均较低，但其对于信息支援等力量发挥具有重要作用；影响最低的节点5 属于较小的活动实体，其商业用途及载荷性为主要原因。

3.2 空间态势因子重要性分析

由于高轨目标重要性，将GEO 区域的空间态势按设计模型进行空间态势理解分析，通过对2021年12 月31 日的GEO 目标轨道数据进行Pearson算法计算（超参数选择为M=200，seed=150）形成初步分析构成基本图模型，如下页图6 所示。

图6 Geo 可获取空间信息构建的态势图模型Fig.5 The constructed space situation graph model from geo-information available

在此基础上采用上一节的空间态势因子邻接矩阵和相互关联矩阵进行加权映射计算，可以得到态势因子相关性分析结果，如图7 所示，通过结论可以看出对于弹性稍微脆弱的星座或空间能力，需要严重依靠空间保障系统（Support 因子）的能力（其中主要依靠空间保障系统中的运输能力，通过应急发射和快速补网来完成系统效能降级的应急举措）；而对于具有强烈主动行为意愿及能力的空间控制系统（Control 因子）同指控系统（Command 因子）具有高度相关性（主要由于其命令流程导致）；常规服务能力（包括通信能力Communication 因子、导航能力GPS 因子）通常与各相关地基设施设备存在相互影响关系；信息支援能力（包括SSA 因子和ISR 因子）由于具有战略价值，因此，也同各因子具有相对稳定的影响关系。

图7 态势因子相关影响性分析图Fig.7 Correlation analysis diagram of situation factors

4 结论

在传统空间态势感知方面的研究中，通常围绕单一空间目标或事件进行反复推理分析，得出相应目标或事件的理解信息，然而随着商业航天批量化、模块化卫星生产技术的成熟，以及空中发射、批量发射等新研航天器运输技术的颠覆性变革，未来空间领域将从数量上产生巨大变化，在Starlink、Oneweb 等巨量星座都挤占近地轨道空间后，如基于传统本体建模方法，只能通过构建碰撞事件本体，再将轨道计算结果输入进事件本体初始化设置，这一步骤消耗大量时间，同时损失了部分整体态势系统复杂性信息。因此，避免在态势系统综合应用上损失过多的时效性和鲁棒性，本文提出的图模型可以在这一方向提供有效的解决思路。

本文通过在SSC-KA 框架形成空间态势知识获取能力的基础上，设计构建了双层空间态势理解结构，形成包含空间实体、实体关系以及映射关系的空间态势图模型，通过图模型理论对于空间态势进行量化计算，并通过空间目标威胁分析和空间态势因子影响分析，证明了图模型的整体设计及算法在空间态势认知能力构建上的可行性和有效性，为下一步对于空间态势认知的深层次知识推理算法奠定了基础。