基于面向?qū)ο筘惾~斯網(wǎng)絡(luò)的威脅評(píng)估模型

王 巍，燕雪峰

(南京航空航天大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，江蘇 南京 210016)

Nanjing 210016,China)

基于面向?qū)ο筘惾~斯網(wǎng)絡(luò)的威脅評(píng)估模型

王 巍，燕雪峰

(南京航空航天大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，江蘇 南京 210016)

針對(duì)復(fù)雜環(huán)境下威脅源種類數(shù)量繁多、建模難度大以及可維護(hù)性差等問(wèn)題，文中提出一種基于面向?qū)ο筘惾~斯網(wǎng)絡(luò)的多威脅源綜合評(píng)估模型及分類融合方法，并針對(duì)該模型的特點(diǎn)提出了單威脅源的層次消元推理算法。各類威脅源采用統(tǒng)一的貝葉斯網(wǎng)絡(luò)頂層評(píng)估類設(shè)計(jì)，為評(píng)估提供了統(tǒng)一的標(biāo)準(zhǔn)接口及框架。融合算法根據(jù)同類和不同類威脅源的特點(diǎn)，分別使用S型曲線和考慮可控程度的加權(quán)融合。同時(shí)，針對(duì)單威脅源評(píng)估模型中輸入輸出節(jié)點(diǎn)確定的特點(diǎn)，將單威脅源評(píng)估模型轉(zhuǎn)換為層次結(jié)構(gòu)，按自底向上的順序進(jìn)行消元推理。實(shí)驗(yàn)結(jié)果表明，該模型能在復(fù)雜環(huán)境下對(duì)多威脅源進(jìn)行有效的綜合評(píng)估。

威脅評(píng)估；面向?qū)ο筘惾~斯網(wǎng)絡(luò)；消元推理；信息融合

Nanjing 210016,China)

0 引 言

目前，威脅評(píng)估研究的對(duì)象主要是從威脅源的角度出發(fā)，集中在多傳感器對(duì)單一威脅源的感知信息融合[1-2]及同類威脅源的威脅評(píng)估排序上[3]。但在現(xiàn)實(shí)世界中，同一受保護(hù)的目標(biāo)可能面臨多類威脅源的同時(shí)威脅，另外，威脅源的種類及數(shù)量可能隨時(shí)間變化而變化。決策者需要一個(gè)對(duì)受保護(hù)目標(biāo)在整個(gè)威脅環(huán)境中的綜合威脅評(píng)估結(jié)果作為態(tài)勢(shì)感知和決策的重要參考。王瑋教授運(yùn)用風(fēng)險(xiǎn)型多屬性決策理論，提出了不確定條件下艦艇編隊(duì)的綜合威脅評(píng)估方法[4]。該方法是在空中威脅類型不明確的情況下，結(jié)合艦隊(duì)中各戰(zhàn)艦的重要程度，給出目標(biāo)對(duì)艦隊(duì)的綜合威脅評(píng)估排名；孟光磊等針對(duì)目標(biāo)機(jī)動(dòng)變化時(shí)同時(shí)涉及的離散量和連續(xù)量問(wèn)題，提出使用混合貝葉斯網(wǎng)絡(luò)建立威脅評(píng)估模型[5]。他們雖然都考慮到了威脅環(huán)境的不確定性，但仍是對(duì)同一類威脅源的威脅評(píng)估排序，而沒(méi)有涉及到受保護(hù)目標(biāo)面臨多種類威脅源威脅的綜合評(píng)估問(wèn)題，而且上述模型均為一個(gè)不可分割的整體，可拓展性及可維護(hù)性不強(qiáng)。

針對(duì)上述不足，文中提出基于面向?qū)ο筘惾~斯網(wǎng)絡(luò)[6](OOBN)融合的綜合威脅評(píng)估模型。該模型的思想是為各類型威脅源分別構(gòu)建貝葉斯網(wǎng)絡(luò)類(BNC)，并以該類為基礎(chǔ)，根據(jù)威脅源的種類及數(shù)量實(shí)例化貝葉斯網(wǎng)絡(luò)對(duì)象(BNO)。各類型威脅源采用統(tǒng)一的貝葉斯網(wǎng)絡(luò)頂層評(píng)估類設(shè)計(jì)，為不同類威脅源的評(píng)估設(shè)計(jì)提供了統(tǒng)一的接口標(biāo)準(zhǔn)及框架，從而增強(qiáng)了模型的可拓展性，達(dá)到了在威脅源種類及數(shù)量變化的條件下評(píng)估模型相對(duì)穩(wěn)定的目的。同時(shí)，也對(duì)該模型中貝葉斯網(wǎng)絡(luò)的推理方法進(jìn)行研究?？紤]到該模型中面向?qū)ο筘惾~斯網(wǎng)絡(luò)輸入輸出確定的特點(diǎn)，提出根據(jù)貝葉斯網(wǎng)絡(luò)的建模順序，將貝葉斯網(wǎng)絡(luò)轉(zhuǎn)換為層次結(jié)構(gòu)，按自底向上的順序進(jìn)行消元推理。融合算法是在考慮各類威脅源可控程度的前提下，將單個(gè)威脅源分為類內(nèi)融合和類間融合兩個(gè)步驟，分別使用S型曲線和考慮可控程度的加權(quán)融合算法進(jìn)行融合計(jì)算。

1 可拓展的多威脅源綜合評(píng)估模型

1.1 可拓展的綜合評(píng)估框架

在復(fù)雜的戰(zhàn)場(chǎng)環(huán)境下，對(duì)某一受保護(hù)目標(biāo)(以下稱目標(biāo))進(jìn)行綜合威脅評(píng)估，涉及領(lǐng)域廣，威脅源種類及數(shù)量多，是一個(gè)復(fù)雜的系統(tǒng)工程。D.Koller和A.Pfeffer提出的面向?qū)ο筘惾~斯網(wǎng)絡(luò)，將復(fù)雜系統(tǒng)的貝葉斯網(wǎng)絡(luò)(BN)建模分解為BN類和BN對(duì)象，將問(wèn)題模塊化，各模塊可分別由不同領(lǐng)域?qū)＜一蚋鶕?jù)不同歷史數(shù)據(jù)分別設(shè)計(jì)實(shí)現(xiàn)，是復(fù)雜系統(tǒng)建模的有效工具，現(xiàn)已在許多領(lǐng)域得到廣泛應(yīng)用[6-8]。

文中提出的基于面向?qū)ο筘惾~斯網(wǎng)絡(luò)的綜合評(píng)估模型，就是根據(jù)歷史數(shù)據(jù)或?qū)＜医?jīng)驗(yàn)先為每一類威脅源分別設(shè)計(jì)BNC，再根據(jù)具體態(tài)勢(shì)環(huán)境中威脅源的種類及數(shù)量實(shí)例化BNO，求出單個(gè)威脅源的評(píng)估結(jié)果，再分類內(nèi)融合和類間融合，分別進(jìn)行威脅評(píng)估融合計(jì)算，求得最終綜合評(píng)估結(jié)果。

當(dāng)威脅環(huán)境中的威脅源種類及數(shù)量發(fā)生變化時(shí)，只需增加或刪除單威脅源的評(píng)估類，以及根據(jù)各類威脅源的實(shí)際數(shù)量實(shí)例化評(píng)估對(duì)象即可，無(wú)需重新設(shè)計(jì)評(píng)估模型，提高了模型的可拓展性和可維護(hù)性。

基于面向?qū)ο筘惾~斯網(wǎng)絡(luò)的威脅評(píng)估框架如圖1所示。

1.2 單威脅源評(píng)估

單個(gè)威脅源評(píng)估的面向?qū)ο筘惾~斯網(wǎng)絡(luò)構(gòu)建過(guò)程分為如下兩步：

第一步，構(gòu)建頂層威脅評(píng)估貝葉斯網(wǎng)絡(luò)類(TBNC)。其設(shè)計(jì)思想是，將威脅評(píng)估分解為威脅能力評(píng)估和風(fēng)險(xiǎn)因素評(píng)估兩個(gè)方面，并根據(jù)威脅源的實(shí)際情況，對(duì)威脅能力評(píng)估和風(fēng)險(xiǎn)因素評(píng)估進(jìn)行擴(kuò)展，得到基于OOBN的單個(gè)威脅源評(píng)估貝葉斯網(wǎng)絡(luò)類，即構(gòu)建面向?qū)ο筘惾~斯網(wǎng)絡(luò)類C=(Gthr,Pthr)。其中，Gthr=(Xthr,Ethr)，Xthr={Xfactor,xcap,xrank,Xother}為類C的節(jié)點(diǎn)集合(見(jiàn)表1)，Ethr為節(jié)點(diǎn)之間依賴關(guān)系的邊，Pthr是C的條件概率表(CPT)。

圖1 基于面向?qū)ο筘惾~斯網(wǎng)絡(luò)的威脅評(píng)估框架

節(jié)點(diǎn)類型屬性描述Xfactor節(jié)點(diǎn)集合輸入節(jié)點(diǎn)風(fēng)險(xiǎn)因素節(jié)點(diǎn)xcap單個(gè)節(jié)點(diǎn)輸入節(jié)點(diǎn)威脅能力節(jié)點(diǎn)xrank單個(gè)節(jié)點(diǎn)輸出節(jié)點(diǎn)風(fēng)險(xiǎn)等級(jí)評(píng)估節(jié)點(diǎn)Xother節(jié)點(diǎn)集合輸入節(jié)點(diǎn)、封裝節(jié)點(diǎn)可選節(jié)點(diǎn)

其中：威脅能力是從威脅源的角度，描述其對(duì)目標(biāo)造成威脅的能力；風(fēng)險(xiǎn)因素是從目標(biāo)的角度，描述目標(biāo)本身的屬性或活動(dòng)可能導(dǎo)致的風(fēng)險(xiǎn)。風(fēng)險(xiǎn)等級(jí)評(píng)估節(jié)點(diǎn)為貝葉斯網(wǎng)絡(luò)唯一的輸出節(jié)點(diǎn)，即單威脅源的評(píng)估結(jié)果。

第二步，構(gòu)建單威脅源評(píng)估類。在統(tǒng)一的頂層評(píng)估接口的基礎(chǔ)上，根據(jù)各類威脅源的領(lǐng)域知識(shí)及歷史數(shù)據(jù)，構(gòu)建單類威脅源的威脅評(píng)估類。

1.3 多威脅源融合

1.3.1 同類威脅源融合

融合分為同類威脅源的類內(nèi)融合和不同類威脅源的類間融合。多個(gè)同類威脅源對(duì)某一目標(biāo)的威脅是有上限的，并不是隨著該類威脅源數(shù)量的增多而無(wú)限增加的，且該上限是由該類威脅源的威脅能力所決定的。如分辨率2M的偵察衛(wèi)星，即使其偵察次數(shù)及衛(wèi)星數(shù)量再多也無(wú)法偵察到地下指揮所直徑小于2M且有植被遮擋的通風(fēng)口，這是由其裝備參數(shù)所決定的，這就是它的威脅上限，即威脅飽和度。當(dāng)偵察環(huán)境一般時(shí)，其可能連大于2M的車輛入口都無(wú)法偵察到，而隨著偵察次數(shù)及該型偵察衛(wèi)星數(shù)量的增加，其偵察效果也會(huì)大幅增加，但無(wú)論怎么增加，也不會(huì)超過(guò)2M這個(gè)偵察參數(shù)限制。因此，文中提出使用S型曲線進(jìn)行融合計(jì)算，公式為：

(1)

當(dāng)自變量加到某閾值后，隨著自變量的增大，因變量增加幅度變大；另外，該曲線還具有飽和性，即當(dāng)自變量繼續(xù)增加到某閾值后，其因變量會(huì)趨向于某飽和值。這些特性完全符合類內(nèi)融合的特點(diǎn)，故使用S型曲線進(jìn)行類內(nèi)融合是合理的。

但該模型使用的是評(píng)估等級(jí)的概率值來(lái)表示評(píng)估結(jié)果，而不是具體數(shù)量。因此，將公式改為：

(2)

其中：Pi={pi1,pi2,…,pin}，n為同類威脅源的個(gè)數(shù)，pij表示第j個(gè)威脅源的第i個(gè)威脅等級(jí)的概率值；Wi,1≤i≤m表示同類威脅源融合后的第i個(gè)威脅等級(jí)的權(quán)重，m為威脅等級(jí)的個(gè)數(shù)。

在計(jì)算完權(quán)重后，還需要?dú)w一化，才能得到最終的融合概率。S型曲線的4個(gè)參數(shù)可以通過(guò)領(lǐng)域?qū)＜覍?duì)融合結(jié)果進(jìn)行評(píng)判，得到4以上套專家融合數(shù)據(jù)或使用已有的評(píng)估數(shù)據(jù)反解得到。

上述威脅評(píng)估模型是對(duì)單個(gè)威脅源進(jìn)行評(píng)估建模。如果存在多個(gè)威脅源，則需再將各威脅源的評(píng)估結(jié)果進(jìn)行融合，得出最終的綜合評(píng)估結(jié)果。

1.3.2 不同類威脅源融合

在現(xiàn)實(shí)世界里，有些威脅源是隨機(jī)發(fā)生的，如雷電等，而有些威脅源在一定程度上是可以預(yù)防和避免的，即可以控制的，如機(jī)場(chǎng)附近的鳥對(duì)飛機(jī)起飛與降落的威脅，可以采取超聲驅(qū)趕的方法在一定程度上預(yù)防鳥與飛機(jī)相撞事故的發(fā)生。威脅源融合的基本思路就是，在綜合考慮威脅源的威脅等級(jí)及可控程度的基礎(chǔ)上，對(duì)威脅源進(jìn)行加權(quán)求和，再歸一化。

(3)

其中，fg為第g個(gè)風(fēng)險(xiǎn)等級(jí)的綜合評(píng)估結(jié)果，即為第g個(gè)風(fēng)險(xiǎn)等級(jí)的概率。

2 層次消元推理

關(guān)于貝葉斯網(wǎng)絡(luò)推理算法的研究有很多[9-11]，但不同算法適用于不同環(huán)境。該模型中，貝葉斯網(wǎng)絡(luò)對(duì)象是根據(jù)各類型威脅源的實(shí)際情況實(shí)例化得到的，各模塊設(shè)計(jì)有先后順序，且該順序就是派生及實(shí)例化的過(guò)程。模型的輸入輸出節(jié)點(diǎn)已經(jīng)確定，可以將貝葉斯網(wǎng)絡(luò)轉(zhuǎn)換為一種層次關(guān)系，并按照這種層次順序進(jìn)行消元推理，即將下層推理的結(jié)果，作為上層推理的軟證據(jù)，從而無(wú)需將OOBN轉(zhuǎn)換為團(tuán)樹，更不需使用團(tuán)樹雙向推理算法推理求所有變量的結(jié)果[12-13]。

兩層貝葉斯網(wǎng)絡(luò)轉(zhuǎn)換效果如圖2所示。

圖2 兩層貝葉斯網(wǎng)絡(luò)轉(zhuǎn)換效果

貝葉斯網(wǎng)絡(luò)轉(zhuǎn)換層次結(jié)構(gòu)的算法如下：

算法：L=ConvertBNtoLayer(Q)。

輸入：Q為威脅評(píng)估貝葉斯網(wǎng)絡(luò)對(duì)象，其中有n個(gè)內(nèi)部對(duì)象；

輸出：L：li?L,li為第i層所有貝葉斯網(wǎng)絡(luò)模塊的集合。

(1)頂層貝葉斯網(wǎng)絡(luò)對(duì)象Q1加入集合l1，記Q1→l1；

(2)置當(dāng)前工作層L為1，即L=1；

(3)遍歷第L層的所有貝葉斯網(wǎng)絡(luò)對(duì)象(Qi為L(zhǎng)層第i個(gè)對(duì)象)；

(4)遍歷Qi中的輸入節(jié)點(diǎn)I(Qi)(Ir(Qi)表示Qi中的第r個(gè)輸入節(jié)點(diǎn))；

(5)找到將Ir(Qi)作為輸出節(jié)點(diǎn)的貝葉斯網(wǎng)絡(luò)對(duì)象Q'；

(6)Q'→lL+1；

(7)結(jié)束；

(8)L=L+1；

(9)結(jié)束。

3 實(shí)驗(yàn)及分析

地下指揮所日常最大的威脅就是敵方對(duì)入口的偵察威脅，文中將地下指揮所面臨的偵察威脅作為上述模型的威脅評(píng)估實(shí)例。根據(jù)上述威脅評(píng)估模型，將偵察威脅等級(jí)分為兩個(gè)狀態(tài)，即暴露與非暴露。下文將暴露的概率稱為暴露度。暴露度評(píng)估逐層分解為暴露風(fēng)險(xiǎn)因素、威脅能力、屬性及子屬性等。其中，不同威脅源根據(jù)偵察威脅的特點(diǎn)，分解為目標(biāo)意圖和偵察能力等，不同的威脅源對(duì)應(yīng)不同貝葉斯網(wǎng)絡(luò)模塊。

3.1 威脅等級(jí)評(píng)估貝葉斯網(wǎng)絡(luò)類

暴露度類是整個(gè)OOBN所有貝葉斯網(wǎng)絡(luò)的基類，由1個(gè)威脅能力和2個(gè)威脅因素組成。2個(gè)威脅因素分別是我方活動(dòng)、入口狀態(tài)。同時(shí)，威脅能力又可再分為目標(biāo)意圖、偵察時(shí)間和偵察能力。文中約定虛線節(jié)點(diǎn)為輸入節(jié)點(diǎn)，陰影節(jié)點(diǎn)為輸出節(jié)點(diǎn)。具體示意如圖3所示。

圖3 暴露度類

人工偵察暴露度類繼承自暴露度類，并對(duì)該類的目標(biāo)意圖、偵察能力和我方活動(dòng)進(jìn)行拓展。分別建立了目標(biāo)意圖類、偵察能力類和我方活動(dòng)類，并且將其輸出節(jié)點(diǎn)作為該暴露度類的輸入節(jié)點(diǎn)，從而拓展為人工偵察威脅暴露度類。

光學(xué)衛(wèi)星偵察暴露度類與人工偵察暴露度類相似，也是繼承自暴露度類。由于篇幅有限，只給出了人工偵察暴露度類，如圖4所示。

圖4 人工偵察暴露度類

3.2 仿真實(shí)驗(yàn)

設(shè)某地下指揮所，在某段時(shí)間中有m個(gè)陌生人在周圍活動(dòng)，同時(shí)有n個(gè)光學(xué)偵察衛(wèi)星過(guò)境偵察。首先需要確定評(píng)估時(shí)間，根據(jù)當(dāng)時(shí)的威脅環(huán)境，確定每個(gè)威脅源的狀態(tài)，確定威脅評(píng)估貝葉斯網(wǎng)絡(luò)輸入節(jié)點(diǎn)的輸入狀態(tài)，即分別為人工偵察威脅評(píng)估類和光學(xué)偵察衛(wèi)星威脅評(píng)估類實(shí)例化m和n個(gè)對(duì)象，每個(gè)對(duì)象對(duì)應(yīng)一個(gè)具體的威脅源，并將計(jì)算結(jié)果作為單個(gè)威脅源的暴露度，最后對(duì)各單個(gè)威脅源暴露度進(jìn)行融合計(jì)算，得出最終的綜合評(píng)估結(jié)果。

假設(shè)某天中，地下指揮所有2個(gè)陌生人在周圍活動(dòng)，有2個(gè)光學(xué)偵察衛(wèi)星過(guò)境偵察，則該態(tài)勢(shì)下的偵察威脅評(píng)估及融合過(guò)程，如圖5所示。

圖5 面向?qū)ο筘惾~斯網(wǎng)絡(luò)及融合計(jì)算實(shí)例

從圖中可以看出，輸入與輸出的架構(gòu)都是不變的，變的只是貝葉斯網(wǎng)絡(luò)對(duì)象的數(shù)量。該數(shù)量由評(píng)估時(shí)的態(tài)勢(shì)確定。如果沒(méi)有陌生人在地下指揮所周邊活動(dòng)，則不用實(shí)例化人工偵察暴露度類，即沒(méi)有人工偵察這一類威脅源，從而提出了模型的可維護(hù)性。

實(shí)驗(yàn)中參數(shù)數(shù)量較多，各狀態(tài)不能一一列舉，表2選取其中7個(gè)參數(shù)的五組輸入?yún)?shù)狀態(tài)作為實(shí)驗(yàn)對(duì)比，另有7個(gè)參數(shù)固定不變(出現(xiàn)頻次：中等；收入：中等；職業(yè)：企業(yè)主；裝備：無(wú)；能見(jiàn)度：中等；距離：中等；衛(wèi)星高度：中等)。根據(jù)這些參數(shù)按照上述步驟，分別進(jìn)行推理及融合計(jì)算。仿真實(shí)驗(yàn)結(jié)果如表2所示。

第1套參數(shù)，為地下指揮所入口日常偽裝時(shí)的暴露度，可見(jiàn)偽裝時(shí)暴露度很低。第2套參數(shù)，當(dāng)?shù)叵轮笓]所入口偽裝撤除，洞口打開時(shí)，暴露度急劇增高。第3套參數(shù)，雖然洞口偽裝良好，但地下指揮所附近有軍用車輛活動(dòng)時(shí)，暴露度比日常偽裝時(shí)略有增加。第4套參數(shù)，當(dāng)有人員活動(dòng)時(shí)，暴露度與日常偽裝時(shí)非常接近，說(shuō)明人員活動(dòng)對(duì)于暴露度影響微弱。第5套參數(shù)，雖然入口為打開，有車輛活動(dòng)，但云次厚度較高，故與第2套參數(shù)相比，仍能保持相對(duì)低的暴露度。

表2 可變參數(shù)及結(jié)果

4 結(jié)束語(yǔ)

綜合威脅評(píng)估是一個(gè)復(fù)雜的系統(tǒng)工程，尤其是當(dāng)威脅源種類及數(shù)量變化時(shí)，需要一種可動(dòng)態(tài)增加刪減的模塊化威脅評(píng)估模型。文中運(yùn)用面向?qū)ο筘惾~斯網(wǎng)絡(luò)，提出了基于貝葉斯網(wǎng)絡(luò)對(duì)象融合的綜合威脅評(píng)估模型，并對(duì)模型中的單威脅源推理及多威脅源融合算法進(jìn)行研究，提出了基于貝葉斯網(wǎng)絡(luò)分層轉(zhuǎn)換的單向?qū)哟蜗评硭惴ê头诸惾诤纤惴?，解決了多類威脅源的綜合評(píng)估問(wèn)題，提高了評(píng)估模型的可拓展性和可維護(hù)性。最后，實(shí)驗(yàn)驗(yàn)證了該模型的有效性。

[1] 吳 瑕,周 焰,蔡益朝,等.多傳感器目標(biāo)融合識(shí)別系統(tǒng)模型研究現(xiàn)狀與問(wèn)題[J].宇航學(xué)報(bào),2010,31(5):1413-1420.

[2] 萬(wàn)樹平.基于熵權(quán)的多傳感器目標(biāo)識(shí)別方法[J].系統(tǒng)工程與電子技術(shù),2009,31(3):500-502.

[3] 朱勝偉,周德云,李兆強(qiáng).基于改進(jìn)的主成分分析法的目標(biāo)威脅評(píng)估[J].計(jì)算機(jī)仿真,2010,27(3):1-4.

[4] 王 瑋,史紅權(quán),周愛(ài)軍,等.不確定條件下編隊(duì)協(xié)同作戰(zhàn)空中目標(biāo)威脅評(píng)估[J].指揮控制與仿真,2014,36(4):12-15.

[5] 孟光磊,龔光紅.基于混合貝葉斯網(wǎng)的空域目標(biāo)威脅評(píng)估方法[J].系統(tǒng)工程與電子技術(shù),2010,32(11):2398-2401.

[6]KollerD，PfefferA.Object-orientedBayesiannetworks[C]//Proceedingsofthethirteenthconferenceonuncertaintyinartificialintelligence.[s.l.]:MorganKaufmannPublishersInc.，1997:302-313.

[7]Su?nikJ,MolinaJL,Vamvakeridou-LyroudiaLS,etal.Comparativeanalysisofsystemdynamicsandobject-orientedBayesiannetworksmodellingforwatersystemsmanagement[J].WaterResourcesManagement,2013,27(3):819-841.

[8]KasperD,WeidlG,DangT,etal.Object-orientedBayesiannetworksfordetectionoflanechangemaneuvers[J].IEEEIntelligentTransportationSystemsMagazine,2012,4(3):19-31.

[9] 王 浩,曹龍雨,姚宏亮,等.基于結(jié)構(gòu)分析的局部Gibbs抽樣自動(dòng)推理算法[J].模式識(shí)別與人工智能,2013,26(4):382-391.

[10]LeeSH,YangKM,ChoSB.IntegratedmodularBayesiannetworkswithselectiveinferenceforcontext-awaredecisionmaking[J].Neurocomputing,2015,163:38-46.

[11]ButzCJ,YanW,LingrasP,etal.TheCPTstructureofvariableeliminationindiscreteBayesiannetworks[J].AdvancesIntelligentInformationSystem,2010,265:245-257.

[12] 田鳳占,張宏偉,陸玉昌,等.多模塊貝葉斯網(wǎng)絡(luò)中推理的簡(jiǎn)化[J].計(jì)算機(jī)研究與發(fā)展,2003,40(8):1230-1237.

[13] 胡春玲,胡學(xué)鋼,姚宏亮.改進(jìn)的基于鄰接樹的貝葉斯網(wǎng)絡(luò)推理算法[J].模式識(shí)別與人工智能,2011,24(6):846-855.

Threat Source Comprehensive Evaluation Model Based on Object-oriented Bayesian Networks

WANG Wei，YAN Xue-feng

(College of Computer Science and Technology,Nanjing University of Aeronautics & Astronautics,

Aiming at problems of massive threat source type,hard modeling and poor maintainability,a threat source comprehensive evaluation model is put forward based on object-oriented Bayesian network,and a level elimination reasoning algorithm of single threat source is proposed according to the characteristics of the model.A unified standard interface and framework is presented by the designing of top class of evaluation.Based on the characteristics of the similar and different threat source,respectively,fuse algorithm uses the S type curve and considers controllable degree of weighted fusion.At the same time,in view of characteristics determined by input and output node in the assessment model of single source threat,which is converted into a hierarchical structure,according to the order of bottom-up for elimination reasoning.Experiment shows that this model can be effective comprehensive evaluation for the multi-threat source in the complex environment.

threat assessment;object-oriented Bayesian networks;variable elimination reasoning;information fusion

2015-08-22

2015-11-24

時(shí)間：2016-05-05

國(guó)防科工局“十二五”重大基礎(chǔ)科研項(xiàng)目(0420110005，NS2013091)

王 巍(1983-)，男，碩士研究生，研究方向?yàn)橄到y(tǒng)建模與仿真；燕雪峰，教授，研究方向?yàn)閺?fù)雜系統(tǒng)仿真、分布交互仿真等。

http://www.cnki.net/kcms/detail/61.1450.TP.20160505.0829.096.html

TP311

A

1673-629X(2016)05-0007-05

10.3969/j.issn.1673-629X.2016.05.002