融合計(jì)算遷移模型的態(tài)勢感知策略實(shí)現(xiàn)方法研究

收稿日期：2023-10-07

DOI：10.19850/j.cnki.2096-4706.2024.07.034

摘? 要：針對現(xiàn)有態(tài)勢感知技術(shù)存在數(shù)據(jù)處理效率低、數(shù)據(jù)傳輸時(shí)間長以及預(yù)警反應(yīng)慢等問題，提出一種融合計(jì)算遷移模型的態(tài)勢感知策略。首先引入計(jì)算遷移模型，在蒙特卡洛-香濃數(shù)學(xué)思想的指引下將傳感器實(shí)時(shí)收集的多源異構(gòu)監(jiān)測數(shù)據(jù)分發(fā)至邊緣層中各突觸節(jié)點(diǎn)；然后對數(shù)據(jù)進(jìn)行特征值提取，得到特征值矩陣；最后采用修正余弦相似度算法所對收集的數(shù)據(jù)加以分析，并做出相應(yīng)的決策。實(shí)驗(yàn)結(jié)果表明，相較于現(xiàn)有方法，該策略可縮減35.3%的數(shù)據(jù)傳輸與比較時(shí)間，提升了20.22%的對比準(zhǔn)確度。

關(guān)鍵詞：主動預(yù)警；態(tài)勢感知；多源異構(gòu)數(shù)據(jù)；計(jì)算遷移模型

中圖分類號：TP301.6 文獻(xiàn)標(biāo)識碼：A 文章編號：2096-4706（2024）07-0172-07

Research on the Implementation Method of Situational Awareness Strategy Integrating Computational Migration Model

PENG Yongqian

（Department of Big Data and E-Commerce， Qiannan Polytechnic for Nationalities， Duyun? 558022， China）

Abstract： Aiming at the problems of low data processing efficiency， long data transmission time and slow warning response of existing situational awareness technologies， a situational awareness strategy incorporating computational migration model is proposed. Firstly， the computational migration model is introduced， and the heterogeneous monitoring data from multiple sources collected by sensors in real time are distributed to each synaptic node in the edge layer under the guidance of Monte Carlo-Shannon mathematical ideas; then the eigenvalue extraction of the data is carried out to obtain the eigenvalue matrix; finally， the modified cosine similarity algorithm is used to analyze the collected data and make the corresponding decisions. The experimental results show that compared with the existing methods， this strategy can reduce the data transmission and comparison time by 35.3% and improve the comparison accuracy by 20.22%.

Keywords： proactive early warning; situational awareness; multi-source heterogeneous data; computational transfer model

0? 引? 言

態(tài)勢感知[1-3]以大數(shù)據(jù)為基礎(chǔ)，識別、理解和分析相關(guān)的數(shù)據(jù)信息，并在此基礎(chǔ)上對未來的發(fā)展趨勢進(jìn)行預(yù)測[4，5]，進(jìn)而適時(shí)做出下一步的決策。近年來，隨著人們對網(wǎng)絡(luò)安全的愈發(fā)重視，態(tài)勢感知策略的應(yīng)用越來越廣泛，逐漸滲透到金融行業(yè)、監(jiān)管機(jī)構(gòu)及安全分析等領(lǐng)域[6]，這些領(lǐng)域無時(shí)無刻不在產(chǎn)生大量的時(shí)序數(shù)據(jù)[7，8]。因此，對時(shí)序數(shù)據(jù)進(jìn)行高效預(yù)測是規(guī)避安全風(fēng)險(xiǎn)的基礎(chǔ)，也是領(lǐng)域研究的熱點(diǎn)和難點(diǎn)。但隨著監(jiān)測環(huán)境的不斷變化，傳統(tǒng)的態(tài)勢感知策略已無法應(yīng)對愈發(fā)復(fù)雜的監(jiān)測環(huán)境，處理效率和準(zhǔn)確性都有所降低。現(xiàn)有的態(tài)勢感知策略使用特征矩陣的態(tài)勢預(yù)測方法，通過將收集到的時(shí)序數(shù)據(jù)映射至對應(yīng)的時(shí)序矩陣[9]，并通過提取矩陣的特征來實(shí)現(xiàn)時(shí)序數(shù)據(jù)[10，11]的相關(guān)態(tài)勢預(yù)測。

針對上述問題，本文提出一種融合計(jì)算遷移模型[12，13]的態(tài)勢感知策略（Computational Migration Situational Awareness， CMSA）。主要內(nèi)容如下：

1）基于工廠運(yùn)轉(zhuǎn)數(shù)據(jù)的時(shí)序特征，結(jié)合采用Transformer模型、多頭注意力機(jī)制、殘差網(wǎng)絡(luò)算法構(gòu)建時(shí)序特征矩陣，繼而提出一種基于特征矩陣全新的態(tài)勢感知策略（New Situational Awareness， NSA）。

2）在此基礎(chǔ)上，針對NSA策略不適用于單一節(jié)點(diǎn)數(shù)據(jù)量大、計(jì)算任務(wù)繁重的問題，在蒙特卡洛-香農(nóng)數(shù)學(xué)思想的指引下提出一種融合計(jì)算遷移模型的態(tài)勢感知策略。

3）在計(jì)算遷移模型中，通過三層邊緣計(jì)算網(wǎng)絡(luò)模型實(shí)現(xiàn)時(shí)序數(shù)據(jù)的高效采集、分配和處理，在保證高準(zhǔn)確度的前提下進(jìn)一步提升處理效率。

1? 相關(guān)工作

目前，許多學(xué)者對態(tài)勢感知策略進(jìn)行了深入的研究并取得了一定的研究成果。文獻(xiàn)[14]中提出了基于決策樹的車聯(lián)網(wǎng)安全態(tài)勢預(yù)測模型對特定的屬性進(jìn)行分類，使用信息增益率構(gòu)建決策樹，進(jìn)而實(shí)現(xiàn)車聯(lián)網(wǎng)安全態(tài)勢預(yù)測，該模型能夠提高預(yù)測的準(zhǔn)確性，但卻忽略了車輛行駛的長距離性；文獻(xiàn)[15]中提出一種基于長短期記憶（LSTM）和多頭注意力機(jī)制的混合模型，用于預(yù)測給定的時(shí)間序列，該模型在對稱平均絕對百分比誤差方面優(yōu)于大多數(shù)測試方法，但卻未對時(shí)序數(shù)據(jù)進(jìn)行特征提取，預(yù)警準(zhǔn)確性較低；文獻(xiàn)[16]中提出一種時(shí)空神經(jīng)網(wǎng)絡(luò)（GCN-DHSTNet）模型，通過圖卷積網(wǎng)絡(luò)進(jìn)行建模，基于節(jié)點(diǎn)之間的全局空間關(guān)系動態(tài)學(xué)習(xí)流量數(shù)據(jù)的時(shí)空特征，進(jìn)而同時(shí)處理交通流中復(fù)雜的動態(tài)時(shí)空依賴關(guān)系，該模型有效地捕獲了動態(tài)時(shí)間的相關(guān)性，但只能在節(jié)點(diǎn)距離較小的情況下使用；文獻(xiàn)[17]基于格拉姆角場理論對偏離量變化進(jìn)行時(shí)序相關(guān)性理解，建立卷積神經(jīng)網(wǎng)絡(luò)模型預(yù)測系統(tǒng)未來發(fā)展趨勢，該方法對后續(xù)態(tài)勢預(yù)測的準(zhǔn)確率較高，但卻未考慮計(jì)算負(fù)載；文獻(xiàn)[18]中提出名為IPSO-ABiLSTM的情況預(yù)測模型，該模型將改進(jìn)的粒子群優(yōu)化算法（IPSO）和注意力機(jī)制與雙向長短期記憶（ABiLSTM）相融合，能夠快速收斂神經(jīng)網(wǎng)絡(luò)的參數(shù)，但卻未對數(shù)據(jù)本身進(jìn)行處理。

2? 基于特征矩陣的態(tài)勢感知策略構(gòu)建

為實(shí)現(xiàn)工廠內(nèi)時(shí)序數(shù)據(jù)的高效對比以及提取特征值的穩(wěn)定性，基于Transformer自然語言處理模型，融合多頭注意力機(jī)制（Multi-Head Attention， MHA）、殘差網(wǎng)絡(luò)算法（Residual Network， ResNet）、全局平均池化算法（Global Average Pooling， GAP）以及修正余弦相似度算法（Adjusted Cosine Similarity， ACS），提出了全新的態(tài)勢感知策略。

2.1? 從監(jiān)測數(shù)據(jù)集到監(jiān)測數(shù)據(jù)矩陣的映射

考慮到復(fù)雜工廠環(huán)境中多目標(biāo)傳感器收集的實(shí)時(shí)數(shù)據(jù)可能存在差異性，本文將傳感器收集到的某時(shí)刻監(jiān)測數(shù)據(jù)構(gòu)造為多源異構(gòu)數(shù)據(jù)矩陣的形式：

（1）

其中，g表示監(jiān)測目標(biāo)編號，k表示某時(shí)段內(nèi)傳感器監(jiān)測的次數(shù)，m表示某時(shí)段內(nèi)傳感器監(jiān)測數(shù)據(jù)的方差，n表示某時(shí)段內(nèi)傳感器監(jiān)測數(shù)據(jù)的最大值。

由式（1）可得，任意時(shí)刻監(jiān)測設(shè)備的M組數(shù)據(jù)可表示為：

（2）

由式（2）可得，在K時(shí)段內(nèi)構(gòu)建的多源異構(gòu)向量Ω可表示為：

（3）

由式（3）可得，在K時(shí)段內(nèi)，L個(gè)用戶終端發(fā)送給計(jì)算節(jié)點(diǎn)的向量數(shù)據(jù)集可表示為：

（4）

其中，所構(gòu)建的多源異構(gòu)數(shù)據(jù)集Γ即為監(jiān)測數(shù)據(jù)集矩陣。

2.2? 監(jiān)測數(shù)據(jù)矩陣的態(tài)勢預(yù)測

由上文k時(shí)段內(nèi)各用戶終端的向量數(shù)值可知，NSA策略時(shí)刻都要處理多個(gè)矩陣數(shù)據(jù)，因此特征值提取速度直接決定了數(shù)據(jù)的處理速度?；诖耍疚睦肕HA機(jī)制和Transformer模型共同提取矩陣的特征值，直接計(jì)算任意兩個(gè)位置之間的依賴關(guān)系，進(jìn)而更好地捕捉長距離的依賴關(guān)系，防止過擬合現(xiàn)象的發(fā)生。同時(shí)，每一個(gè)注意力頭都可以獨(dú)立計(jì)算權(quán)重比，實(shí)現(xiàn)多線程處理數(shù)據(jù)。與此同時(shí)，該策略還引入了ResNet算法，通過增加網(wǎng)絡(luò)的深度進(jìn)一步提高了特征值的提取準(zhǔn)確率。監(jiān)測數(shù)據(jù)矩陣的特征值提取如圖1所示。

在圖1中，ResNet算法對K時(shí)段內(nèi)的監(jiān)測數(shù)據(jù)向量集Г = [Ω1，Ω2，…，ΩL]進(jìn)行特征值提取，而后通過GAP算法處理提取后的特征數(shù)據(jù)。GAP算法的特點(diǎn)包括：

1）降維。

2）近似的平移不變性。采用ResNet算法對處理后的特征值進(jìn)行運(yùn)算，得到一個(gè)q×q的特征塊，進(jìn)行全連接處理后得出最終待比較的特征向量。

為進(jìn)一步簡化NSA策略，將上文得出的待比較特征向量的后續(xù)處理問題簡化為向量之間的相似度計(jì)算，通過ACS算法對待比較的特征向量x1與策略中已保存的設(shè)備運(yùn)轉(zhuǎn)正常的特征向量x2進(jìn)行對比：

（5）

比較過程如圖2所示。

圖2? 特征矩陣的態(tài)勢預(yù)測

由圖2可知，采用ACS算法對分割后的單一特征向量進(jìn)行相似度計(jì)算，計(jì)算結(jié)果的平均值即為最終的相似度結(jié)果。如該值低于某個(gè)閾值，意味著未來一段時(shí)間內(nèi)被監(jiān)測設(shè)備可能會出現(xiàn)問題，從而主動發(fā)出預(yù)警信息。

3? 融合計(jì)算遷移模型的態(tài)勢感知策略

隨著監(jiān)測數(shù)據(jù)呈指數(shù)級增長，NSA策略對數(shù)據(jù)的處理速度逐漸下降。為提高數(shù)據(jù)處理速度，本文提出了CMSA算法。

3.1? CMSA算法要義

在CMSA算法中，通過計(jì)算帶寬資源處理數(shù)據(jù)的時(shí)間以及傳輸數(shù)據(jù)耗時(shí)來判斷是否需要進(jìn)行數(shù)據(jù)躍遷處理。假設(shè)用戶終端為Xi，i ∈ {1，2，…，N}，突觸節(jié)點(diǎn)為Yi，i ∈ {1，2，…，M}，每個(gè)用戶終端可以將計(jì)算任務(wù)遷移到一個(gè)或多個(gè)突觸節(jié)點(diǎn)中。當(dāng)用戶終端有任務(wù)需要計(jì)算時(shí)，算法將會發(fā)送任務(wù)遷移請求，將需要計(jì)算的任務(wù)數(shù)據(jù)D發(fā)送給其他突觸節(jié)點(diǎn)。突觸節(jié)點(diǎn)中每個(gè)任務(wù)都存在如下任務(wù)函數(shù)：

（6）

其中，Dij表示第i個(gè)用戶終端給第j個(gè)突觸節(jié)點(diǎn)分配的數(shù)據(jù)；αij表示突觸節(jié)點(diǎn)給當(dāng)前任務(wù)分配的算力資源占比；βij表示突觸節(jié)點(diǎn)給當(dāng)前任務(wù)分配的帶寬資源占比；λij表示第i個(gè)用戶終端給第j個(gè)突觸節(jié)點(diǎn)分配的傳輸數(shù)據(jù)時(shí)間；σij表示第i個(gè)用戶終端給第j個(gè)突觸節(jié)點(diǎn)分配的處理數(shù)據(jù)時(shí)間。每增加一個(gè)突觸節(jié)點(diǎn)，其他節(jié)點(diǎn)處理的數(shù)據(jù)量Dj就會被新增的節(jié)點(diǎn)平分，即：

（7）

隨著其他節(jié)點(diǎn)處理數(shù)據(jù)量的增多，相應(yīng)的時(shí)間σij會減少，而對應(yīng)的數(shù)據(jù)傳輸時(shí)間λij會增加。因此CMSA算法的宗旨即是在動態(tài)中尋找G（m）的最小值，m為突觸節(jié)點(diǎn)最佳使用個(gè)數(shù)，即：

（8）

第i個(gè)突觸節(jié)點(diǎn)處理數(shù)據(jù)所用時(shí)間可表示為：

（9）

每次計(jì)算任務(wù)執(zhí)行完畢后，函數(shù)信息Tij會被重置。假設(shè)各用戶終端與突觸節(jié)點(diǎn)之間的信道環(huán)境與噪聲皆相同，在蒙特卡洛-香農(nóng)數(shù)學(xué)思想下上行鏈路速率（Uplink Rate， UR）可以表示為：

（10）

其中，H0表示信道增益常量，Pij表示第i個(gè)用戶終端與第j個(gè)突觸節(jié)點(diǎn)的信號傳輸功率；Fij表示第i個(gè)用戶終端與第j個(gè)突觸節(jié)點(diǎn)的信號損耗功率；dij表示第i個(gè)用戶終端與第j個(gè)突觸節(jié)點(diǎn)的傳輸距離；S0表示傳輸信道路徑損耗系數(shù)。由式（6）和式（10）可知，λij的傳輸時(shí)間可表示為：

（11）

由上述計(jì)算式可知，數(shù)據(jù)在傳播至突觸節(jié)點(diǎn)時(shí)，還需考慮傳輸距離帶來的損耗和傳輸時(shí)間。

3.2? CMSA算法架構(gòu)搭建

CMSA算法是一個(gè)擁有三層邊緣計(jì)算網(wǎng)絡(luò)的模型，該算法的架構(gòu)圖如圖3所示。

第一層是用戶層，該層位于模型的最底層，其中包含多個(gè)用戶塊。每個(gè)用戶塊包括一個(gè)用戶終端和多個(gè)種類的傳感器，這些傳感器用于監(jiān)測運(yùn)轉(zhuǎn)機(jī)器產(chǎn)生的各類數(shù)據(jù)，并將數(shù)據(jù)發(fā)送至對應(yīng)的用戶終端進(jìn)行數(shù)據(jù)清洗。

第二層是邊緣層，該層包含M個(gè)計(jì)算節(jié)點(diǎn)，各節(jié)點(diǎn)都是NSA策略的一個(gè)突觸節(jié)點(diǎn)。當(dāng)數(shù)據(jù)通過用戶終端上傳到突觸節(jié)點(diǎn)時(shí)，該策略會對上傳的數(shù)據(jù)執(zhí)行特征點(diǎn)提取、優(yōu)化權(quán)重比等操作，還會將各個(gè)突觸節(jié)點(diǎn)計(jì)算的最終特征權(quán)重值上傳到云層，便于云層執(zhí)行下一步的操作。

第三層是云層，該層包含算力更強(qiáng)的服務(wù)器，這些服務(wù)器是CMSA算法的核心。對機(jī)器正常運(yùn)轉(zhuǎn)時(shí)的各特征值信息與突觸節(jié)點(diǎn)上傳的特征值信息進(jìn)行相似度計(jì)算，根據(jù)計(jì)算結(jié)果判斷是否需要預(yù)警。

4? 實(shí)驗(yàn)與分析

本文實(shí)驗(yàn)環(huán)境為24臺2 TB存儲空間、128 GB RAM、16核24線程i9-13900K CPU的服務(wù)器集群，服務(wù)器之間采用高速局域網(wǎng)通信，每臺服務(wù)器均部署CentOS 7.9.112操作系統(tǒng)。實(shí)驗(yàn)數(shù)據(jù)集為基于傳感器對某印刷廠海德堡印刷機(jī)收集的實(shí)時(shí)數(shù)據(jù)，在機(jī)器設(shè)備的前部、中部、后部分別配置一套傳感器組，每組傳感器均包含電流、電壓、溫度、濕度、壓力五個(gè)類型的傳感器，傳感器每隔180秒收集一次數(shù)據(jù)。從數(shù)據(jù)傳輸與處理時(shí)間、特征值對比準(zhǔn)確度、算法魯棒性三個(gè)方面驗(yàn)證CMSA算法所具有的低耗時(shí)、高精度和高魯棒性優(yōu)點(diǎn)。

4.1? 數(shù)據(jù)預(yù)處理

本節(jié)主要是對傳感器收集的數(shù)據(jù)執(zhí)行預(yù)處理操作。對于缺失的數(shù)據(jù)，通過補(bǔ)采方式補(bǔ)全；對于重復(fù)數(shù)據(jù)，基于基本近鄰排序算法對其進(jìn)行濾重；對于錯(cuò)誤數(shù)據(jù)，直接刪除不遵守分布或回歸方程的值。本次數(shù)據(jù)預(yù)處理模擬收集L個(gè)用戶終端、K個(gè)時(shí)間節(jié)點(diǎn)、M = 10 000組數(shù)據(jù)信息，所收集的部分?jǐn)?shù)據(jù)信息如圖4所示。

4.2? 數(shù)據(jù)傳輸與處理時(shí)間對比

在CMSA模型中，假設(shè)有5個(gè)突觸節(jié)點(diǎn)且這5個(gè)突觸節(jié)點(diǎn)均處于同一服務(wù)器內(nèi)，其帶寬資源均為50 MB/s，計(jì)算資源均為200 MB/s，數(shù)據(jù)傳輸功率、損耗功率以及信道增益常量等性能均相同。每個(gè)突觸節(jié)點(diǎn)處理數(shù)據(jù)時(shí)，其帶寬資源和計(jì)算資源不會發(fā)生離散現(xiàn)象，故而αij = 50 MB/s、βij = 200 MB/s。在距離方面，假設(shè)后一個(gè)突觸節(jié)點(diǎn)到用戶終端的距離均為前一個(gè)節(jié)點(diǎn)的2倍，設(shè)d11 = 1單位距離，使用不同數(shù)量突觸節(jié)點(diǎn)對CMSA算法的影響如表1所示。

由表1中的數(shù)據(jù)和式（8）可知，當(dāng)m = 2時(shí)，CMSA算法模型獲得了最佳數(shù)量的突觸節(jié)點(diǎn)。此時(shí)，CMSA算法會采用2個(gè)突觸節(jié)點(diǎn)中的NSA策略來處理數(shù)據(jù)特征值。為了更加全面地驗(yàn)證上述實(shí)驗(yàn)的準(zhǔn)確性，本節(jié)用計(jì)算機(jī)仿真出50個(gè)突觸節(jié)點(diǎn)的情況，當(dāng)各項(xiàng)參數(shù)不變時(shí)，實(shí)驗(yàn)結(jié)果如圖5所示。

通過對圖5實(shí)驗(yàn)數(shù)據(jù)的觀察可知，當(dāng)m = 2時(shí)，CMSA算法模型獲得了最佳數(shù)量的突觸節(jié)點(diǎn)。

4.3? 特征值對比準(zhǔn)確度

假設(shè)所有測試均在同一環(huán)境下進(jìn)行，第一組：傳統(tǒng)神經(jīng)網(wǎng)絡(luò)RNN+余弦相似度；第二組：長短期記憶網(wǎng)絡(luò)LSTM+余弦相似度；第三組：Self-attention（自我注意力）的Transformer+余弦相似度；第四組：CMSA算法模型。為了使實(shí)驗(yàn)結(jié)果數(shù)據(jù)更具對比性，在所測試的10 000組數(shù)據(jù)中，隨機(jī)修改12%的數(shù)據(jù)作為設(shè)備的故障數(shù)據(jù)。各算法處理數(shù)據(jù)結(jié)果如圖6所示。

由圖6可知，在數(shù)據(jù)處理耗時(shí)方面，CMSA算法相比其他三種算法可縮減35.3%的傳輸與比較時(shí)間，這是由于該算法使用了計(jì)算遷移模型，能有效利用高并發(fā)處理大量時(shí)序數(shù)據(jù)，減少了資源的浪費(fèi)和時(shí)間的耗損；在數(shù)據(jù)處理準(zhǔn)確度方面，CMSA算法相比其他三種算法平均提升了20.22%的對比準(zhǔn)確度，這是由于CMSA算法在Transformer的基礎(chǔ)上融合了MHA機(jī)制和ResNet算法，能夠有效避免梯度爆炸、梯度消失等問題的出現(xiàn)，進(jìn)而提高了特征值提取和數(shù)據(jù)處理的準(zhǔn)確度。

4.4? 算法魯棒性驗(yàn)證

驗(yàn)證CMSA算法的魯棒性，對比實(shí)驗(yàn)沿用上一小節(jié)的實(shí)驗(yàn)內(nèi)容。在本節(jié)的實(shí)驗(yàn)中，分別選取4組實(shí)驗(yàn)在相同時(shí)間節(jié)點(diǎn)處理數(shù)據(jù)的耗時(shí)情況（50個(gè)時(shí)間節(jié)點(diǎn)），如圖7所示。

由圖7可知，相比第一種算法，CMSA算法去除了梯度消失的陷阱，糾正了特征值提取時(shí)將會出現(xiàn)的錯(cuò)誤；相比第二種算法，CMSA算法降低了處理數(shù)據(jù)耗時(shí)的波動幅度，增加了系統(tǒng)的魯棒性；相比第三種算法，CMSA算法降低了處理數(shù)據(jù)的用時(shí)，能夠做到更加合理地分配資源。

5? 結(jié)? 論

本文提出一種融合計(jì)算遷移模型用于實(shí)現(xiàn)工廠主動預(yù)警的態(tài)勢感知策略方法。首先構(gòu)建一個(gè)三層的邊緣計(jì)算網(wǎng)絡(luò)模型，各層可滿足不同的功能需求，同時(shí)引入了計(jì)算遷移模型，將傳感器收集的實(shí)時(shí)數(shù)據(jù)分發(fā)至邊緣層中的各突觸節(jié)點(diǎn)；然后提取數(shù)據(jù)的特征值，得出對應(yīng)的特征值矩陣；最后提出修正余弦相似度算法進(jìn)行向量間的相似度比較，并根據(jù)比較結(jié)果決定是否進(jìn)行主動預(yù)警。實(shí)驗(yàn)結(jié)果表明，相較于現(xiàn)有方法，本文方法在計(jì)算效率、預(yù)警準(zhǔn)確性等方面具有很大優(yōu)勢，為工廠主動預(yù)警的順利實(shí)現(xiàn)提供一條有效途徑。

參考文獻(xiàn)：

[1] 張紅斌，尹彥，趙冬梅，等.基于威脅情報(bào)的網(wǎng)絡(luò)安全態(tài)勢感知模型 [J].通信學(xué)報(bào)，2021，42（6）：182-194.

[2] KIM J，KONG J，SOHN M，et al. Layered Ontology-based Multi-sourced Information Integration for Situation Awareness [J].The Journal of Super-Computing，2021，77（9）：9780-9809.

[3] 陳軍，張?jiān)?，陳曉威，?基于模糊灰色認(rèn)知圖的復(fù)雜戰(zhàn)場智能態(tài)勢感知建模方法 [J].兵工學(xué)報(bào)，2022，43（5）：1093-1106.

[4] SHWET K，KUMAR M P. India perspective： CNN-LSTM Hybrid Deep Learning Model-based COVID-19 Prediction and Current Status of Medical Resource Availability [J].Soft Computing，2021，26（2）：645-664.

[5] ARJOMANDI-NEZHAD A，AHMADI A，TAHERI S，et al. Pandemic-aware day-ahead demand forecasting using ensemble learning [J].IEEE Access，2022，10：7098-7106.

[6] XU H，BERRES A，YOGINATH S B，et al. Smart Mobility in the Cloud： Enabling Real-time Situational Awareness and Cyber-physical Control through a Digital Twin for Traffic [J].IEEE Transactions on Intelligent Transportation Systems，2023，24（3）：3145-3156.

[7] WAUCHOPE H S，AMANO T，GELDMANN J，et al. Evaluating Impact Using Time-Series Data [J].Trends in Ecology and Evolution，2020，36（3）：196-205.

[8] 張仁斌，左藝聰，周澤林，等.基于多模態(tài)生成對抗網(wǎng)絡(luò)的多元時(shí)序數(shù)據(jù)異常檢測 [J].計(jì)算機(jī)科學(xué)，2023，50（5）：355-362.

[9] CUI A J，HE C K，CHANG C H，et al. Identification of FSM State Registers by Analytics of Scan-Dump Data [J].IEEE Transactions on Information Forensics and Security，2021，16：5138-5153.

[10] K?HLER J，SCHWENKEL L，KOCH A，et al. Robust and Optimal Predictive Control of the COVID-19 Outbreak [J].Annual Reviews in Control，2021，51：525-539.

[11] CAO Y X，KUANG J，GAO M，et al. Learning Relation Prototype from Unlabeled Texts for Long-Tail Relation Extraction [J/OL].arXiv：2011.13574v1 [cs.CL].[2023-08-01].https：//arxiv.org/abs/2011.13574v1.

[12] 陳思光，陳佳民，趙傳信.基于深度強(qiáng)化學(xué)習(xí)的云邊協(xié)同計(jì)算遷移研究 [J].電子學(xué)報(bào)，2021，49（1）：157-166.

[13] HUANG S Z，LIN K Y，HU C L. Intelligent Task Migration with Deep Qlearning in Multi-access Edge Computing [J].IET Communications，2022，16（11）：1290-1302.

[14] 唐亮，李飛.基于決策樹的車聯(lián)網(wǎng)安全態(tài)勢預(yù)測模型研究 [J].計(jì)算機(jī)科學(xué)，2021，48（S1）：514-517.

[15] ABBASIMEHR H，PAKI R. Improving Time Series Forecasting Using LSTM and Attention Models [J].Journal of Ambient Intelligence and Humanized Computing，2022，13：673-691.

[16] ALI A，ZHU Y，ZAKARYA M. Exploiting Dynamic Spatio-temporal Graph Convolutional Neural Networks for Citywide Traffic Flows Prediction [J].Neural networks，2022，145：233-247.

[17] 林政陽，姜飛，涂春鳴，等.考慮時(shí)序相關(guān)性的數(shù)據(jù)驅(qū)動電-氣綜合能源系統(tǒng)態(tài)勢感知 [J].電網(wǎng)技術(shù)，2022，46（9）：3385-3394.

[18] ZHAO D M，WU Y X，ZHANG H B. A Situation Awareness Approach for Network Security Using the Fusion Model [J/OL].Mobile Information Systems[2023-08-14].https：//doi.org/10.1155/2022/6214738.

作者簡介：彭永倩（1998—），女，布依族，貴州貴定人，講師，碩士研究生，研究方向：計(jì)算機(jī)網(wǎng)絡(luò)、霧計(jì)算。