面向网络军事行动任务风险评估的博弈论数字孪生框架

摘要：数字孪生（Digital Twin，DT）与军事物联网（Internet of Military Things，IoMT）技术的集成，是支撑国防4.0（Defense 4.0）范式中网络军事环境实时监测与决策制定的关键使能因素。论文提出一种博弈论数字孪生（Game-Theoretic Digital Twin，GT–DT）框架，用于对抗性强且数据密集型作战条件下的任务风险评估与自适应决策优化。该框架利用DT赋能的感知网络采集异构战场数据，并在雾–云（fog–cloud）架构中采用贝叶斯（Bayesian）概率模型对数据进行处理，以估计任务成功概率（Probability of Mission Success，PoMS）。研究人员在防御方（Defender）与攻击方（Attacker）之间构建了一个双参与方博弈论模型，以推导统一的任务风险保障指数（Mission Risk Assurance Index，MRAI），从而支持基于均衡的战略决策制定。防御方旨在通过最优资源分配与自适应对抗措施最小化任务风险，而攻击方则试图利用系统脆弱性破坏任务目标。该框架通过场景驱动仿真进行了验证，涵盖网络入侵与基于无人机（Unmanned Aerial Vehicle，UAV）的监视任务，结果表明其在代表性任务情境中具有实际适用性。实验结果显示，与传统方法相比，该方法取得了更优性能：平均决策延迟为123.60 ms，精确率为93.07%，特异度为91.67%，敏感度为92.07%，决策准确率为96.92%，总体可靠性为91.97%。所提出的GT–DT框架为复杂网络军事行动中的实时任务风险评估与决策支持提供了一种聚焦型、数据驱动的解决方案。

该文发表于《Alexandria Engineering Journal》，聚焦国防4.0（Defense 4.0）背景下网络—物理融合军事环境中的任务风险评估与自适应决策问题。随着军事物联网（Internet of Military Things，IoMT）、人工智能（Artificial Intelligence，AI）、雾计算与云计算的深度融合，现代军事行动 increasingly 依赖多源异构数据驱动的实时感知、协同控制与智能决策。然而，战场环境中高度互联的数字基础设施也显著扩大了攻击面，使任务关键系统更易受到网络入侵、数据操纵、通信中断和持续性对抗威胁的影响。传统网络安全机制如入侵检测与访问控制，难以充分应对具备自适应性、欺骗性与智能性的攻击者。与此同时，现有风险评估方法往往缺乏统一框架，难以同时实现实时数据同步、概率化风险建模以及对抗条件下的战略优化；多数方法偏向静态或反应式任务规划，对复杂多域环境中的动态博弈关系支持不足。因此，开展一种融合数字孪生（Digital Twin，DT）、概率推断与博弈论（Game Theory，GT）的任务风险评估研究，具有明确的理论与工程必要性。

围绕上述问题，研究人员提出了一个GT–DT一体化框架，目标是在网络军事行动中实现实时任务风险评估、任务成功率估计以及均衡驱动的决策优化。该框架由四个功能阶段构成：数据感知（Data Perception，DP）、数据分类（Data Classification，DC）、时序风险评估（Temporal Risk Evaluation，TRE）和博弈论决策建模（Game-Theoretic Decision Modeling，GTDM）。其中，DP阶段借助IoMT设备、无人机、自治地面单元和监视系统采集环境状态、资产健康、位置、威胁指示等战场数据，并通过数字孪生调制阶段构建任务环境的动态虚拟映射；DC阶段使用贝叶斯信念模型（Bayesian Belief Model，BBM）依据任务成功概率（PoMS）对数据实例进行标准类（SC）与非标准类（NSC）划分；TRE阶段对风险分值进行时间粒化聚合，计算任务风险保障指数（MRAI）；GTDM阶段则在防御方与攻击方之间建立双人博弈模型，并扩展至动态联盟博弈，以输出风险感知与均衡约束下的最优策略。论文最终表明，该方法在网络入侵、无人机监视、通信退化和多域协同攻击等场景中均表现出较高准确性、较低延迟和较强可靠性，说明该框架能够为复杂对抗环境中的任务保障提供有效支撑。

研究人员采用的关键技术方法主要包括以下几类。首先，基于IoMT—DT协同架构，在边缘/雾/云分层环境中实现多模态任务数据的实时采集、同步与融合。其次，采用贝叶斯信念模型对任务数据进行后验概率推断，并以此估计任务成功概率（PoMS）及风险概率。再次，利用时间粒化与MapReduce式分布处理机制计算任务风险保障指数（MRAI），以刻画任务风险的动态演化。最后，构建防御方—攻击方双人混合策略纳什均衡（Nash Equilibrium）模型，并进一步引入动态联盟机制实现任务决策优化。实验数据来源包括公开数据集UNSW-NB15、CICIDS2017、UAVDT和DOTA，并辅以合成数据增强，共形成约75,000条任务记录。

在研究结果部分，论文首先通过“Data Perception (DP) phase”说明，研究人员建立了由战术传感器、UAV、自治平台与通信节点组成的IoMT感知网络，并通过ECC、SSL、差分隐私（Differential Privacy）、安全多方计算（Secure Multi-Party Computation，SMC）、联邦学习（Federated Learning）和区块链等机制保障军事数据在采集与传输过程中的安全性、隐私性和完整性。该部分还指出，数字孪生调制阶段通过状态向量x(t)描述任务环境，并引入失真感知观测模型、边缘—服务器协同学习、资源分配优化与联邦式数字孪生构建，提升了对抗环境下物理域与数字域之间同步的鲁棒性与可扩展性。由此得出的结论是，DP阶段不仅完成了基础数据接入，而且通过分布式智能同步机制为后续风险分析提供了可信数据底座。

在“Data Categorization (DC) phase”中，论文将任务数据划分为数值、图像、音频和视频四大类，分别对应温湿度、电磁干扰、辐射、地形映射、目标识别、通信清晰度、应激语音特征、战场监视、部队机动等信息源。研究人员进一步基于BBM对每个数据实例计算其属于非标准类的后验概率P(NSC|D_i)，并将其定义为风险分值Π_i。通过这一分类过程，系统能够将原始多模态观测统一映射为具有概率意义的风险刻画。该部分的核心结论是，PoMS与后验风险评分机制使异构数据获得可比较、可融合的风险表达，从而支持任务状态的标准化认知。

在“Temporal Risk Evaluation (TRE)”中，研究人员提出时间粒化机制，将包含状态信息与风险概率的任务片段组织为连续时间窗口，并据此定义MRAI。MRAI综合考虑后验风险分值Π_i、任务阈值λ_i、专家权重ν_i及阈值指示函数，以量化时间序列上的任务完整性与风险累积程度。论文指出，较高的MRAI意味着聚合风险较低、任务状态更稳定，较低MRAI则反映脆弱性上升与任务保障能力下降。通过将BBM输出与TRE显式耦合，研究人员建立了从单点风险到时序任务风险的数学联系。该部分结论表明，MRAI能够动态表征任务风险演化，并可通过分布式计算满足高吞吐实时处理需求。

在“Game-Theoretic Decision Modeling (GTDM)”中，论文构建了以防御方和攻击方为核心参与者的双人策略博弈，定义了任务可靠性指数ρ、威胁可能性λ、防御效率η、脆弱性因子ϕ和情境风险指数ψ等收益参数，并给出了效用矩阵与期望效用表达式。在此基础上，研究人员推导出混合策略纳什均衡，其中防御方和攻击方的最优概率策略可由闭式表达计算得到。进一步地，论文将模型扩展至动态联盟博弈，引入联盟收益、协同增益与角色动态切换，使其能够适应多主体异构战场环境。该部分结果说明，DT驱动的参数更新机制使博弈模型具备上下文感知、自适应防御欺骗与时间变化决策能力，从而将任务风险评估从被动反应提升为主动优化。

在“Experimental implementation”与“Simulation environment”部分，研究人员设计了覆盖网络入侵、无人机监视、通信扰动和多域协同攻击的四类场景驱动仿真实验，并构建边缘/雾层与云层结合的混合计算环境：边缘端采用Raspberry Pi进行实时同步与预处理，云端采用Amazon EMR与Hadoop集群完成大规模分析，WEKA用于分类，GAMBIT用于博弈均衡求解。所用数据集包括UNSW-NB15、CICIDS2017、UAVDT与DOTA，总体包含约38,000条结构化文本记录与37,000个标注图像样本，并以5 s间隔模拟任务动态采样。通过上述实验环境，论文验证了GT–DT框架在现实风格作战条件下的可操作性与再现性。

在“Temporal data analysis”中，研究人员从DT同步时间、数据分类时间、模式提取时间和决策推理时间四个维度评估系统时效性。结果显示，文本传感器情报（TXI）数据总延迟为99.69 ms，图像/视觉情报（IMI）数据总延迟为147.52 ms，整体平均延迟为123.60 ms。该结果表明，结构化传感器数据处理速度更快，而图像数据由于特征提取与同步负担更高而延迟更大。尽管如此，平均约124 ms的单实例决策时间仍显示该框架具备近实时任务风险分析能力。

在“Classification efficiency”中，论文将所提GT–DT分类框架与决策树分类器（DCT）及K近邻（KNN）比较。结果表明，所提方法在70,000样本规模下取得93.07%的精确率、91.67%的特异度与92.07%的敏感度，整体优于DCT与KNN。该结果说明，基于BBM与DT同步机制的分类过程在区分低、中、高风险任务状态方面具有更优的平衡性与稳定性。

在“Decision-making efficiency”中，研究人员采用准确率、决定系数R²与均方根误差（Root Mean Square Error，RMSE）评估博弈决策模块，并与KNN、DTR、SVR、ANN、SGDR、RFR、AdaBoost、ANFIS、GBDT、GRU和LSTM等方法比较。所提模型在TXI与IMI任务集上的决策准确率分别达到96.92%和96.98%，R²分别为0.826和0.856，RMSE分别为2.39%和1.26%。这些结果表明，该框架不仅具有更高的拟合质量，也具有更低的预测误差与更稳定的任务风险推断能力。

在“Reliability evaluation”中，论文以正确稳定预测占总决策实例的比例定义可靠性。实验显示，所提博弈论模型平均可靠性达到91.97%，高于ANN的91.44%、SVR的89.56%和DTR的87.43%。这说明GT优化与分布式情境智能的结合，提升了系统在动态、异构和对抗环境中的持续决策可信度。

在“Comprehensive performance assessment”中，论文将所提模型与Guo等、Feng等和Yang等方法比较。结果显示，所提框架在精确率93.74%、敏感度92.25%、特异度93.42%和F值92.99%上均居于最优，证明其在任务脆弱性识别、威胁检测和综合决策质量方面具有系统性优势。与此同时，“Scenario-based performance assessment”进一步给出四类场景的结果：在网络入侵场景中，分类准确率为96.8%，检测延迟为1.8 s，风险预测准确率为94.7%；在UAV监视场景中，目标检测准确率为94.2%，威胁分类准确率为93.5%；在通信受扰场景中，系统韧性得分为91.6%，决策准确率为92.1%；在多域协同攻击场景中，总体系统准确率为95.1%，决策收敛时间为2.7 s。上述结果共同说明，GT–DT框架在不同任务上下文中均保持了较强的适应性与稳定性。

讨论部分主要围绕从仿真走向实际部署的条件与限制展开。论文指出，要实现作战级数字孪生，需要持续双向同步、低时延流式数据接入以及对ρ、λ、η、ϕ、ψ等参数的在线更新；雾—云集成架构适合将低时延处理任务下沉至边缘节点，而将高复杂度均衡求解和联盟优化保留在云端；分布式或联邦式数字孪生有助于提高可扩展性并降低单点故障风险。与此同时，实际部署仍受限于传感器数据质量、通信基础设施条件、大规模多智能体计算复杂性及高动态战场中的模型验证难度。论文还指出，端到端加密、联邦学习和区块链审计可作为保障安全与隐私的重要扩展方向。总体而言，讨论部分强调，该框架已经具备较强的模拟验证基础，但迈向实战环境仍需在系统集成、算力优化与鲁棒性验证方面进一步推进。

研究结论部分可译述如下：本研究提出了一种面向网络军事行动实时任务风险评估与决策支持的聚焦型GT–DT框架。通过集成数字孪生（DT）、军事物联网（IoMT）与博弈论建模，该框架能够在对抗性强、数据密集的条件下实现同步态势感知与自适应决策。系统由数据感知、数据分类与融合、时序风险评估以及博弈论决策建模四个阶段构成，形成从数据获取到战略响应的连贯处理链路。研究人员利用约70,811个源于网络入侵与UAV任务仿真场景的数据实例对框架进行了验证。实验结果表明，该框架在平均决策延迟123.60 ms、精确率93.07%、特异度91.67%、敏感度92.07%、决策准确率96.92%和任务可靠性91.97%等关键指标上均表现突出，说明其能够有效处理异构数据流，并在任务关键环境中支持及时且准确的决策。尽管当前研究范围主要限于受控网络与空中任务场景下的仿真验证，未来工作将面向真实部署、资源受限IoMT节点的节能编排、联邦学习与区块链支持的安全智能管理、多智能体博弈以及实时边缘智能等方向进一步拓展，以提升该框架在下一代网络—物理防御系统中的适用性与稳健性。