一种面向战术边缘的智能云服务模型.pdf

收稿日期：2022-04-05修回日期：2022-06-22基金项目：国家自然科学基金（U1603261）；网信融合基金资助项目（LXJH-10（A）-09）作者简介：郑会吉（1997），男，重庆人，硕士研究生。研究方向：边缘计算、边缘智能。*摘要：针对战术边缘环境下遂行作战任务时面临资源紧张匮乏、数据处理能力弱、指挥通信时延大及相应的需求等问题，引入新兴的边缘计算技术和人工智能算法，提出一种面向战术边缘的智能云服务模型，以实现将强大云服务能力向战术边缘环境扩展，为战场终端用户提供快速、稳定、高效的信息服务和数据处理能力，分别从模型框架、功能服务、指挥控制、相关技术等方面对模型进行描述；通过仿真实例对模型进行验证分析。关键词：战术边缘；云服务；边缘计算；人工智能中图分类号：TJ01文献标识码：ADOI：10.3969/j.issn.1002-0640.2023.06.002引用格式：郑会吉，邱鑫源，余思聪，等.一种面向战术边缘的智能云服务模型 J.火力与指挥控制，2023，48（6）：7-13.一种面向战术边缘的智能云服务模型*郑会吉1，邱鑫源1，余思聪1，崔翛龙1，2（1.武警工程大学，西安710086；2.武警工程大学反恐指挥信息工程研究团队，西安710086）An Intelligent Cloud Service Model for Tactical Edge-OrientedZHENG Huiji1，QIU Xinyuan1，YU Sicong1，CUI Xiaolong1，2（1.Engineering University of PAP，Xi an 710086，China；2.Counter-Terrorism Command Information Engineering Research Team，Engineering University of PAP，Xi an 710086，China）Abstract：To solve the problems of short of resources，poor data processing ability，long commandand communication delay and other problems and corresponding requirements when carrying out combatmissions in the tactical edge environment.By introducing the emerging edge computing technology andartificial intelligence algorithm，an intelligent cloud service model for tactical edge-oriented is putforward to extend the powerful cloud service capability to tactical edge environment and to providebattlefield end users with fast，stable and efficient information service and data processing capability.Themodel is described from the aspects of model framework，function service，command and control，andrelated technologies，etc.Finally，the model is verified and analyzed by a simulation example.Key words：tactical edge；cloud service；edge computing；artificial intelligenceCitation format：ZHENG H J，QIU X Y，YU S C，et al.An intelligent cloud service model for tacticaledge-oriented J.Fire Control&Command Control，2023，48（6）：7-13.0引言战术边缘被定义为远离指挥中心，在作战中资源（通信、计算等）受限的战场环境1。随着科技的不断进步和战争形态的不断演变，未来战争形态必将是高技术局部战争，态势感知、筹划决策、指挥控制等能力不再局限于指挥所内部，而是不断向战术边缘环境延伸2。作战模式趋于边缘化，需要作战人员采集战场信息的终端设备支持更多的功能，即边缘战场对信息处理能力和决策能力要求不断提高。另一方面，新形势下，随着作战任务的不断拓展，对战场资源的需求越来越严格。近年来人工智能技术发展迅速，正走向万物互联的世界，数以万计的移动终端设备连入网络，在文章编号：1002-0640（2023）06-0007-07Vol.48，No.6Jun，2023火 力 与 指 挥 控 制Fire Control&Command Control第 48 卷第 6 期2023 年 6 月7（总第 48-）火 力 与 指 挥 控 制2023 年第 6 期边缘产生大量数据，在这一趋势的推动下，迫切需要将人工智能推向网络边缘，充分释放边缘大数据的潜力。基于人工智能的战场态势感知和作战辅助决策成为研究的热点，而且已取得了一定成果3。对于保证作战人员在资源受限、不稳定的边缘战场环境下，通过使用各种智能终端设备获取战场数据，以增强战场态势感知能力，为迅速高效的决策提供支撑。通过运用人工智能技术，能有效缩短观察-判断-决策-行动（OODA）环的时间，极大提升战场态势感知、指挥决策行动等能力，提高遂行任务的效率4。因此，提出了一种面向战术边缘的智能云服务模型，其核心思想是将边缘计算和人工智能的优势向战术边缘环境延伸。是一种以海量战场数据为动力，以边缘计算为技术支撑，以人工智能应用为驱动的智能化服务模型。1边缘计算军事应用许多国家都相继尝试将云计算、边缘计算以及人工智能技术应用于军事行动中，但公开资料并不很多。比如美国一直以来都很重视边缘信息服务建设，致力于提高其全球作战、快速响应能力，其核心是将云计算的优势推到战术边缘，解决战术云协同作战应用问题5。近年来，美军着力推进战术级能力的开展，开展了海军战术云、陆军战术薄云等项目实践。自 2014年美国海军发布海军“战术云”项目，目前已初步实现了预期目标，并在多次演习中进行了验证。它的核心思想是通过运用移动云计算等技术，将之前只能在岸基地使用的能力提供给前方部署的战术作战单位，形成分布式的“战术云”。美国海军“战术云”框架具体包括核心节点和边缘节点，彼此之间通过卫星、短波、超短波等手段进行通信，实现数据和态势共享。美国陆军寻求在战术环境中利用云计算能力，支持分布式任务指挥能力。针对战术作战环境，美国陆军目前实现了两种战术云服务模式：1）有中心的“战术薄云”。是指可部署在车辆或其他平台上的、可发现的小型云数据中心。在服务范围内的作战人员使用的移动端设备可访问此节点获取服务，而当用户离开当前节点服务范围后，就会将任务迁移到其他的边缘节点继续执行。2）无中心的“微云”。是指多个移动终端设备通过自适应组网实现虚拟移动云计算能力，既充当云服务提供者，也是使用者。彼此之间通过蜂窝通信、WiFi、短波通信等手段联系，这样作战人员无需访问中央服务器就能实现态势共享、指令互通。此外，以美军反恐行动为例，呈现以人工智能算法驱动的特点，即“算法战”，结合大数据、深度机器学习等技术，催生战斗力与战争形态的升级6。美国国防部提出“第三次抵消战略”，提出将人工智能作为国防部的“核心能力”。将云计算技术的核心和边缘计算的能力引入战场环境，符合当前作战行动呈现的以信息为导向、战场边缘化的趋势，同时可以为解决战术边缘环境资源紧缺、高度动态、任务密集、数据多源和设备异构等实际问题提供一种新方案。2智能云服务模型2.1模型框架为了充分整合云计算、边缘计算架构模式的优势，本文结合战术边缘环境和作战任务特点，提出一种面向战术边缘环境的智能云服务模型。通过在战场终端与云中心之间部署应用具有计算、存储能力的边缘节点，将云服务能力下沉到战术边缘环境，以此来就近满足终端用户的需求。指挥系统通常呈现三级，包括指挥中心、移动指挥所以及现地指挥员，各级有相应的指挥信息系统，包括指挥中心信息系统、移动指挥所信息系统和现地指挥员移动终端。这种三级结构可以与智能云服务模型的三级计算架构相契合，如图 1 所示，从“人”的角度看，是各级指挥所中的指挥员；从“信息系统”的角度看，是各级指挥所配属的用于数据处理的信息系统或者设备，比如云计算中心的信息系统、移动指挥车的信息系统和现地指挥员的移动终端；从“计算模式”的角度看，则是“云计算-边缘计算-本地计算”三级计算架构；指挥中心如同云端，负责统一指挥调度；移动指挥所如同边端，对现地指挥员采集的战场数据进行处理，并接收来自指挥中心的命令和情报；现地指挥员如同终端，负责采集战场数据。图 1对应关系Fig.1Corresponding relation下页图 2 为本文云服务模型架构图。80962（总第 48-）图 3计算卸载过程Fig.3Computing offloading1）端层。设备端层由各种不同类型的移动设备（如传感器、手持终端、无人机、无人车、摄像头）组成。它们通过有线或无线的方式与边缘层的边缘控制器、网关连接，主要完成战场信息采集与传输，实现边端的信息、数据互通。2）边层。边缘层由大量边缘节点（网关、移动/固定基站、路由器）组成，既接收来自移动端上传的战场信息，进行计算、存储、聚合和分析任务，又与云端进行任务、数据、管理和安全协同。3）云层。云服务层仍然是最强大的数据计算和处理中心，通常由若干高性能服务器集群组成。边缘层难以处理的计算任务（如数据分析、人工智能模型训练等）和存储任务，将由云层完成。该服务模型包含本地计算、边缘计算和云计算3 种计算模式。当环境资源充足且用户选择远程云模式时，移动智能终端可以通过核心网将待处理的数据上传至云中心进行处理，但此种方式一旦出现访问用户较多或者信道资源紧张等情况时，容易造成信道拥堵从而产生较大时延，所以，为了解决这个问题，在靠近用户侧部署移动边缘基站，用户在边缘计算模式下，可以就近利用服务器计算资源进行数据处理，大大降低了平均时延；同时，在本地计算模式下，终端直接利用自身有限的计算资源进行预处理，这种情况一般是终端的数据量较小，或者终端用户间形成自组织网，可以整合利用分散的移动计算资源。图 2云服务模型Fig.2Cloud service model2.2功能服务本文提出的智能云服务模型主要由云计算中心、移动边缘基站以及移动智能终端组成，主要包含以下功能：1）态势感知功能。作战人员可以利用移动智能终端采集战场环境数据，通过本地或移动边缘基站进行数据处理，从而实现对战场环境态势感知，快速获取战场情报以辅助指挥员决策指挥。2）互联互通功能。移动智能终端不仅可以作为传感器采集数据，还可以作为单兵之间的通联工具，通过指挥专网单兵之间形成自组织网，实现战术级通联通信。3）服务发现接入功能。移动终端通过查询边缘基站广播的网络地址和端口，发送服务请求，边缘基站经确认后于终端建立连接。4）计算卸载功能。移动终端上部署了卸载策略模型，根据不同作战任务、不同战场环境、不同边缘基站状态等条件自适应作出卸载决策。5）资源分配功能。边缘基站上部署了资源分配模型，与终端建立连接后，根据终端的服务请求和自身资源使用情况合理分配计算、存储和带宽等资源。2.3关键技术本文构建面向战术边缘的智能云服务模型，核心目的是希望引入边缘计算技术，实现将云中心的强大计算资源下沉到战术边缘环境，靠近终端用户一侧，其中的一项关键技术就是计算卸载。计算卸载，是指终端设备将计算量大的任务按照一定策略，通过无线网络分配到计算资源充足的服务器进行处理，服务器再把计算结果返回给终端设备的过程7。计算卸载过程大致分为以下几个步骤，如图 3所示：1）寻找移动边缘节点。查询其广播的网络地址和端口，发送服务请求。2）任务分割。将需要处理的计算任务分割成若干子任务，要保证各子任务的依赖性，以便进行后续的卸载。郑会吉等：基于体系系统工程视角的美军 NIFC-CA 系统分析研究90963（总第 48-）火 力 与 指 挥 控 制2023 年第 6 期3）卸载决策。决定哪些子任务需要卸载至边缘基站。可以事先决定好所有子任务的卸载策略，也可以根据用户需求以及边缘节点资源情况动态决定。4）数据传输。根据卸载策略，将需要卸载的计算任务传输至边缘节点。5）数据处理。边缘节点接收到卸载的计算任务后进行处理。6）结果回传。边缘节点将处理后的处理结果回传至终端用户。卸载策略的好坏会直接影响终端的时延、能耗及其他成本，从而影响云服务模型的性能。近年来，深度强化学习受到广泛关注，主要用于处理感知-决策问题8。顾名思义，它是深度学习和强化学习的结合，采用深度神经网络提取原始输入的特征，可以处理复杂的、高维的环境特征，同时结合强化学习的思想与环境进行交互，完成决策过程9-10。将图 4 所示的深度强化学习引入本文的云服务模型，用以训练移动终端的卸载策略模型，为终端用户提供快速、稳定、高效的信息服务和数据处理能力。接下来，将进一步分析该算法在计算卸载中的应用。图 4强化学习示意图Fig.4Schematic diagram of reinforcement learning3智能卸载假设在战场环境中，有个终端用户，就近部署了台移动边缘基站。每个移动终端在每个时隙会以一定概率产生一个任务，这个概率反映战场环境中不同计算密度，基于部署在移动终端的策略模型，终端用户可以将计算任务卸载到边缘基站，用户间的通信也有边缘基站提供。同时，可能会因为计算量太大，导致较长的等待时间，所以，边缘基站也可以将等待时间较长的任务卸载到其他合适的边缘基站，之后，结果会回传至终端用户。为了更精细地模拟智能云服务模型的运行过程，设计了通信模型和计算模型。3.1通信模型考虑异构网络来管理终端用户与边缘基站间的上行链路和下行链路，其传输速率均可由下面的公式计算得到：（1）其中，W 是信道总带宽，Ps，n和 Hs，n分别表示终端用户 n 到边缘基站 s 之间的传输功率和信道增益。信道增益是由于战场环境中的路径损耗和阴影衰减导致。w 軍0表示背景噪声。3.2计算模型本文用一个列表表示战场环境中终端用户需要处理的计算任务。按照前面分析智能云服务模型的功能服务，终端用户可以选择本地计算、边缘计算和云计算 3 种计算方式。其中，Bs，n表示计算任务的数据量大小，Ds，n表示完成此任务需要的计算周期数，表示为了保证终端用户的时延约束设置的可忍受时延上限值11。将所有终端用户的卸载策略表示为：（2）其中，表示终端用户 j 卸载它的计算任务到边缘基站 i，0 表示本地计算。3.2.1本地计算考虑到任务生成的连续性，首先表示出终端用户n 的任务队列，该队列采用先到达先服务的原则。用表示计算任务 Ts，n的等待时间，在每个时隙开始时通过删除已完成任务并添加优先级高于 Ts，n的任务来更新。将设置为任务 Ts，n的预处理时间成本。不同终端自身的计算能力不同，则本地计算时间为：（3）其中，表示终端用户 n 的计算能力。同时，本地计算能耗为：（4）其中，酌 表示每计算周期的能耗，一般是常数12。综合考虑时延和能耗，本地计算的总成本为：（5）其中，表示时延成本和能耗成本之间的权重值，可以根据终端用户需要更改它的值。3.2.2卸载计算终端用户可以通过无线接入信道将计算任务传输到边缘基站。通过前面的通信模型，可得到卸载计算中的传输时延和能耗分别为：（6）（7）100964（总第 48-）边缘基站接收到卸载任务后，进行处理，则边缘基站计算时间为：（8）同理，被表示为边缘基站 n 的任务队列，总的等待时间计算为：（9）其中，表示任务 Ts，n之前的任务的处理时间。结合式（6）和式（8），卸载计算的总处理时间为：（10）结合式（7）和式（10），卸载计算的总成本为：（11）3.3基于深度强化学习的卸载算法3.3.1问题描述战场环境复杂多变、需要处理的计算任务也可能各种各样，希望云服务模型能在不同情况下具有较好的灵活性。虽然终端用户、边缘基站数量以及环境状态可能会变，但任务处理的主要过程不变，任务产生于终端用户，并通过策略模型决定是本地计算还是卸载计算。边缘基站会将处理结果回传至终端用户。将此过程表示为一个马尔可夫决策过程（markov decision process，MDP）。一个 MDP 问题通常由元组表示,其中，S 表示状态空间，A表示动作空间，表示状态转移概率，表示环境给予的奖励。状态空间：需要掌握任务队列的状态以及它是否达到负载阈值。所以，将状态定义为：（12）其中，Qu和 Qs分别是终端用户和边缘基站的任务队列，参数 籽 表示任务队列是否达到负载阈值。动作空间：终端用户对各自任务的卸载策略组成动作空间，表示为：（13）奖励空间：目标是在不同情况下作出最优卸载策略实现最小化时延和能耗成本的最小。所以，在给定动作 As和 S 状态下，奖励函数定义为：（14）其中，是时间奖励，它是当任务在既定时延要求内完成事获得的奖励，不管是通过本地或者卸载计算，其计算公式如下：（15）其中，茁 负责调节时间奖励的影响权重。是总成本奖励，其计算公式如下：（16）如果相比于本地计算总成本更小，则可以获得正值奖励，反之会获得负值奖励。3.3.2基于 A3C 的卸载算法A3C 算法全称是异步优势表演者-评论家（asynchronous advantage actor-critic），它是基于普通的表演者-评论家算法，结合价值函数和策略函数，其中，兹 是神经网络参数。在此算法中，当终端用户利用表演者网络作出卸载策略后，评论家网络会对策略进行评价打分，而分数会帮助优化表演者网络，目标是使得表演者网络给出的卸载策略更加优化，从而在未来获得最大化回报。其中，评论家网络采取的是单步时间差分（single-steptemporal-difference error）的方式进行更新，具体计算公式如下：（17）表演者网络基于值的方式更新参数以减小策略函数的梯度，参数的累加梯度计算公式为：（18）引用一个基准函数（baseline）来减小方差。通常基准函数要求只与状态有关，所以并不会影响策略梯度。本文采用状态价值函数作为基准函数，优势函数的公式为：（19）本文的 A3C 算法中，并没有使用经验回放机制，而是通过同步执行多个智能体，从而同时获得不同状态。另外，该算法可以通过多核 CPU 在单机上实现，每个线程可以控制一个智能体并行地更新参数，这对移动终端比较友好。3.4仿真实例假设执行一项侦察任务，检测识别目标区域中的目标情况，作战分队配有 12 台移动智能终端和 3台边缘基站，基站覆盖一定区域面积，为方便实验，将基站定位在作战区域中心。模型参考文献 13 中的参数，如下页表 1 所示。为了更好地分析本文算法在战术边缘环境下的性能，主要从奖励和总成本两个指标进行分析，同时，以流行的 DQN 算法作为对比。图 5 表示两种策略在相同条件下获得奖励的对比，根据前面的分析，更多的奖励意味着更好的性能。A3C 算法不仅收敛速度更快，而且达到的奖郑会吉等：基于体系系统工程视角的美军 NIFC-CA 系统分析研究110965（总第 48-）火 力 与 指 挥 控 制2023 年第 6 期励最大值也高于 DQN 算法的性能。本文模型的策略能在较短时间内作出较优的卸载策略，这对战术边缘环境下时延敏感任务很重要。图 5奖励对比Fig.5Reward comparison进一步，图 6 表示两种策略在相同条件下消耗的总成本的对比，总成本综合考虑了时延和能耗。可以看出，A3C 算法收敛更快且总成本明显低于DQN 的，说明本文的策略在战术边缘环境下具有较好的性能。4结论本文基于战术边缘环境遂行作战任务时面临的资源紧缺、计算能力弱、指挥通信时延大等问题，结合边缘计算技术以及人工智能算法，提出了一种智能云服务模型，分析了该模型的框架、功能服务、指挥控制以及相关技术。通过仿真实例的验证，本文提出的模型在战术边缘环境下，可以为终端用户提供快速、稳定、高效的信息服务和数据处理能力，以满足终端用户对决策、时延、能耗方面的需求。参考文献：1 ABDELZAHER T，RUSSELL S.Towards an intelligent tac-tical edge：an internet of battlefield things roadmap（Confer-ence Presentation）C/Artificial Intelligence and MachineLearning for Multi-Domain Operations Applications.Inter-national Society for Optics and Photonics，2019，11006（1100603）.2 陈霄，刘巍，夏淋淋，等.边缘计算军事应用需求及作战运用构想 J.火力与指挥控制，2021，46（8）：1-4.CHEN X，LIUW，XIA LL，et al.Military application require-ment and operational application concepts of edge computingJ.FireControl&CommandControl，2021，46（8）：1-4.3 温百华.大国智能化战争理论解析 J.指挥信息系统与技术，2020，11（6）：8-14.WEN B H.Analysis of intelligent war theory of great powersJ.Command Information Systems and Technology，2020，11（6）：8-14.4 陈晓婧，朱德政.基于人工智能的战场态势感知和作战辅助决策 C/第九届中国指挥控制大会论文集.北京：中国指挥与控制学会，2021：580-584.CHEN X J，ZHU D Z.Battlefield situation awareness andoperational aid decision making based on artificial intelli-gence C/China Command and Control Society.Proceed-ings of the 9th China Command and Control Congress.Bei-jing：Chinese Institute of Command and Control，2021：580-584.5 陈霄，王潋，刘巍，等.美军机动边缘信息服务能力现状概述 J.电光与控制，2021，28（7）：62-67.CHEN X，WANG L，LIU W，et al.An overview of the statusquo of mobile edge information service capability of USmilitary J.Electro-optics and Control，2021，28（7）：62-67.6 潘翔，郭璇，吴文辉，等.反恐“算法战”应用思考 C/第九届中国指挥控制大会论文集.北京：中国指挥与控制学会，2021：194-198.PAN X，GUO X，WU W H，et al.Thinking on the applica-tion of anti-terrorism“algorithm war”C/China Com-mand and Control Society.Proceedings of the 9th China参数数值参数数值N12fls，n5，6，8，9Gcycle/sS3fos50，80，90Gcycle/sW30 MHz0.5P1 Ws，n10 sw 軍050 dBm籽300 sDs，n50，100 Gcycle酌665 Mcycle/J表 1仿真参数Table 1Simulation parameters图 6总成本对比Fig.6Total cost comparison120966（总第 48-）Command and Control Congress.Beijing：Chinese Instituteof Command and Control，2021：194-198.7 YATES R D，KAUL S.Real-time status updating：multiplesources C/2012 IEEE International Symposium onInformation Theory Proceedings.IEEE，2012：2666-2670.8SUTTON R S，BARTO A G.Reinforcement learning：anintroduction M.JHY：MIT Press，2018.9 赵冬斌，邵坤，朱圆恒，等.深度强化学习综述：兼论计算机围棋的发展 J.控制理论与应用，2016，33（6）：701-717.ZHAO D B，SHAO K，ZHU Y H，et al.A review of deep re-inforcement learning：also on the development of computergo J.Control Theory&Applications，2016，33（6）：701-717.10 万里鹏，兰旭光，张翰博，等.深度强化学习理论及其应用综述 J.模式识别与人工智能，2019（1）：67-81.WAN L P，LAN X G，ZHANG H B，et al.A review of deepreinforcement learning theory and its applicationsJ.Pattern Recognition and Artificial Intelligence，2019（1）：67-81.11USMAN M，VASTBERG A，EDLER T.Energy efficienthigh capacity HETNET by offloading high QoS usersthrough femtoC/17th IEEE International Conferenceon Networks.IEEE，2011：19-24.12 MIETTINEN A P，NURMINEN J K.Energy efficiency ofmobile clients in cloud computing C/2nd USENIXWorkshop on Hot Topics in Cloud Computing（HotCloud10）.2010：4-4.13 GUO S，XIAO B，YANG Y，et al.Energy-efficient dynamicunloading and resource scheduling in mobile cloud com-puting C/IEEE INFOCOM 2016-The 35th AnnualIEEE International Conference on Computer Communica-tions.IEEE，2016：1-9.（上接第 6 页）郑会吉等：基于体系系统工程视角的美军 NIFC-CA 系统分析研究“standard-2”of ticonderoga cruiser J.Fire Control&Command Control，2019，44（2）：92-96.29 张勇，姚奕，孙新磊.CEC 条件下“标准-6”舰空导弹J.舰船电子工程，2011，30（9）：24-26.ZHANG Y，YAO Y，SUN X L.Standard six SAM based oncooperative engagement capability J.Ship ElectronicEngineering，2011，30（9）：24-26.30 李洪兴.美国陆军调查巡航导弹防御气球事故原因J.现代军事，2016（1）：21-22.LI H X.The U.S.Army investigates the cause of the JLENSaccident J.Conmilit，2016（1）：21-22.31 周伟，李仲铀.美军拓展“标准-6”舰空导弹反舰能力分析 J.现代军事，2017（1）：71-73.ZHOU W，LI Z Y.The analysis on the anti-ship capabilityof the extensions of the“S-6”ship-to-air missiles J.Conmilit，2017（1）：71-73.32 衡燕，丰超，李雁斌.天地一体制导技术在远程精确打击体系中的应用前景J.制导与引信，2018，4（39）：1-4.HENG Y，FENG C，LI Y B.The application prospect ofspace-ground integrated guidance technology in remoteprecision strike system J.Guidance&Fuze，2018，4（39）：1-4.33 张怀天，甄军义，韩昭明.体系工程项目管理复杂性分析与建议 J.中国电子科学研究院学报，2022，17（1）：29-34.ZHANG H T，ZHEN J Y，HAN Z M.Complexity analysisand proposal on program management of systems ofsystems engineering J.Journal of China Academy ofElectronics and Inforamtion Technology，2022，17（1）：29-34.34 李庆剑，杨巍，马亭.基于体系工程理念的大型复杂军事信息系统核心能力建设工程管理模式研究 J.中国电子科学研究院学报，2018，13（4）：481-485.LI Q J，YANG W，MA T.Research on the managementmodes of kernel capacity building for large and complexmilitary information system based on the system of systemsengineering concept J.Journal of China Academy ofElectronics and Inforamtion Technology，2018，13（4）：481-485.35 JON H.Systems engineering engagement modesJ.Sea-Air-Space，2016（5）：2-3.36Assistant Secretary of the Navy for Research.Updatedresponsibilities for management of naval integrated firecontrol-counter air（NIFC-CA）R.Washington，DC：Joint Memorandum，2002：1-2.37ODONOUGHUEN A，MCBIRNEY S，PERSONS B.Dis-tributed kill chains-drawing insights for mosaic warfarefrom the immune system and from the navyR.SantaMonica，CA：Rand Corporation，2021：2-3.38Defense Advanced Research Projects Agency.System ofsystemsintegrationtechnologyandexperimentation（SoSITE）EB/OL.2020-05-21.https：/www.darpa.mil/program/system-of-systems-integration-technology-and-experimentation.39Congressional Budget Office.Budget item justification ofnaval integrated fire control-counter air system engineer-ingEB/OL.2021-07-26.https：/www.globalsecurity.org/military/library/budget/index.html.130967