博文
基于DIKWP的校园安全态势感知与自动报警系统设计与实现（指导的2020年5月硕士毕业论文）
|
Design and Implementation of Campus Security Situational Awareness and Automatic Alarm System(DIKW)
May 2020
Thesis for: Master
Advisor: Yucong Duan
Project:
DIKWP: Semantic Computation-Existence Computation-Essence Computation-Cognitive Computation
学校代码： 10589 学号： 17085212210022
分 类 号： 密级：
硕 士 学 位 论 文
题 目： 校园安全态势感知与自动报警系统
设计与实现
作 者： 宋正阳 (Zhengyang Song)
指导教师： 段玉聪(Yucong Duan) 教授
校外导师： 车皓阳
专 业： 软 件 工 程
时 间： 二○二〇年五月
Design and Implementation of Campus Security Situational Awareness and Automatic Alarm System
A Thesis
Submitted in Partial Fulfillment of the Requirement
For the Master Degree in Engineering
By
Song Zheng-yang
Supervisor: Duan Yu-cong
Major: Software Engineering
Submitted time: May, 2020
海南大学学位论文原创性声明和使用授权说明
原创性声明
本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不含任何其他个人或集体已经发表或撰写过的作品或成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本声明的法律结果由本人承担。
论文作者签名： 日期： 年 月 日
学位论文版权使用授权说明
本人完全了解海南大学关于收集、保存、使用学位论文的规定，即：学校有权保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。学校可以为存在馆际合作关系兄弟高校用户提供文献传递服务和交换服务。本人授权海南大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。
保密论文在解密后遵守此规定。
论文作者签名： 导师签名：
日期： 年 月 日 日期： 年 月 日
…………………………………………………………………………………………
本人已经认真阅读“CALIS高校学位论文全文数据库发布章程”，同意将本人的学位论文提交“CALIS高校学位论文全文数据库”中全文发布，并可按“章程”中规定享受相关权益。同意论文提交后滞后：□半年；□一年；□二年发布。
论文作者签名： 导师签名：
日期： 年 月 日 日期： 年 月 日
摘 要
社会安全治理中校园安全问题至关重要，已成为社会各界关注的热点问题。态势感知作为保障构建智慧校园安全环境的基础，是校园安全问题重要的解决方案。本文旨在设计和实现一种面向边缘计算的安全态势感知与自动报警系统。研究从数据、信息、知识等类型化校园安全态势资源的角度，在融合多种校园安全因素的基础上，实时感知并进一步预测校园安全态势，当校园安全受到威胁时，触发自动报警以提示管理员。整个系统在IPv6环境下运行。
本文首先从影响校园安全的物理、化学、火灾、交通因素对智慧校园场景下的安全态势资源进行数据—信息—知识的层次化建模，采用数据图谱、信息图谱、知识图谱架构对资源进行组织和存储。同时构建基于Arduino单片机的边缘计算节点采集实时资源。其次，基于数据图谱、信息图谱、知识图谱资源处理架构构建校园安全态势感知和预测模型。在数据图谱上进行数据清洗和特征选取，执行基于统计频度的关联分析操作。在信息图谱上进行冗余和不一致消除，执行基于交互模型的交互分析操作。在知识图谱上进行完整性处理，执行基于路径排序计算的智能推理操作。态势的预测应用指数加权移动平均在数据层对下一次采集进行估计，将估计值输入到态势感知模型，从而实现在三个层次上的态势预测。之后，设计了基于专家系统的自动报警机制，当校园安全受到威胁时，从数据、信息、知识三个层次触发该系统产生报警以提示管理员。最后，采用以Python编写的Django设计框架进行了系统实现。采用Html、Css、Js等设计了交互式可视化Web前端，采用Numpy、pandas等工具对提出的系统模型和方法设计资源处理后端，采用D3.Js、Echart、百度地图API设计分析结果的可视化界面。系统测试发现，系统在很好地满足功能需求的同时，以满意度和体验感组成的性能评估体系下亦表现较好。
为了优化在边缘计算环境中的资源传输时延，本文还设计了态势资源传输优化机制。该机制考虑资源类型的变化引起资源规模变化的原理，通过对计算和存储的协同调整，实现在无线传感网络上的传输优化，降低传输时延。该机制旨在系统节点实际部署时提供指导。
关键词：智慧校园安全；态势感知；DIKW graphs；自动报警；边缘计算
Abstract
The campus security issue is extremely important in social security governance. It has become a hot issue of concern to all sectors of society. Situation awareness, as the basis for ensuring the construction of a smart campus security environment, is an important solution to campus security issues. Therefore, it is necessary to design and implement a security situation awareness and automatic alarm system for edge computing. From the perspective of typed data, information, knowledge campus security situation resources, this study researched real-time situation awareness of security in campus environment through modeling multiple security factors. It also achieved target of predicting future security situation. Meanwhile, when campus security is threatened, automatic alarm system will start to prompt administrator. The designed system can run in an IPv6 environment.
First of all, the data-information-knowledge hierarchical modeling, organizing, and storage of situation resources was carried out in the smart campus scenario from the physical, chemical, fire, and traffic factors affecting campus security. Meanwhile, it also was necessary to construct edge nodes for collecting real-time resources. Secondly, this article constructed the campus security situation awareness and prediction model on the basis of resource processing architecture consisted of Data Graph, Information Graph, and Knowledge Graph. The proposed model preprocess data on Data Graph through data cleaning and feature selection. It performs correlation analysis on the basis of statistical frequency. The proposed model eliminates redundancy and inconsistency on Information Graph. It performs interactive analysis operations on the basis of interactive models. The proposed model carries out integrity processing on Knowledge Graph. it performs intelligent inference operations on the basis of path ranking calculations. Situation prediction uses exponentially weighted moving average to estimate the next acquisition in the data layer. It inputs the estimated value into the situation awareness model in order to obtain situation prediction result in three levels. Thirdly, the proposed system considered and carried out the campus security automatic alarm mechanism on the basis of expert system principle. This mechanism aims to generate an alarm to alert the administrator triggered from three levels of data, information, and knowledge when the campus security is threatened. Finally, the Django design framework with Python was used to implement the system. The Html, Css, Js, etc. was used to design an interactive visual Web front end. The Numpy, Pandas and other packages was used to design the resource processing back-end of the proposed system model and approach. The d3.js, Echart, and Baidu map API was used to design and analyze the visual interface of analysis results. System testing found that while the system satisfies the functional requirements well, it also performs better a performance evaluation system composed of satisfaction and experience.
In order to optimize the resource transmission delay in the edge computing environment, this study proposed a situational resource transmission optimization mechanism. This mechanism takes into account the principle of changes in resource size caused by changes in resource types. It carried out transmission optimization to reduce delay on wireless sensor networks through coordinated adjustment of computing and storage. This mechanism is intended to provide guidance when the system nodes are actually deployed.
Keywords: Smart campus security; Situation awareness; DIKW graphs; Automatic alarm; Edge computing
目 录
第1章 绪 论
1.1 研究背景及意义
智慧校园安全 智慧校园作为高效率和智能化的一体化环境，安全问题至关重要。一份全国中小学生安全形势分析报告（中华人民共和国教育部，2007）及近期的2017年校园设施安全事故统计分析（吕慧等，2017）显示，全国各类安全事故中，事故灾难（交通、一氧化碳中毒等）占59%，社会安全事故（住宅火灾等）占31%，自然灾害（地震、暴雨等）占10%。例如2018年12月北交大一实验室发生火灾，导致3名学生死亡。从事件萌发到事件发生，再到救援到达的时延极大地影响着救援行动的成败。因此迫切需要一种系统，能够实时感知和预测各种校园安全威胁并及时提醒管理员，优化感知环节以最大限度降低校园安全事故率（Liu et al.，2017）。研究者从火灾与消防联动系统、自然灾害预防、交通安全等方面进行研究和应用。然而，在数值、图像、语音、文本等校园安全资源海量式增长的态势下，这些研究需要结合大数据处理和数据挖掘的方法才能够准确、详细、整体的把握校园安全态势。校园安全应该涉及物理、化学、火灾、交通等四个方面。因此通过对态势资源进行获取、操作、转换、分析、可视化等任务，使管理员及时掌握态势数据、信息、知识、甚至智慧等资源，就能够帮助其制定更为优化的决策。
数据—信息—知识—智慧体系（DIKW hierarchy） 本文从数据、信息、知识的角度建模校园安全态势感知。关于数据（Data）、信息（Information）、知识（Knowledge）、智慧（Wisdom）的体系被称为DIKW hierarchy（Ackoff，1989）。数据从原始观察中得到，可以是事实、信号、或者符号。对数据进行处理并结合上下文得到信息。在行为上应用信息得到知识，知识可以是处理、过程、或者命题。智慧则关心未来（Cooper et al.，2014）。
态势感知 （Situation Awareness，SA） Endsley（Endsley，1988）提出了目前被广泛接受的感知、理解、投射的态势感知三级模型。从资源管理的角度，态势感知过程可以被抽象为DIKW hierarchy体系中从数据到信息，再从信息到知识的递进式转换过程。Bass（Bass et al.，1999）针对网络安全领域提出的态势感知功能模型展示了“数据à信息à知识”自底向上的抽象过程就体现了这一转换。尽管目前对态势感知定义的状态（a state）、过程（a process）二元性进行了深入讨论，从而衍生出了多种模型。但是研究者并没有真正从资源管理的角度对态势数据、信息、知识进行直接地建模、分析和处理，只是对过程进行了抽象描述。目前的态势感知主要集中在态势评估算法的设计（龚俭等，2017），依然没有形成清晰的对数据、信息、知识处理的层次化结构。因此，本文从数据、信息、知识等类型化的资源角度，对校园场景的态势资源进行建模和分析，并借助数据图谱（Data Graph）、信息图谱（Information Graph）、知识图谱（Knowledge Graph）、智慧图谱（Wis9dom Graph）架构（Duan et al.，2017）对校园安全态势资源进行获取、组织、描述、存储、处理、预测、匹配、展示等操作（Duan et al.，2017），从而在全局的角度掌握校园安全的数据、信息、知识态势。如图1.1所示，态势感知的态势要素提取（Situation extraction）、态势理解（Situation comprehension）、态势预测（Situation prediction）可以被抽象（Abstract）成数据、信息、知识的递进获取过程。DIKW体系（DIKW hierarchy）是一种知识金字塔结构，其意义从知识到数据由高到低，其价值从数据到知识由低到高。其中，数据、信息、知识自下而上分别对应数据图谱、信息图谱、知识图谱（邵礼旭等，2019）。在DIKW 图谱上可以对资源进行组织、描述、存储、处理等操作。
图1.1 基于DIKW hierarchy构建态势感知
Fig.1.1 Situation awareness on basis of DIKW hierarchy
边缘计算 然而，智慧校园中的态势感知更加依赖物联网技术（Yang et al.，2018）。采集的校园安全资源随着时间而海量增大时，云计算模式则因为带宽瓶颈或用户投入不足使得其感知实时性得不到保证（Shi et al.，2016）。因此，这就使得系统被推荐采用边缘计算范式进行部署。图1.2是这一推荐的解释示例。态势感知系统的响应时间定义为T，设定T小于给定的响应阈值T0。总带宽为B，每条链路的带宽为bi（iÎn），如果在这一场景下部署的n（nÎ N+）个节点同时将其采集的未经处理的火灾数据上传到数据中心，这种星型结构下n条链路将瓜分有限成本下的总带宽。假定数据中心处理能力能满足计算条件，则当n较大时资源传输时延T将明显增大至D，即此时的T = D（云计算环境）。这一情况可以通过采用边缘计算来解决。在n个边缘节点上执行一定的计算任务，将采集的原始数据进一步处理成信息或者知识，则转换后节点需要传输的资源的规模降低。在这一场景中，待传输资源的规模小了，传输时延也自然就降低了。假定此时的T = E（边缘计算环境），则E要小于D。但是边缘计算也有挑战，节点间带宽、节点的计算与存储能力依然有限（Brogi et al.，2017）。采用带宽分配策略（Ma et al.，2017）能够有效提升带宽使用效率（Ito et al.，2016）。但这些方法没有考虑用户投入、低风险资源的合理利用（Wang et al.，2010）、健壮性问题（Sun et al.，2014）等。鉴于上述分析，在边缘计算环境部署系统时需要设计一种资源传输机制以合理的降低传输时延，系统采用该机制完成推荐节点资源传输方案给系统部署人员的功能。该功能期望能够在最小化传输、处理、存储成本的同时，以商业价值驱动的方式最大化优化系统性能。
图1.2 边缘计算
Fig.1.2 Example of Edge Computing.
总而言之，校园安全态势感知作为保障构建智慧校园安全环境的基础，成为其研究的热点方案。本文旨在设计和实现一种面向边缘计算的校园安全态势感知与自动报警系统。研究从数据、信息、知识等资源的角度，在融合各种校园安全因素的基础上，实时感知并进一步预测校园安全态势，当校园安全受到威胁时，触发报警系统以提示管理员。同时，传输威胁校园安全的高危态势数据、信息、知识到云端并进行可视化展示，以支持管理员掌握校园安全态势并做出决策。
1.2 国内外研究现状
1.2.1 智慧校园安全
智慧校园安全面临的最大挑战之一是校园内人员及资产的安全，使其免受物理、化学、火灾、交通等安全因素的威胁。校园物理安全涉及气象、噪音、紫外线等因素的感知和预测（张碧辉等，2010），例如况源等实现的一种气象监测与预警系统，有效提升了气象部门在应对气象灾害的速度和服务质量（况源等，2019）。校园化学安全涉及有毒、可燃性、窒息性气体等因素的感知和预测，例如霍志星实现的空气质量监控与分析系统实时监控污染信息（霍志星，2019）。校园火灾安全涉及烟雾、光线、温度、气体等因素（傅智敏，2014）。校园交通安全则涉及车速、车流量、人车混合情况等因素（刘缅芳，2016）。上述校园安全系统采集到大量数据的同时，从某一个角度切入解决校园安全问题。然而无法有效在边缘计算环境中综合海量数据进行高效有价值的处理。通过综合分析现有的智慧校园态势感知系统，设计感知数据融合算法提炼有价值的信息则能够大幅度提升智慧校园安全（Yang et al.，2018）。因此本文能够对采集的场景态势数据、信息、知识等资源进行描述、组织、存储、处理、传输、转换、预测、匹配、可视化等操作。
1.2.2 DIKW hierarchy
DIKW hierarchy是关于数据、信息、知识、智慧的体系，解释四种元素之间的关系。本文从数据、信息、知识的角度建模校园安全态势感知。感知校园安全状态，并在一定条件下做出态势预测。将危险的数据、信息、知识传输至云端进行展示。那么，作为校园安全态势感知系统的关键元素，数据、信息、知识、智慧到底是什么呢？
数据（Data）由外部世界的观察者通过观察得到或对内部结构化或非结构化资源的归类而得到（段玉聪等，2018）。在计算机系统中数据是编码的不变性（Zins et al.，2007）。Buckland（Buckland，1991b）指出数据是通过观察获得的数字或其他信息的基本单个项，但就其本身而言，没有上下文就没有信息。数据也是由科学家和其他人收集的关于世界的原始观测数据，只有最低限度的上下文解释（Zins et al.，2007）。Wang等（Wang et al.，2015）认为数据是现实世界实体或抽象对象数量的抽象表示。
信息（Information）代表依赖于数据的存在而标记的关联的多于一个的数据（段玉聪等，2018）。信息与意义或人类意图有关，在计算系统中信息是数据库、网络等的内容（Zins et al.，2007）。Buckland（Buckland，1991b）指出信息是指通过数据和组合数据的上下文传达的信息，并可能适合进行分析和解释。文献（Zins et al.，2007）也指出信息是数据的集合，用来对世界进行连贯的观察。Wang等（Wang et al.，2015）认为信息是人类大脑感知到的抽象物体的一般形式，由符号、数学、通信、计算和认知系统表示。
知识（Knowledge）知识体现在人类去理解、解释和判定概念、行动和意图的能力（段玉聪等，2018）。知识指基于概率统计出的经验，或者基于直接观察资源或间接推理资源中抽象出的类别推理（Zins et al.，2007）。Buckland（Buckland，1991b）指出知识是从积累的信息中获得的普遍理解和认识，并通过经验加以调节，从而可以设想新的环境。知识是从数据中收集的规则和组织原则，以将其聚合为信息（Zins et al.，2007）。Wang等（Wang et al.，2015）认为知识是作为学习和理解信息的认知对象的第三层次。
本文采用段玉聪等对数据、信息、知识的解释（段玉聪等，2018），认为数据由外部世界的观察者通过观察得到或对内部结构化或非结构化资源的归类而得到。例如，用于使用传感器采集5次的值[33，34，32，35，36]，没有指明是当前校园范围的气温的含义之前，仅仅表示数字而没有意义。信息代表依赖于数据的存在而标记的关联的多于一个的数据。例如，校园气温的5次采集值基于时间进行关联，形成了一条随着时间变化的气温数值轨迹，这条轨迹反映气温的趋势信息。知识则体现在人类去理解、解释和判定概念、行动和意图的能力。例如，某一校园的气温过高时，气湿度也经常伴随着过高，根据这一知识就可以判定下一次校园气温过高时，气湿度也极有可能发生过高现象。
1.2.3 态势感知
数据、信息、知识等元素的概念的明确，显著地支持了校园安全场景中资源的建模和分析，并有效界定了研究对象的范围。校园安全场景中，数据、信息、知识等类型化资源的感知是从资源管理角度解决校园安全的关键步骤之一。
Endsley（Endsley，1988）于1988年明确定义了态势感知（Situational Awareness，SA）的概念，认为态势感知是在一定的时空范围内，认知和理解环境因素，并且对未来的发展趋势进行预测。基于这一定义，其提出了态势要素提取、态势理解、态势预测的三级模型。1999年，Bass等（Bass et al.，1999）首次将该态势感知模型应用于网络安全领域，提出了基于数据融合JDL（Joint Directors of Laboratories）模型的网络态势感知功能模型。该模型在数据层面实现数据收集和数据提取，在信息层面实现对象提取并建立对象库，在知识层面实现态势提取和威胁评估，并构建态势库。
态势感知经常用于OODA决策模型（Xin et al.，2013），即观察（observe）、导向（orient）、决策（decision）和行动（act）这四个阶段构成的一个控制循环（龚俭，2017）。OODA决策模型如图1.3所示，这一控制循环分成认知域、信息域、物理域。态势感知相关的决策和导向属于认知域。在认知域进行数据融合和态势预测等态势感知操作。观察从物理域活跃到信息域，是在行动前的提前观察，导向的依据就是基于对目标观察的结果。行动则完成信息域到物理域的闭合，在经历观察、导向、决策之后，最后则基于上述复杂的处理过程，实施行动对信息域和物理域进行闭合。
图1.3 OODA决策模型
Fig.1.3 OODA decision making model
本文借鉴目前广泛接受的Endsley的感知、理解、预测三级态势感知模型（Endsley， 1988）。在这一模型中，态势理解是态势感知的关键阶段，是指在获取海量数据信息的基础上，通过解析信息之间的关联性，对其进行融合，获取宏观的安全态势（席荣荣，2012）。目前态势理解阶段主要流行从逻辑关系、数学模型、概率统计、规则推理等四个方式进行数据融合。例如，基于概率统计的态势理解有贝叶斯网络和隐马尔科夫模型（Liang et al.，2017）等模型。基于规则推理的态势理解有D—S证据理论（Qiang et al.，2018）等模型。态势预测是根据历史态势数据和当前态势进行综合分析，从而预测未来安全态势的过程。在网络安全领域，目前流行采用神经网络、时间序列、支持向量机等机器学习模型进行态势预测。例如，Hu等（Hu et al.，2019）提出的一种基于MapReduce和SVM的网络安全态势预测模型，有效提升了预测的准确度，并减少了训练时间。
1.2.4 知识图谱及DIKW graphs 架构
对校园内的数据、信息、知识的高效、准确、实时地感知是智慧校园安全态势感知的关键一步。那么如何进一步对感知到的数据、信息、知识等资源进行描述、组织、存储、处理等操作呢？
本文引入知识图谱的概念，并扩展了知识图谱的结构以解决上述问题。
知识图谱(Knowledge Graph)。Google公司于2012年首次提出了知识图谱，用以支持从语义角度组织网络数据。知识图谱能够很好的对校园安全态势知识进行描述、组织、存储、处理等进行操作，因此本文引入知识图谱进行知识管理。知识图谱是一种语义知识的形式化组织框架，节点代表实体或概念，边代表实体或概念间的语义关系。知识图谱有着丰富的语义表达能力和开放互联能力。现在，由于知识图谱对于知识服务的重要支撑作用，知识图谱被作为新一代人工智能的基础设施。从人工智能的角度，知识图谱的发展历程是知识数据化的过程。从语义网的角度，其又是数据知识化的过程。Chaim在2007年（Chaim，2007）在2007年详细地定义了数据、信息、知识的概念。2017年，Duan等（Duan et al.，2017）从数据、信息、知识的角度描述了知识图谱架构，并从数据图谱（Data Graph）、信息图谱（Information Graph）、知识图谱（Knowledge Graph）、智慧图谱（Wisdom Graph）等四个基本形式细分了知识图谱。细分后形成了知识图谱的四层架构（DIKW架构）（Shao et al.，2017）的每一层分别对应数据（Data）—信息（Information）—知识（Knowledge）—智慧（Wisdom）的知识金字塔（DIKW）结构的每一层（Rowley，2007）。并且规定了数据、信息、知识等类型化资源之间以及数据图谱、信息图谱、知识图谱等图谱资源之间的类型转换（Duan et al.，2017）。
知识图谱提供了网络化的知识组织方案。然而，递进式的数据、信息、知识等三个层次的结构需要更加细化的知识图谱架构方法来更好的解决。一套用于解决对数据、信息、知识的组织问题的更加细化的知识图谱架构方案迫在眉睫。
DIKW graphs架构. 知识图谱结构细分的四个基本形式：数据图谱、信息图谱、知识图谱、智慧图谱（Duan et al.，2017）可以应用到很多领域。例如，Shao等（Shao et al.，2017）通过构建数据图谱、信息图谱、知识图谱和智慧图谱回答“谁（Who）/何时（When），什么（What），如何（How），为什么（Why）”问题。又例如，在资源安全领域，Shao等（Shao et al.，2017）通过明确数据图谱、信息图谱、知识图谱的表示，提出投入驱动的方法解决确保资源在未经授权的情况下不会被使用、篡改、丢失和销毁的问题。更为重要的是，Duan等（Duan et al.，2017）于2017年通过构建数据图谱、信息图谱、知识图谱三层资源处理建构研究资源建模、资源处理、处理优化和资源管理。这一构建的三层架构可以简单定义为：
DIKW graphs：= {Data Graph，Information Graph，Knowledge Graph}
在数据图谱、信息图谱、知识图谱三层图谱结构中，数据以数据图谱的形式组织，回答“谁/什么时候/哪儿”问题。信息以信息图谱的形式组织，回答“什么”问题。知识以知识图谱的形式组织，回答“如何”问题。这一三层架构描述对数据、信息、知识的分层处理，并允许资源类型与图谱类型各自之间进行转换。DIKW 图谱架构被广泛应用在各种场景的资源处理任务当中。例如，Shao等（Shao et al.，2017）从数据、信息和知识的角度建立检索和保护类型化健康资源的框架。又例如，Song等（Song et al.，2018）将此架构应用在无线网络环境的网络资源优化处理当中，实现资源的传输优化。本文则借鉴三层图谱架构，在智慧校园场景下通过构建数据图谱、信息图谱、知识图谱的资源处理框架对安全态势数据、信息、知识进行描述、组织、存储和处理。
数据图谱（Data Graph）可以记录实体的基本结构，是各种数组、链表、栈、树和图等数据结构的集合。在数据图谱上进行以实体综合频度计算为核心的分析（Duan et al.，2018）。信息图谱（Information Graph）记录资源之间的交互语义内容，以有向图的形式表示信息隐私资源之间的动态或因果关系（对承认和假定因果关系存在的情形）（Duan et al.，2018）。知识图谱（Knowledge Graph）通过包含结点和结点之间关系的有向图来表达。知识图谱蕴含基于抽象得来的完整性假设或者基于概率统计的各种语义关系，能进行各种推理和概率计算（Duan et al.，2018）。在信息图谱和知识图谱上进行自适应的自动抽象的资源优化。
1.3 论文主要内容及组织结构
本文研究的内容是从数据、信息、知识等类型化资源的角度，建模和分析智慧校园安全态势感知。引入由知识图谱结构扩展的数据图谱、信息图谱、知识图谱构建数据、信息、知识等态势资源的描述、存储、处理、传输、转换操作模型。在融合多种校园安全因素的基础上，设计感知和预测算法实现对校园安全态势的实时感知和预测。当校园安全受到威胁时，启动自动报警系统以提示管理员。同时，考虑边缘计算环境中传输时延对系统响应实时性的影响，设计相应的资源传输优化机制以解决这一问题。为了实现这一系统，采用Django设计框架搭建了可视化Web前端，采用Python3语言实现后端处理算法，采用D3.js、Echart、百度地图API对资源进行可视化展示。论文的组织结构如下：
第一章是绪论。阐明本课题的研究背景和意义，给出当前的国内外研究现状，概述本文的主要内容及组织结构。
第二章是基础理论与技术。阐明研究本课题涉及的态势感知、DIKW图谱架构、边缘计算、专家系统、Django框架等基础理论与技术。
第三章是基于DIKW架构的校园安全态势感知与预测。本章首先给出相关概念的定义。其次，构建了基于数据图谱、信息图谱、知识图谱的态势感知模型，并设计了处理算法。最后，构建了基于EWMA方法的态势预测模型，并描述了预测流程。
第四章是基于专家系统的自动报警系统。本章首先重温专家系统原理，并给出了自动报警系统的模型及工作流程。其次，阐明了面向边缘计算的传输优化机制。最后，给出了系统的性能评价指标。
第五章是系统的设计与实现。系统的设计与实现严格按照软件工程方法，进行了系统的需求分析、概要设计、详细设计与实现、系统功能及性能测试。
第六章是总结与展望。对文章的内容和所做的贡献进行了总结。同时，对下一步的工作进行了展望。
第2章 基础理论与技术
2.1 态势感知
2.1.1 什么是态势感知
（1）态势
态势（Situation）是系统中各种对象状态的综合，可以是实际位置、事态的组合、复杂的事务状态等等。态势是一个完整的整体概念（Wang et al.，2006）。没有单一的情况和状态可以成为一种态势，它强调系统与系统中的对象之间的关系。
（2）态势感知的定义
态势感知（Situational Awareness or Situation Awareness，SA）的定义从其作为“状态（a State）”或作为“过程（a process）”的二元性区分（Breton et al.，2001）。
面向状态和过程的定义（State and Process-oriented Definitions）：
Sarter和Woods（Sarter et al.，1995）提出态势感知一词应被视为对动态、事件驱动和多任务实践领域至关重要的各种认知处理活动的标签。Endsley则持相反的立场（Endsley，2017），认为一定的时间和空间内感知环境中的元素，理解它们的含义，并预测它们未来的状态。Endsley这一观点被广泛认可。Endsley进一步指出，SA是一种知识状态，要区别于达到一种状态的过程，而过程应称为态势评估。“过程”和“状态”定义之间的区别相当重要。使用SA的主要困难之一是避免SA知识与潜在的认知过程（如感知、记忆、注意或分类）之间的混淆，这些认知过程是SA产生的基础。Endsley提出的区分态势感知（一个状态）和态势评估（一个过程）的主张对措施的制定和建模工作产生了很大影响（Endsley，2017）。然而，在许多决策模型中都包括了态势评估，而没有提到态势感知。例如，Klein将态势评估视为决策的核心（Klein， 1997），包括适当的目标、线索显著性、期望和典型行为的识别。鉴于这样的定义，很明显，在Klein看来，态势评估是一个非常广泛的概念，涵盖了Endsley定义的态势感知内容以及行动。因此，简单地将支持态势感知的过程确定为态势评估过程可能并不合适，因为在更广泛的决策文献中已经定义了态势评估。存在两个基本方法：以操作员为中心的方法和以态势为中心的方法。以操作员为中心的方法基本上是关于操作人员确定SA时的机制。以态势为中心的方法将SA视为由操作员工作的环境或态势决定的。面向状态的定义可以与以态势为中心的方法相关联，其特征是由SA概念的态势方面的属性驱动。面向过程的定义可以与以操作员为中心的方法关联，其特征是以代理或操作员的属性为中心。这两种方法的区别有助于重新构造经典状态—过程定义法的区别。
以操作者为中心的方法（Operator-focused approach）：
以操作者为中心的观点更关心与支持SA状态的心理表示产生的一组认知过程相对应。根据定义，这些过程是人类代理的一般属性。这种方法遵循一个信息处理框架，该框架认为世界的心理表征基于具有特定功能的处理。该框架需要对提供人类认知的过程进行明确描述。例如，Dominguez（Dominguez，1998）提出SA所依赖的一组过程：信息提取、信息整合、理解形成以及投射和预期。从某种意义上说，即便将SA定义为一个状态，Endsley（Endsley，2017）仍然会描述三个认知过程或功能：感知、理解和投射。这些基于过程的定义大多数不依赖于现有的普遍接受的人类信息处理（HIP）模型，其可识别感知、注意力和记忆等过程网络。
以态势为中心的方法(Situation-focused approach):
以态势为中心的观点显然与态势中的相关信息到代理中该信息的心理表示上的映射有关。面向状态的定义限制了SA中涉及流程的描述。实际上，它们与从Gibson（Gibson，2014）的工作中获得的直接感知的基本概念是一致的。直接感知基于许多原则，SA关联的有两项：
（i）目标环境中包含了感知所需的所有信息
（ii）感知是立即和自发的
根据这些原则，可以假设为了理解，必须优先考虑环境，而不必担心潜在的过程。以态势为重点的方法为将SA定义为状态提供了更多的事实依据。可以根据事件、对象、系统、其他人及其相互影响来定义态势。但是，由于态势取决于领域，并且环境中应该属于SA的态势要素与实际所需的要素不同，因此使态势变得复杂。Pew提供了一个示例，他将态势定义为：参与者正在与之交互的一组环境条件和系统状态，这些状态和系统状态可以通过一组信息、知识和响应选项来唯一地描述（Pew，2017）。上述Pew建议安全评估应该整合态势的五个方面：
1）周围环境、2）任务的目标、3）系统、4）可用的物质和人力资源、5）成员。
因此，“态势”具有很大的含义。 它包括任务和任务功能，以及重要环境中的其他人员。这不仅仅是对上下文环境中对象空间分布的认识。
（3）态势感知的发展历程
态势感知的历史可以追溯到第一次世界大战（Press，2000）。有证据表明，早在1983年Douglas航空公司在开发垂直和水平的态势显示时首先采用了“态势感知”这一词语并记载在了技术文献中（Biferno，1983）。直到1980s年代，Endsley、Mavor等研究者从多个方面理解给出了对态势感知的定义。1990s年代，态势感知被广泛的应用为保障空战交战中的决策的关键因素（Endsley，1990）。1999年，Bass首次将态势感知应用到网络安全领域。现在，态势感知在网络安全领域的应用十分广泛。
2.1.2 从定义到态势感知（SA）模型
如果SA是一个状态，那么必须给出定义该状态的知识的精确定义。态势模式和知识模式之间应该有一定的映射关系。如果SA依赖于一组不是SA固有部分的进程，那么指定哪些进程对SA是必需的就变得很重要。模型是对象或过程的表示或描述，或多或少是完整的。对象的表示是指描述或描述该对象的语句、公式或图像。描述一个过程的模型将包括一个或一系列完成一个目的的操作（Pew，2017）。SA模型将分为两组：描述性模型和规定性（计算、数值或基于模拟的）模型。大多数SA模型都是描述性的。SA的描述模型是由描述当前SA过程的效益驱动的。一个好的描述模型将反映操作者的决策过程。它非常灵活，可以考虑到操作环境中典型的大多数约束。然而，描述模型很难用正式的规定性术语来表示，因此只能提供相当一般的预测能力。描述模型能够系统地描述什么是SA以及如何生成SA。研究者对SA描述模型进行了系统分析（Endsley，2017），总体上提供了八个模型来表示人们如何在复杂领域实现SA的模型。在这些模型中，Endsley的模型显然是在SA上所做的大多数工作的参考。它是SA的典型描述模型。其他一些模型侧重于SA的特定方面，但仍受Endsley模型的约束（Gibson，2014）。鉴于Endsley的SA模型对概念的演变及其被领域专家接受的巨大影响，我们将简要描述该模型，然后讨论Endsley模型的基本方面。
（1）Endsley模型
Endsley提出了一个SA模型，该模型包括两个主要部分：核心SA模型和一组影响SA的各种因素。第一部分，核心SA模型代表了直接负责SA的过程。第二部分详细描述了影响SA的各种因素，分为四大类：外部世界、任务和环境因素、个体因素和一组领域因素。这些因素还包括当前模型的所有组成部分，如目标、主动图式、过去经验、过程和记忆。核心SA模型通常称为SA模型。Endsley提出的核心SA模型是当前核心SA建模的基础。它是一个三级系统，可以描述如下:
第一级，感知环境中的元素，是实现SA的第一步。它提供有关环境中相关元素的状态的信息。与长时记忆知识的交互作用使得信息分类成为可能。该子集根据任务要求进行注意选择。元素被构造成时空中有意义的事件。这些内容在工作记忆中是活跃的，因此为其认知提供了基础。
第二级，对当前形势的理解，是第一个层次中提取因素的综合。它提供了元素的有组织的图片，并理解对象和事件的重要性。储存在长期记忆中的图式或心理模型是二级情景模拟的基础。然后，第二级SA被定义为描述心理模型当前状态的情景模型。
第三级，未来状态的预测，是通过对地位、要素动态的了解和对形势的理解来实现的。它可以预测环境在将来的状态。
Endsley模型是一个复杂的模型，在这个模型中状态和过程是相互关联的。Endsley等人描述了Endsley三级模型的扩展版本。到目前为止，它是最广泛的SA模型，包括一组认知和非认知因素。虽然这使得模型在影响SA的因素方面包罗万象，但并没有进一步推动核心SA的建模。
（2）Boyd控制循环模型（OODA）
OODA Loop模型是在朝鲜战争期间由美国空军的Byod上校开发的（韩煜，2014）。这是一个由以下四个动作组成的概念：1）观察、2）导向、3）决策、4）行动。
该模型的前提是决策是理性行为的结果，其中问题被视为观察、定向（态势感知），决策和行动的循环。
观察。扫描环境并从中收集信息。从尽可能多的来源收集尽可能多的当前信息。 有效观察的主要挑战之一是知道要监视的信息，并对每条信息应用正确的过滤器。
导向。使用这些信息来形成对情况的心理印象。即将数据合成为信息。通常，无法做出好的决定的原因是糟糕的决策者。但是，大多数人做出错误决策的真正原因是，他们常常无法将自己拥有的信息放入适当的上下文中。这就是“导向”出现的地方。导向强调事件发生的环境，以便我们可以促进决策和行动。导向有助于将信息转化为知识。知识是做出正确决策的真正预测因素，信息则不能。Byod还指出了影响决策的五种主要因素：1）文化传统、2）基因遗产、3）分析和综合能力、4）以前的经验水平、5）新信息涌入。
决策。考虑选项并选择后续操作。目标是做出比对手更好更快的选择。预测未来的能力可以使成功或失败有所作为。
行动。执行构思的决定。一旦观察到操作的结果，就可以重新开始。很明显，这是一个循环，而不是一次性的事情。
2.1.3 智慧校园安全态势感知
本文的目标之一旨在完成一个校园安全态势感知系统。那么，校园安全态势感知的定义和结构是什么呢？我们从概念层面指出：校园安全态势感知并不作为数据融合模型的一部分，而是作为一个独立完整的概念存在，校园安全的态势感知模型依然从概念层面符合Endsley的人类态势感知模型。但是，本文对该模型的态势提取、态势理解、态势预测在应用的校园安全态势感知系统中时做了重新的解释。
校园安全态势感知是指对校园环境安全状况的认知过程，包括对从校园环境中测量到的原始数据逐步进行融合处理、实现对校园环境的状态及活动语义的提取、识别出存在的校园环境中各类规定的活动以及异常活动的意图。如图2.1所示，校园安全问题的影响因素包括校园内的物理、化学、火灾以及交通为主要的四个因素。物理因素包括了气象数据在内的气温、噪声、紫外线等等（张碧辉等，2010）。化学因素包括可燃性气体、毒气体等等。交通因素包括车流、车速、人员数量等等（刘缅芳，2016）。校园环境下的人车混合、突发性等场景特征需要态势感知系统针对这些情况采集车速、干扰、车型等等的数据来整体把握交通态势。火灾因素包括光线、烟雾等等（傅智敏，2014）。
图2.1 校园安全影响因素的分析
Fig.2.1 Analysis of compacting smart campus security
图2.2是采集校园安全态势资源的节点分布结构，呈现区—节点的两级结构，每个节点集可以有一个或多个中心节点。校园内的教学楼、食堂、学院、实验楼、图书馆以及道路等场景称为区。一个采集单元可以大到一栋建筑物、一间教教室，也可以小到食堂的一个角落。地域是一个语义上的划分。例如，校园内所有的食堂场景可以是一个地域，再或者食堂及其周边道路构成一个区，则校园内所有的食堂和食堂周边道路能构成一个地域。
图2.2 用于校园安全资源采集的区—节点两级分布
Fig.2.2 Two-level Distribution of zero-nodes for collecting campus situation resources
2.2 DIKW graphs架构
2.2.1 数据—信息—知识—智慧体系
数据、信息、知识、智慧的层次结构自从在诗歌《The Rock》中首次被提及，DIKW体系至今在许多领域都广受欢迎。这种层次结构通常被称为“知识层次结构”或“知识金字塔”。智慧位于类型层次结构的顶部。从智慧中可以得出理解、知识、信息以及最底层的数据。
数据是这些可观察属性的符号表示，是代表对象、事件及其环境的属性的符号。它们是观察的产物，而观察就是感知。信息是可用的、重要的、有意义的或已处理的数据。数据可以被处理成以“谁”、“什么”、“哪里”、“何时”或“多少”开头的问题回答，即数据变为“信息”。数据本身在转换为相关形式之前没有任何价值。数据和信息之间的差异是功能性的，而不是结构性的。信息也可以从数据中推断出来。处理数据以产生信息通常会减少该数据。在许多情况下，系统一般都是从数据推断信息。信息是相关数据，有时还包括来自相关数据的推论结果。因此，信息是数据的子集。该数据的子集由从该子集推断出或计算出或细化的其他项扩充。知识常常被视作专有技术或技能，而不是将知识理解为命题知识。专有技术可以使代理将信息提升为控制角色，即将信息转换为指令。智慧在DIKW层次结构的最上层，但是很少有作者讨论或者使用它，因此这里不再过多讨论。
2.2.2 DIKW graphs架构
知识图谱以结构化的形式描述客观世界中的概念、实体间的复杂关系。知识图谱本质上是一种语义网络，其结点代表实体（entity）或者概念（concept），边代表实体/概念之间的各种语义关系（Duan et al.，2017）。知识图谱最初由谷歌提出，目的是利用网络多源数据构建的知识库来增强语义搜索、提升搜索质量。2017年，Duan等人（Duan et al.，2017）用数据图谱、信息图谱、知识图谱、智慧图谱细分了知识图谱体系结构。笔者认为，细分的架构是对知识图谱体系结构的一次重大突破，具有重要的意义。由于本文只在数据、信息、知识的层面上分析校园安全问题，还没有涉及到智慧层面，因此暂时忽略智慧图谱，只给出数据图谱、信息图谱、知识图谱的概念如下：
数据图谱（Data Graph）。数据图谱可以通过数组、链表、队列、树、栈、图等数据结构来表达。数据图谱能记录关键词出现的频度，包括结构、时间和空间三个层次的频度。本文在数据图谱上进行基于关联频度的分析。关联分析是从数据库中找到频繁的模式、关联、因果结果。它是一个数据挖掘过程，主要应用在购物篮分析、交叉营销、捆绑打折销售。信息图谱（Information Graph）。信息图谱可以通过关系数据库来表达。在信息图谱上，可以进行数据清洗、消除冗余数据等操作。知识图谱（Knowledge Graph）。知识图谱可以通过包含结点和结点之间关系的有向图来表达，知识图谱对需求语义的映射更完整，覆盖范围更宽。在知识图谱上可以进行智能推理以补全知识或者完成知识问答。在知识图谱上可以采用路径排序算法（PRA，Path Ranking Algorithm）预测事实，进行知识补全。它是一种使用关系路径来推理新的知识的方法，相比于嵌入方法，PRA的解释性强，适用于校园安全态势感知场景。
2.3 专家系统和边缘计算介绍
（1）专家系统
专家系统（Expert System）是一种智能的计算机程序，她运用知识和推理来解决只有专家才能解决的复杂问题（费根鲍姆E.A.Feigenbaum），基本结构如图2.3所示。1968年，第一台专家系统DENDRAL系统诞生，用以推断化学分子结构。目前研究者已开发出多种多样的专家系统。
知识库用于存储求解问题所需的领域知识和事实等。知识一般以规则表示，形如：
IF <前提> THEN <结论>
当<前提>被满足时，可以得到<结论>。推理机利用知识库进行推理。按照推理的方向，区分为正向推理和反向推理。专家系统经历初创期、成熟期、发展期，根据其发展历程可以区分为基于规则的、基于框架的、基于案例的、基于模型的、基于Web的等五种类型的专家系统。基于规则的专家系统是目前最常用的形式，在设计校园安全自动报警系统时，本文将尝试从数据、信息、知识的角度细化地表达规则，从而更加清晰、直观、高效的判断安全威胁并做出决策。
图2.3 一个专家系统的结构
Fig.2.3 Structure of expert system
（2）边缘计算
云计算将数据集中传输至数据处理中心并进行所有的计算任务。然而，随着采集的数据海量式增长，传输带宽成为执行云计算任务的瓶颈。为应对这一问题，边缘计算应运而生。边缘计算利用边缘设备的存储和计算能力，将计算任务分布到网络的边缘进行。这种模式降低了在必要时资源上传至云端的规模，提升了系统的处理效率。因此，为了在网络的边缘尽可能的获取到相对较大的计算和存储能力，本系统建议采用云计算、雾计算、边缘计算相结合的方式。设计资源传输机制以最大限度的降低态势资源在节点之间传输的时延。图2.4展示了这一结合方式。分别在云、雾、边缘环境下进行存储和计算。
图2.4 系统的计算模式
Fig. 2.4 Computing module of this system
2.4 Django设计框架
Python. Python是一种广泛使用的解释型、高级编程、通用型编程语言。Python的设计哲学强调代码的可读性和简洁的语法。相比于C++或Java，Python让开发者能够用更少的代码表达想法。本设计中采用python3.x版本。
Django Web设计框架. Django是一个开放源代码的Web应用框架，由Python写成。采用了MVT的软件设计模式，即模型Model，视图View和模板Template。Django的主要目标是使得开发复杂的、数据库驱动的网站变得简单。Django框架的核心包括：一个面向对象的映射器，用作数据模型（以Python类的形式定义）和关系型数据库间的介质；一个基于正则表达式的URL分发器；一个视图系统，用于处理请求；以及一个模板系统。
前端设计：前端设计采用HTML、JS、CSS等设计前端可视化页面。
D3.Js. D3代表数据驱动的文档。它是Mike Bostock开发的开放源代码JavaScript库，用于使用SVG，HTML和CSS在Web浏览器中创建自定义的交互式数据可视化。D3使用了Web标准，以数据为驱动，可以进行MOD（数据操作文档对象模型）操作。D3以数据驱动元素，提供动态属性。它更可以自定义可视化、过度、交互和动画。
Echart. Ecahrt用于态势的可视化。Echart功能丰富，可以进行多维度数据分析、多设备随意展示。其具有丰富的可视化类型，如折线图、柱状图、热力图、关系图等等。
Arduino. Arduino系列单片机是基于AVR芯片的微型计算机，本文采用了该系列的单片机来设计边缘计算节点。
2.5 本章小结
本章是基础理论与技术。阐述了态势感知的概念、模型、及校园安全场景下的态势感知。也阐述了DIKW图谱架构，分类介绍了数据图谱、信息图谱、知识图谱的概念。最后介绍了系统开发框架Django以及专家系统和边缘计算。
第3章 基于DIKW架构的安全态势感知与预测
3.1 定义和态势感知模型
（1）定义
定义3—1：态势层次（Level of situation，LoS）。本文将态势的层次区分为数据态势（Data Situation）、信息态势（Information Situation）、和知识态势（Knowledge Situation）。图3.1展示了数据态势、信息态势、知识态势之间的递进关系、以网络形式组织的三种类型态势的整体结构、以及与DIKW graphs（DIKW图谱）概念之间的继承关系。
图3.1 以继承了DIKW 图谱概念的网络结构组织递进式数据、信息、知识态势
Fig. 3.1 Organization of data, information, knowledge situation through network structure that inherited DIKW graphs
本文定义的面向智慧校园构建的数据态势网络、信息态势网络、知识态势网络继承了DIKW图谱架构的概念和方法。资源态势网络作为处理的基础设施，具体的定义如下：
定义3—2：态势网络（Situation Network，SN）。本文定义态势网络为数据态势网络、信息态势网络、知识态势网络组成的三元组，即：
SN: = {Data Situation, Information Situation, Knowledge Situation} Network
= {DSN, ISN, KSN}
其中，对DSN、ISN、KSN的定义如下：
定义3—3：数据态势网络（{Data Situation}Network，DSN）。数据态势网络继承了DIKW图谱中数据图谱的概念。数据态势网络的存储形式为一个三元组：（数据节点，关联，数据节点）。数据节点被用来记录事实和观察。数据节点也能够被抽象为一条信息或一条知识的节点。属性关系记录数据节点的其他数据。DSN可以用无向图D（G，V）来表示，其中G表示DSN上的节点，V表示DSN上的边。语义上，节点可以是抽象的概念、对象，甚至具体的数据，V表示节点之间的关联。
定义3—4：信息态势网络（{Information Situation}Network，ISN）。信息态势网络继承了DIKW图谱中信息图谱的概念。信息态势网络的存储形式为一个三元组：（信息节点，交互，信息节点）。信息节点的内部可以是由数据节点组成的一条链、一个树、或者一个图。信息节点至少由两个数据节点组成。ISN可以用有向图I（G，V）表示，其中G表示ISN上的信息节点，V表示节点之间的有向边，边的起点连接交互的源，边的终点指向交互的目的。
定义3—5：知识态势网络（{Knowledge Situation}Network，KSN）。知识态势网络继承了DIKW图谱中知识图谱的概念。知识态势网络的存储形式为一个三元组：（知识节点，关联，知识节点）。知识节点记录一个概念或者实体。关系表达概念与概念之间、概念与实体之间、实体与实体之间的相关关联。KSN可以用有向的语义网K（G，V）来表示，其中G表示KSN上的实体，V表示KSN上的边。语义上，V表示实体之间的语义。
图3.2 以DIKW图谱形式组织的态势网络示例
Fig. 3.2 Example of situation network in forms of DIKW graphs
因此，态势网络是这样一张网络，它由数据态势网络、信息态势网络、知识态势网络组成，用来描述和组织态势资源。图3.2展示了一张态势资源网络的示例。（a）是DSN的一个示例，数据节点间的边反映关联关系。例如，构建校园物理安全态势资源DSN时，Di表示气温值，Ai表示时间属性，则边“D4—D5”表示D4与D5在时间上顺序关联，形成了时间上的先后采集关系。（b）是ISN的一个示例，信息节点间的边反映交互关系。图中“D4àD5àD3”可以描述为形成了轨迹信息I3，其与另一条轨迹信息I4（“D2àD1”）又产生交互行为“I3àI4”。例如，为了判断数据是否冗余，信息I3和信息I4进行交互以获取I4的时间属性A2和自身的值[D2，D3]，从而判断是否为同一时间采集的冗余数据。（c）是KSN的一个示例，知识节点间的边反映一般的关系，图中“关系1”可以表示蕴含关系。例如，经过统计分析，气温增大事件E1的发生能够大概率连带气湿度增大事件E2的发生，则E1蕴含出E2，即（E1，蕴含，E2）。
定义3—6. 校园安全态势资源（CSSR）。本文对包含数据、信息、知识三种类型的校园安全态势资源定义如下：
CSSR: = {Situation Data, Situation Information, Situation Knowledge}
= {DataSituation, InformationSituation, KnowledgeSituation}
（2）态势感知模型
智慧校园中面向边缘计算的系统采集到大量的、不完整、有噪音的涉及物理、化学、火灾、交通四个领域的安全态势资源，如何从这些态势资源中去挖掘出有趣和有价值的信息，再进一步形成知识，从而发现高危资以帮助管理员做决策是本文构建模型的目标。边缘计算系统通过对采集的校园安全态势数值、图像、语音、文本进行处理形成本文所考虑的气象、噪音、紫外线、有毒气体、可燃性气体、窒息性气体、温度、烟雾、光线、气体、车流量、车速、车头时距、道路占有率、人车混和情况等等涉及校园安全的指标。每一次采集是一次事务，那么这些指标间以及这些指标形成的集合的幂集（power set）的元素间有什么关联，使得能够对下一次采集的指标数据进行预测？如果被判定为高危元素，那么该元素的重要度如何？管理员应该优先处理哪个元素对应的校园威胁事件？该在知识层面，高危元素能够蕴含什么结论、它的前件、以及结合其他的元素能够蕴含出哪些新的知识？
为了解决上述问题，本文设计基于DIKW图谱架构的智慧校园态势感知模型如图3.3所示。对应于被广泛接受的Endsley态势感知模型，允许将态势提取映射到构建数据态势网络（DSN），将态势理解映射到构建信息网络（ISN），将态势预测映射到构建知识网络（KSN）。DSN、ISN、KSN是一个递进式的层次化关系。态势数据、信息、知识能够在DSN、ISN、KSN三层架构上进行感知操作。采集的考虑的指标数据将在DSN上描述和组织，形成网络结构，表达数据节点间的关联关系。在DSN上，首先对原始采集的大量的、不完整、有噪音的数据进行清洗，接着通过遍历DSN统计数据出现的频度，进行关联分析（Association computing），从而挖掘指标集合中元素间的关联。这一步将确定当校园安全受到威胁时哪些指标被标识为高危数据以及哪些指标是连带威胁。根据DSN上分析结果，构建ISN，成成网络结构，表达节点间的交互关系。在ISN上，消除数据的冗余和不一致，对交互情况进行建模，从而计算交互度（Interaction computing），评估元素在ISN上的重要程度。这一步将确定当校园安全受到威胁时管理员对高危元素的处理优先级。根据ISN上的分析结果，构建KSN形成网络关系，表达节点间存在的各种关系。在KSN上知识推理（Knowledge reasoning）。为了从知识层面预测下一步的校园安全态势，通过知识推理进行知识补全，例如校园气温被标识为高危指标，气湿度正常，然而通过路径计算发现，气温高危事件能够蕴含出气湿度高危，则下一次采集中，如果气温高危则可以预测气湿度也为高危。
图3.3 智慧校园中基于DIKW架构的态势感知模型
Fig. 3.3 DIKW graphs-based situation awareness model for smart campus
当前被广泛认可的Endsley三级态势感知模型（Endsley，2017）和Boyd控制循环模型（OODA）（韩煜，2014）能够很好的解决态势感知问题。这两个模型的SA核心本质上就是对目标场景的数据、信息、知识进行获取和分析，而数据图谱、信息图谱、知识图谱正是为了对类型化资源管理而提出的图谱框架。但是这两个模型却要融合各个分散的处理过程，才能完成态势感知。因此，有比要将传统态势感知模型的SA核心映射到细分的知识图谱，即：数据图谱、信息图谱、知识图谱的资源处理框架，来优化整个分析和解决问题的过程。现有的基于上述两个广泛认可的模型提出的在以过程定义的态势感知方法中，即态势评估方法，流行从逻辑关系、数学模型、概率统计、规则推理等四个方式进行数据融合。然而这些方法尽管效果不错，却都是仅从某一个角度切入，完成了对当前态势从数据到信息转换的初步理解。在智慧校园场景下，这些模型前提是决策是理性行为的结果，因此任何单一的方法获得的结果都无法整体的展现校园安全态势，这也产生了本文在所提出的模型上设计态势感知方法的必要性。
3.2 层次化校园安全态势感知方法
算法3.1给出了基于DIKW图谱架构的校园安全态势感知方法，步骤如下：
步骤1）采集校园安全态势资源CSSR，并且进行预处理，从而达到进一步进行处理的格式要求。若资源未被处理完毕，则循环执行步骤2至步骤4。
步骤2）执行DSN处理，即数据态势感知。首先构建数据态势网络DSN。其次遍历DSN节点，在DSN上执行数据清洗（杜岳峰，2017）和特征选取（丁小欧，2016）。最后执行围绕关联频度计算的数据态势感知操作，得到DSN和分析结果。
步骤3）执行ISN处理，即信息态势感知。首先构建信息态势网络ISN。其次遍历ISN节点，在ISN上执行消除冗余和不一致（孔钦等，2018）。最后执行围绕交互计算的信息态势感知操作，得到ISN和分析结果；
步骤4）执行KSN处理，即知识态势感知。首先构建知识态势网络KSN。其次遍历KSN节点，执行完整性处理（刘永楠，2013）。最后执行围绕知识推理的知识态势感知操作，得到KSN和分析结果；
步骤5）获取实时数据，调用上述过程，得到最终的分析结果。
每一步骤具体的过程在下面的小节给出。
算法3.1基于DIKW图谱架构的层次化态势感知流程 |
输入：CSSR set、real-time data 输出：DSN/ISN/KSN、analyzing_results Process01: # DSN/ISN/KSN模型构建 1. def SAmodel(): 2. Obtain and preprocessing CSSR set # 获取CSSR，并进行预处理； 3. WHILE Scale（CSSR set）>0 DO: # 资源未处理完毕 4. DSNßConstructDSN # 构建数据态势网络DSN 5. For m in DSN: # DSN处理 6. ClearData_in_DSN # 并在DSN上进行数据清洗和特征选取 7. DSN_RESULT ßAssociateComputing_in_DSN #关联分析结果 8. ISNßConstructISN # 构建信息态势网络ISN 9. For n in ISN: # ISN处理 10. EliminatereDundancies_in_ISN # 消除冗余和不一致 11. ISN_RESULT ßInteractionComputing_in_ISN #交互分析结果 12. KSNßConstructKSN #构 建知识态势网络ISN 13. For k in KSN: # KSN处理 14. Integrityprocess_in_KSN # 完整性处理 15. KSN_RESULT ßKnowledgeReasoning_in_KSN #知识推理结果 16. return DSN/ISN/KSN and DSN_RESULT/ ISN_RESULT/ KSN_RESULT Process02: #调用SAmodel()处理实时数据 1. Obtain real-time data # 获取实时数据 2. analyzing_results = SAmodel(real-time data) # 输出态势感知结果 |
3.2.1 DSN的构建及操作
（1）数据及数据态势网络建模
多维数据模型能够更好的反映对象本质（李盛恩等，2005），本文从多维度多类型的角度对数据态势的建模如下：
Data: = {D1(d1(d11(…), d12(…), …), d2(d21(…), d22(…), …) …), …}
算法3.2是对数据建模的方法。数据态势具有n个维度，每个维度有mi（0<i￡n）个元素。其中，Di（1￡i￡n）表示数据维度，d表示数据元素及深度。为了避免维灾难（curse of dimensionality），本模型中的数据的维度n和建模深度都是有限的。每个维度的类型区分为定性的（qualitative）和定量的（quantitative）。对数据的处理根据其定性的或定量的类型区分而不同。定性的使用右上标X来表示，例如，数据Data的维度D1类型是定性的，表示为D1X。定量的使用右上标L来表示，例如，数据Data的维度D2类型是定量的，表示未D1L。元素的数量是分辨率的函数，采集数据时，分辨率影响数据的规模，也形象数据分析的结果。分辨率使用右下标R来表示，例如，数据Data是在分辨率R1下得到的，则表示为D1R。若数据具有稀疏性，则使用右上标S来表示。此时，态势数据表示如下：
DataS: = {D1 X|L R(d1 X|L R(d11 X|L R(…), d12 X|L R(…), …), d2 X|L R(d21 X|L R(…), d22 X|L R(…), …) …), …}
对上述数据模型的综合维度（Dim）评估算法为：
（公式3—1）
其中，Di表示第i层的维度值，ai表示该层的维度值在整体维度评估的平均权重。
算法3.2 数据及数据态势网络的建模 |
输入：data dimension、depth、type、resolution ratio、sparsity、Data set 输出：DataMedol Process01：# 确定数据的维度和深度 1. Data {d1, d2, …} ß Analyzing data dimension 2. Data {d1{d11, d12, …}, …} ß Analyzing data depth Process02：# 确定数据的类型、分辨率、稀疏性 3. Data {d1X|L{d11 X|L, d12 X|L, …}, …} ß Analyzing data type 4. Data {d1X|L R{d11 X|L R, d12 X|L R, …}, …} ßAnalyzing data resolution ratio 5. DataS{d1X|L R{d11 X|L R, d12 X|L R, …}, …} ß Analyzing data sparsity Process03：#建立数据模型，并建立DSN 6. DM ß DataS{d1X|L R{d11 X|L R, d12 X|L R, …}, …} # 数据模型 7. DataModel ß Data(DM, Data set) # 初始数据模型 |
火灾态势数据建模
对火灾数据采集的越全面，融合识别就越准确。我国火灾中电气原因是导致资产损失和人员伤亡的主要原因，酒吧、歌舞、餐饮、商场等场所是主要发生地（傅智敏，2014）。单一的传感器很难准确的把握火灾的态势，因此对火灾数据的建模要考虑多个方面。
基于上述数据态势建模方法，本文对火灾数据态势模型定义（Fire Data Situation， FDS）如下：
FDS: ={FS(X|L,Up|Down) R(Security(X|L,Up|Down) R, Threat(X|L,Up|Down) R, Start(X|L,Up|Down) R, Development(X|L,Up|Down) R, Strong(X|L,Up|Down) R, Reduction(X|L,Up|Down) R, End(X|L,Up|Down) R) (TEM(X|L,Up|Down) R, GAS(X|L,Up|Down) R, SMO(X|L,Up|Down) R, LIG(X|L,Up|Down) R), FT(X|L,Up|Down) R(N(X|L,Up|Down) R, A(X|L,Up|Down) R, B(X|L,Up|Down) R, C(X|L,Up|Down) R, D(X|L,Up|Down) R, E(X|L,Up|Down) R, F(X|L,Up|Down) R) (THI(X|L,Up|Down) R, GAS(X|L,Up|Down) R, ZER(X|L,Up|Down) R), FLA(X|L,Up|Down) R (Area(X|L,Up|Down) R, Property(X|L,Up|Down) R, People(X|L,Up|Down) R), FBT(Time(X|L,Up|Down) R, Position(X|L,Up|Down) R, Zero(X|L,Up|Down) R)}
FDS有火灾态势（FS）、类型（FT）、损失评估（FLA）、归属（FBT）四个维度。Up/Down右上标符号表示当前状态在融合环境数据下语义上的上升或者下降趋势，为0时表示无趋势或者无该属性。FS表示态势维度，包含安全Security、威胁Threat、初燃Start、发展Development、猛然Strong、残势Reduction、灰烬End等元素。TEM、GAS、SMO、LIG分别表示温度、气体、烟雾、光线数据。FT表示类型维度，包含固体物质火灾A、液体或可熔化的固体物质火灾B、气体火灾C、金属火灾D、带电火灾E、烹饪器具内的烹饪物火灾F、未知N等元素。THI、GAS、ZER分别表示物体类别、气体成分、区域数据。FLA表示损失评估，包含面积Area、资产Property、人员People等元素。FBT表示归属，包含时间Time、地点Position、区域Zero等元素。上述火灾数据态势模型共有4层。经统计每一层的维度值为4、18、12、20，假定维度权重分配为0.2、0.3、0.4、0.1。则根据公式（3—1），计算得该模型的综合维度为13。然而并不是每一次采集都是所有叶子节点涉及的火灾指标都参与，因此综合维度总是要小于13。
‚ 交通态势数据建模
校园交通的人车混行、阵发性、冲突性、互扰性、行人和自行车为主等交通特征使得单一的数据采集和疏散方式难以解决复杂的校园交通问题（刘缅芳，2016）。对交通数据态势模型定义（Traffic Data Situation，TDS）如下：
TDS: ={TS(X|L,Up|Down) R(Unknow(X|L,Up|Down) R, Unimpeded(X|L,Up|Down) R, Amble(X|L,Up|Down) R, Congestion(X|L,Up|Down) R, Hcongestion(X|L,Up|Down) R)(TrafficFlow(X|L,Up|Down) R, RDOT(X|L,Up|Down) R, Speed(X|L,Up|Down) R, TimeHeadway(X|L,Up|Down) R, QueueLength(X|L,Up|Down) R), RL(X|L,Up|Down) R(HighRoad(X|L,Up|Down) R, TrunkRoad(X|L,Up|Down) R, OrdinaryRoad(X|L,Up|Down) R, NoNameRoad(X|L,Up|Down) R), TT(X|L,Up|Down) R(BigVehicle(X|L,Up|Down) R, SmallVehicle(X|L,Up|Down) R, TwoWheelers(X|L,Up|Down) R, People(X|L,Up|Down) R)( VehicleType(X|L,Up|Down) R, PeopleNumber(X|L,Up|Down) R), TLA(X|L,Up|Down) R(SiatuationLength(X|L,Up|Down) R, SituationDuration(X|L,Up|Down) R, Property(X|L,Up|Down) R, People(X|L,Up|Down) R)(QueueLength(X|L,Up|Down) R, Speed(X|L,Up|Down) R, VehicleType(X|L,Up|Down) R, PeopleNumber(X|L,Up|Down) R), TBT(X|L,Up|Down) R(Time(X|L,Up|Down) R, Road(X|L,Up|Down) R, Zero(X|L,Up|Down) R)}
TDS有交通态势（TS）、道路等级（RL）、类型（TT）、损失评估（TLA）、归属（TBT）等五个维度。交通态势TS的Unknow、Unimipeded、Amble、Congestion、Hcongestion分别表示状态未知、畅通、缓行、拥堵、严重拥堵等状态。TrafficFlow、RDOT、Speed、TimeHeadway、QueueLength分别表示车流量、道路时间占有率、速度、车头时距、排队长度。道路等级RL的元素HighRoad、TrunkRoad、OrdinaryRoad、NoNameRoad分别表示高速道路、主干道路、一般道路、无名道路。类型TT的元素BigVehicle、SmallVehicle、TwoWheelers、People分别表示大型车、小型车、两轮车、人。VehicleType、PeopleNumber分别表示车型和人数。损失评估TLA的元素SiatuationLength、SituationDuration、Property、People分别表示发生长度、发生时长、资产、人员。QueueLength、Speed、VehicleType、PeopleNumber分别表示排队长度、车速、车型、人数。归属TBT的元素Time、Road、Zero分别表示时间、道路、区域。上述交通数据态势模型共有3层。经统计每一层的维度值为5、20、49，假定维度权重分配为0.3、0.6、0.1，计算得该模型的综合维度为18.4。然而并不是每一次采集都是所有叶子节点涉及的交通指标都参与，因此综合维度总是要小于18.4。
ƒ 物理态势数据建模
包括气象数据在内的校园物理数据是反映校园物理安全的重要依据，包括温度、湿度等在内的物理数据的采集和识别能够很好的对校园物理态势进行把握。以北京大学为例的气象数据模拟中发现，9月份校园北部温度低于南部,15:00温差可达6.7℃，很好的察觉到校园的气温态势（张碧辉等，2010）。定义物理数据态势模型（Pythic Data Situation，PDS）如下：
PDS: ={PS(X|L,Up|Down) R(Security(X|L,Up|Down) R, Threat(X|L,Up|Down) R, UncomfortableGrade(X|L,Up|Down) R, HarmGrade(X|L,Up|Down) R, BadHarmGrade(X|L,Up|Down) R)(AirTemperature(X|L,Up|Down) R, AirPressure(X|L,Up|Down) R, AirHumidity(X|L,Up|Down) R, WindSpeed(X|L,Up|Down) R, UltravioletRays(X|L,Up|Down) R, Noise(X|L,Up|Down) R), PT(X|L,Up|Down) R(Single(X|L,Up|Down) R, Combination(X|L,Up|Down) R), PLA(X|L,Up|Down) R(Property(X|L,Up|Down) R, People(X|L,Up|Down) R)( DeviceLifetime(X|L,Up|Down) R, DeviceValue(X|L,Up|Down) R, PeopleNumber(X|L,Up|Down) R, Motion(X|L,Up|Down) R), PBT(X|L,Up|Down) R(Time(X|L,Up|Down) R, Zero(X|L,Up|Down) R)}
PDS有物理态势（PS）、类型（PT）、损失评估（PLA）、归属（PBT）等四个维度。其中，物理态势PS的元素Security、Threat、UncomfortableGrade、HarmGrade、BadHarmGrade分别表示安全、威胁、不舒适级、损害级、严重损害级等状态。AirTemperature、AirPressure、AirHumidity、WindSpeed、UltravioletRays、Noise分别表示气温、气压、气湿、风速、紫外线、噪音等数据。类型PT的元素Single、Combination分表表示单一型和组合型，单一性表示PS的第四层的任一取值，组合型则表示这些单一取值的组合情形。损失评估PLA的元素Property、People分表表示资产和人员。DeviceLifetime、DeviceValue、PeopleNumber、Motion分别表示资产寿命、资产价值、人数、情感。归属PBT的元素Time、Zero分别表示时间、区域。上述物理数据态势模型共有3层。经统计每一层的维度值为4、11、38，假定维度权重分配为0.3、0.6、0.1，计算得该模型的综合维度为11.6。然而并不是每一次采集都是所有叶子节点涉及的物理指标都参与，因此综合维度总是要小于11.6。
校园内包括二氧化碳、一氧化碳、油烟、水蒸气等等空气中的各类成分的浓度影响校园空气的质量，进而影响校园的化学安全，而环境友好型校园是建设绿色安全校园目标之一。定义化学数据态势模型（Chemistry Data Situation，CDS）如下：
CDS: ={CS(X|L,Up|Down) R(Security(X|L,Up|Down) R，Threat(X|L,Up|Down) R，UncomfortableGrade(X|L,Up|Down) R，HarmGrade(X|L,Up|Down) R，BadHarmGrade(X|L,Up|Down) R)(Density(X|L,Up|Down) R，GasType(X|L,Up|Down) R(Poisonous(X|L,Up|Down) R，Flammable(X|L,Up|Down) R, Asphyxiant(X|L,Up|Down) R))，CT(X|L,Up|Down) R(Single(X|L,Up|Down) R， Combination(X|L,Up|Down) R)，CLA(X|L,Up|Down) R(Property(X|L,Up|Down) R，People(X|L,Up|Down) R)(PropertyValue(X|L,Up|Down) R，PeopleHealth(X|L,Up|Down) R，Motion(X|L,Up|Down) R)，CBT(X|L,Up|Down) R(Time(X|L,Up|Down) R，Zero(X|L,Up|Down) R)}
CDS有化学态势（CS）、类型（CT）、损失评估（CLA）、归属（CBT）等四个维度。CS的元素Security、Threat、UncomfortableGrade、HarmGrade、BadHarmGrade分别表示安全、威胁、不舒适级、损害级、严重损害级等状态。CS包含 Density和GasType两个元素。Type作为维度的元素Poisonous、Flammable、Asphyxiant分别表示毒气体、可燃性气体、窒息性气体。CT的元素Single、Combination分表表示单一型和组合型，单一性表示PS的第五层的任一取值，组合型则表示这些单一取值的组合情形。损失评估CLA的元素Property和People分别表示资产和人员。PropertyValue、PeopleHealth、Motion分别表示资产价值、人体健康、情感。归属CBT的元素Time、Zero分别表示时间、区域。本模型共有4层。经统计每一层的维度值为4、11、16，3。假定维度权重分配为0.2、0.3、0.4、0.1，计算得该模型的综合维度为10.8。然而并不是每一次采集都是所有叶子节点涉及的交通指标都参与，因此综合维度总是要小于10.8。
图3.4是对校园安全场景下资源进行整体建模。图中的节点已在上述模型构建时说明其含义。不同的颜色代表在树结构中不同的层次。虚线框表示每一个双亲结点包含虚线框内的元素。仅仅展示在该模型中，节点所代表的数据的层次关系、包含关系、每一层的维度等信息。在构建DSN、ISN、KSN时将借鉴该模型所表达的信息。
Fig. 3.4 Modeling of campus security situation data
（2）构建DSN
DSN可以根据时间上、结构上、空间上等的关联进行构建。本文根据构成事务的结构上关联进行构建。图3.5展示了对气象局于2020.3.21—2020.3.27时间段内5万多行气象数据根据结构关联构建DSN。DSN上展示态势资源数据图谱及其规模，校园安全资源可能包含数据、图像、声音、文本等等。DSN构建将每一个单元的数据以节点的形式形成数据图谱。
图3.5 2020年3月21日到27日间气象数据构建DSN实例
Fig. 3.5 DSN example for weather data construction between March 21 and 27, 2020
（3）DSN上的关联分析（操作）
算法3.3是在构建的初始DSN上进行关联分析的算法。
算法3.3 DSN上基于先验原理（Apriori）的关联分析 |
输入：CSSR、最小支持度：Supp0、最小自信度：Conf0 输出：DSN and DSN_RESULT Process01：# 初始化 1. 构建初始DSN，数据清洗和特征选取后初始化操作作为项集； 2. 获取该项集的长度n 3. 从项集itemSets中获取所有的补充都元素列表item 4. 从item中获取所有可能的元素组合并存储在combination_lists中 5. For combination in combination_lists: 6. # 根据组合情况计数对项集的遍历搜索次数 7. Count[combination] = 0 8. If combination in itemSets[i]: 9. Count[combination] +=1 10. End if 11. End for Process02：# 获取关联规则列表 12. For combination in combination_lists: 13. # 除自身以外的的其他组合，选择最小自信度的元素，称为关联规则 14. If 新组合的支持度 / combination的支持度 > Conf0： 15. 将该关联规则加入最终结果apriori_lists 16. End if 17. End for 18. 根据支持度优先进行排序 Process03：# 调整Supp0和Conf0 19. 重读执行处理2 20. Store 符合最小支持度和最小自信度阈值的关联规则列表 21. Updated and Output DSN #更新并输出分析后的DSN |
具体的实施步骤如下：
步骤1）根据物理、化学、火灾、交通四个领域采集的CSSR构建DSN；
步骤2）初始化算法并找出频繁项集。根据格结构（lattice structure）枚举所有的项集。采用先验原理减少候选项目，并根据支持度进行剪枝。如果一个项集是频繁的，则他的所有子集也一定是频繁的。同时，如果一个项集是非频繁的，那么它的所有超集也一定是非频繁的。采用Apriori算法产生频繁项集FreqItem。公式（3—2）和公式（3—3）是支持度和置信度的计算.当支持度和置信度同时满足阈值要求时，数据可以被删除。其中，T是事务总数，表示前件A出现的频度。
（公式3—2）
（公式3—3）
在该关联分析中，事务表示部署的系统节点在某一个时刻采集的属于DSN网络初始模型的数据，例如，t=t0时刻，区域X部署了3个节点，通过统计，事务如下：
1 | 30度（温度）| 40%（湿度）| Threat（威胁级）
2 | 24度（温度）| 3/ s（风速） | Security（安全）
3 | 50%（湿度） | 6/ s（风速） | Threat（威胁级）
步骤4）如算法1的处理2，找出关联规则。对于频繁项集FreqItem中的每一个项，与置信度阈值Conf0进行比较，若大于置信度阈值，则放入强规则集合。否则，删除该项。
步骤5）如算法1的处理3，调整Supp0和Conf0。存储符合要求的规则，更新DSN并输出。
支持度阈值和置信度阈值的确定取决于信息熵的计算，初始状态信息熵最大。因此为了最大化消除信息熵，从调整概率、排除干扰、确定情况等方面进行处理。假定两个阈值的选择是有限的事务集合，那么，该值的选择将是对不确定消除最大的事务。本文以信息熵作为定量标准，信息熵减下最大的即为消除不确定度最大的事务。信息熵的计算如下：
（公式3—4）
DSN上关联分析时所有事件的熵的平均值为：
（公式3—5）
其中，n是DSN上所有消除不确定性的事件的数量。当DSN上关联分析后Avr_E最小时，对应的支持度和置信度阈值为最终取值。
3.2.2 ISN的构建及操作
（1）ISN上的交互建模
从前面章节对ISN的定义可知，ISN表达的是信息交互。在智慧校园安全的目标场景下，不仅考虑节点之间交互的方向，也考虑节点交互的类型。ISN上的交互类型区分为2类4种，分别是直接交互和间接交互、内部交互和外部交互。内部和外部之分是ISN上节点的区域属性决定的。例如部署在海南大学计算机学院（区域Z1）的节点A和部署在海南大学海洋学院（区域Z2）的节点B之间形成了外部交互。对4种交互的具体定义如下：
直接交互：ISN上两个节点之间被一条有向的交互线直接相连接。
间接交互：ISN上两个节点之间没有被一条有向交互线直接相连接，而是中间经过n（n>1）个节点进行中继，最终进行某种信息交互。
内部交互：ISN上被区域属性划定的各个范围内节点之间的交互称之为内部交互；
外部交互：ISN上被节点的区域属性划定的各个范围之间的节点交互称之为外部交互。
（2）构建ISN
DSN分析后将得到叶子节点间（指标集合中元素间以及指标集合的幂集的元素间）的关联分析结果。该结果以四元组（前件，关联，结论，属性）的形式组织。将可信度作为其交互的边值构建初始ISN，遍历初始ISN消除冗余和不一致后形成图3.6所示的ISN。例如，{（气温，关联，气湿度，节点1），（温度，关联，风速，节点2）}，针对物理安全态势感知，则气温和温度出现不一致和冗余，则进行消除冗余和不一致，形成{（气温，交互0.7，气湿度），（气温，交互0.8，风速）}。图3.5中已构建完成DSN，图3.6则是根据这一DSN构建的ISN。图中节点是校园安全数据指标集合中元素间以及指标集合的幂集的元素，例如气温、气湿度、{气温、气湿度}、相对湿度等等。边是DSN关联分析后的带有可信度的蕴含，指明了交互的方向。节点间的交互根据实际情况可以是一条边表示，也可以是多条边表示。例如，{气温、气湿度}à相对湿度。
图3.6 ISN构建实例
Fig. 3.6 Examples of constructed ISN
（3）ISN上的交互分析
算法3.4给出了ISN上的交互分析过程。ISN上的交互分析用于对DSN分析结果的重要度评估，使得管理员能够确定事务处理的优先级，从而当校园安全受到威胁时能够最先处理最严重的校园威胁。具体的实施步骤如下：
算法3.4 ISN上的交互分析操作 |
输入：DSN and DSN_RESULT # 物理、化学、火灾、交通DSN 输出：ISN and ISN_RESULT 处理： 1. Obtain DSN_RESULT # 获取DSN分析结果 2. Construct initial ISN through interaction type # 构建初始ISN 3. Def preprocess(): # 预处理：消除冗余和不一致 4. ISN = set() # 定义集合 5. For m in initial_ISN: 6. if m not in ISN: 7. ISN.add(m) # 消除冗余 8. M ßSemantics(m) # 一个语义可映射多个不一致项 9. Atypismset ßset(isn.append(M)) # 消除不一致 10. ISNßgraph (ISN, Atypismset) # 构建新的ISN图 11. Return ISN 12. Def ID(): # 计算交互度 13. ISNßpreprocess() 14. ID = [] 15. For node in ISN： 16. # 计算入度方向的交互度 17. 18. # 计算出度方向的交互度 19. 20. ID.append(Freq*(IND*OUTD)1/2 ) # 计算节点交互度 21. Return ID 22. coDß 23. if coD > coD0: 24. cohesion() # 内聚操作 25. OUTPUT ISN and ISN_RESULT |
步骤1）输入DSN，构建初始ISN（initialISN）。
步骤2）采用了python的集合数据结构在initialISN上消除冗余和不一致。
步骤3）计算ISN上每个节点的交互度。遍历ISN上每一个节点，计算基于入度的融合内部交互和外部交互类型的入度方向的交互度IND，公式如下：
（公式3—6）
其中，a1和a2分别是内部交互和外部交互类型的基于入度的节点重要性权重。ind_ininte和ind_outinte分别表示属于内部交互和外部交互的入度数量。计算基于出度的融合内部交互和外部交互类型的出度方向的交互度OUTD，公式如下：
（公式3—7）
b1和b2分别是内部交互和外部交互类型的基于出度的节点重要性权重。outd_ininte和outd_outinte分别表示属于内部交互和外部交互的出度数量。Freq是节点的频度，计算ISN上综合的节点交互度如下：
（公式3—8）
步骤4）根据要求计算ISN上设定结构的内聚度coD，计算公式如下：
（公式3—9）
计算内聚度，是每个交互度对应节点的内聚权重，取决于ISN模型结构的层次，越靠经模型顶端，值越大。n是ISN上某一结构的节点数量。
图3.7 ISN上的交互分析和实体自动抽象
Fig. 3.7 Interactive analysis and automatic entity abstraction on ISN
步骤5）进行ISN上的节点自动抽象操作，即当内聚度coD与给定的阈值coD0进行判断是大于等于关系时，对参与该内聚度coD计算的ISN结构进行内聚操作。图3.7是ISN上实体自动抽象的例子。ISN上的虚线框住的结构内的节点内内聚成右侧的一个节点。事实上，实体自动内聚有助于降低信息熵，提高信息的确定性。例如，火灾态势FS的确定需要温度、气体、光线、烟雾四者进行融合计算。无论其中哪几种数据缺失，根据现有数据判断的态势安全、威胁、或者高危等结论与上述四者抽象到一个节点，形成表达当前态势情况的综合节点，而忽略具体的指标数值。
步骤6）输出ISN和交互分析结果ISN_RESULT。
3.2.3 KSN的构建及操作
（1）KSN上的关系建模
KSN上主要有五种关系类型（Relationship Type，RT）分别是：Has a：包含关系，表示源节点包含目的节点；Is a：解释关系，表示源节点的具体量化解释；Inclusion：蕴含关系，表示源节点可以蕴含出目的节点；Layer：层次关系，表示源节点和目的节点属于同一层次；Attribute：属性关系，表示源节点的直接属性之一是目的节点。在智慧校园安全场景下，态势感知系统在自动构建的知识图谱的节点之间将只包含以上四种关系，在存储时，一条知识以三元组形式存储：
（Entity，Relationship，Entity）
（2）构建KSN
图3.8 KSN构建的实例
Fig. 3.8 Examples of constructed KSN
以ISN中的节点为知识节点，以ISN中的蕴含方向为方向，以ISN中的节点属性及重要度信息为属性，结合图3.4给出的数据模型的包含、蕴含、层次关系，构建含有给定五种关系类型的KSN。例如，ISN上的多元组（气温，交互0.8，气湿，重要度：3.2， 1.9 and 时间：2020.3.20），构建成KSN上的一组三元组为{（气温，蕴含，气湿），（气温，属性，重要度3.2），（气温，属性，时间2020.3.20），（气湿，蕴含，气湿），（气湿，属性，重要度3.2），（湿，属性，时间2020.3.20）}。图3.5给出了构建的校园物理安全场景的气象数据的DSN。图3.6是进一步构建的ISN。则图3.8基于ISN与DSN构建了KSN。该图展示了校园物理安全场景气象数据分析的知识图谱。表达校园安全物理的气象指标集合中元素间以及其幂集的元素间的语义关系、增加交互分析的节点重要度结论后的属性关系、以及增加数据模型后的包含、层次、蕴含的语义关系。图中“气温/温度”节点和“Threat”节点是蕴含关系，表明了一种条件于结论的关系，每条边都有置信度作为路径计算的路径权重。
（3）KSN上的知识推理
ISN上的节点交互度将作为KSN上节点的确定性度量。
由数理逻辑可知，若H1ùH2ù…ùHnàC，则C是H1、H2…Hn的有效结论。因此，若节点N1和N2之间的路径之一合法并且正确度超过阈值，则这条路径上的包括N1在内的知识点Hi都是N2的有效结论。对N1和N2之间的所有路径加权计算正确度，若正确度超过阈值，则KSN上的新关系成立，计算方法如下：
（公式3—10）
其中，|Qi|是N1到N2之间的第i条路径，Wi是该路径在计算正确度时的权重，|Qi(RT)|.islegality是判断路径|Qi|的类型是否合法，若合法，则为1，若不合法，则为0。其中，对是否合法的给定规则是：
1）若路径中包含节点间的“layer”关系，则关系非法，否则关系合法；
2）关系的源或者目的节点中存在“Campus situation”节点，则为非法，否则合法。
图3.9 KSN上的知识补全示例
Fig. 3.9 Example of Knowledge completion on KSN
例如，当问题是火灾类型（FT）为“B”对应发生的区域时，在图3.8所示的KSN上没有节点“B”到节点“区域1”的之间关系。那么基于上述公式对知识的补全，可以得到两个节点间的新的关系，即“B”à“区域1”。那么，在某一条件下，为了将网络边缘的节点求得区域属性知识（例如“气体成分”的发生的区域在哪儿？）进行补全，对图3.8所示的KSN进行补全操作，“B”到“区域1”的其中两条路径是：
1）Bà(Is a)àFTà(Has a)àFDSà(Has a)àFBTà(Attribute)àZero1
2）Bà(Is a)àFTà(Has a)àFLAà(Layer)àFBTà(Attribute)àZero1
然而，关系2）中存在“Layer”关系，因此非法。最后得到图3.9所示完整KSN。所有的网络边缘节点“气体成分”和“物体类型”都产生了新的关系，即与节点“区域1”之间的“Attribute”关系。从而更加清晰的展示除了这些节点的区域属性。
算法3.5给出了上述过程，即KSN上的知识补全操作。具体如下：
算法3.5 KSN上的知识补全操作 |
输入：Initial KSN # 初始KSN 输出：newKSN # 补全后的KSN 处理： 1. Obtain Initial KSN 2. NewR ß KSN.find(newR) # 遍历KSN查找新关系 3. For m in newR: # 判断每一个新关系是否成立 4. For n in path(m): # 对于新关系m之间的所有路径 5. If Islegelity(): 6. Allocation(W) # 访问路径中每一链路的权重 7. # 计算其路径正确度 8. R ß 9. If R >= R0: 10. RList ß RLlist.append(R) # 大于阈值，关系成立 11. newKSN ß KSN.add(RList) 12. Output newKSN # 输出补全后的KSN |
3.3 校园安全态势预测
（1）态势预测模型
态势预测不仅考虑当前采集的态势资源，关键是分析历史的态势资源。因此，区别于态势感知的实时资源处理，态势预测模型的预测考虑资源CCSR的空间维度和时间维度两个维度。采用指数加权移动平均（Exponential Weighted Moving Average，EWMA）的方法在数据层面对采集的态势资源进行数值估计。之后将其输入到态势感知模型，从而得到估算的态势数据、信息、知识。图3.10展示了上述的DIKW图谱上进行态势预测的模型。
图3.10提到的态势预测模型涉及的名词解释：STA：数据采集值；SampleSTA：样本数据采集值，即最新一次采集值；EstimatedSTA：估计的数据采集值；DevSTA：SampleSTA与EstimatedSTA的偏差程度；CSSR（PridictSTA）：估算的态势资源。
图3.10 DIKW graphs上的态势预测模型
Fig. 3.10 Situation prediction model on DIKW graphs
（2）DIKW图谱上的态势预测
实际上，态势感知算法可以做预测，新颖之处之处在与态势预测考虑资源的时间维度，即参与计算的数据不仅来自当前实时采集的态势资源，也来自历史存储的态势资源。借鉴计算机网络中运输层对报文段超时的处理，采用指数加权移动平均（Exponential Weighted Moving Average，EWMA）从数据层面进行预测。再将其输入到态势感知模型。
（公式3—11）
EstimatedSTA的新值是由以前的EstimatedSTA值和SampleSTA新值的加权组合而成。SampleSTA是新采集的数据层面的态势值。本文令d = 0.125。估计的采集数据值STA偏差为DevSTA，估算SampleSTA一般会偏离EstimatedSTA的程度：
（公式3—12）
如果SampleSTA的值波动较小，那么DevSTA的值就会很小。本文中令r=0.25。
3.11 样本STA和估计STA
Fig3.11 SampleSTA and EstimatedSTA
图3.11是示例样本STA和估计STA。其中数据样本是从中国气象局气象数据中心付费下载的海南省海口市检测点（区站号：59758，纬度：2000，经度11015，传感器海拔高度：64.7米，观测场海拔高度：63.5米）检测的时间从2020.3.23日至2020.3.29日的按小时监测的“相对湿度”数据。该图是对根据时间序列方法EWMA进行数据预测的性能评估的可视化。其说明了EWMA在估计估计下一次采集值的收窄样本偏差上的优越性能。估计值平缓不跳跃的估计曲线达到了满意的在数据层面上的态势估计效果。
因此，最后的数据估算值PredictSTA为：
（公式3—13）
以上过程实现了对态势的实时预测。总体上来说，态势预测的过程如下：
步骤1）基于EWMA估算下一次的采集的态势数据值PredictSTA；
步骤2）调用算法3.1的态势感知方法，根据估算的采集值进行态势感知，从而得到估算的DSN、ISN、KSN。
3.4 本章小结
本章提出了基于数据图谱、信息图谱、知识图谱的态势感知与预测模型。该模型从选定的态势感知三级模型，即态势提取、态势理解、态势预测的模式出发，将数、信息、知识的递进式获取过程映射到三级模型的元素获取、事件理解、知识预测环节，形成了智慧校园态势感知与预测的闭环。
第4章 基于专家系统的校园安全自动报警
4.1自动报警系统
4.1.1 自动报警模型
专家系统用于解决特定领域的问题。费根鲍姆将专家系统定义为：一种智能的计算机程序，它运用知识和推理来解决只有专家才能解决的复杂系统。专家系统中，规则的格式为：
（rule <规则名称>
（if <（数据、信息、知识）前提>）
（then <（数据、信息、知识）结论>））
例如，如果某一结点在无故障的情况下，发现该节点周围温度和烟雾量很大，则初步判断是火灾的初燃阶段，可以表示为：
（rule r1（if（same （数据）温度超过t0 yes）
（same （数据）烟雾量超过y0 yes））
（then（（数据）火灾 初燃）））
定义4—1：报警规则（Alarm Rules，AR）. 定义在面向智慧校园安全的从物理、化学、火灾、交通等场景分析的报警规则AR为：
AR: = {（Data Rule，DR），（Information Rule，IR），（Knowledge Rule，KR）}
DR为数据规则，IR为信息规则，KR为知识规则。
数据规则DR用于约束在数据层面的数据采集内容，本文中按照大的分类将数据采集约束为五个等级，分别是1、2、3、4、5级。与物理、化学、火灾、交通对应的态势描述如下表4.1所示：
表4.1 DR等级与领域态势资源采集层次的对应关系
Table 4.1 Correspondence between DR levels and domain situation resource collection levels
DR/领域 | 物理 | 化学 | 火灾 | 交通 |
1 | Security | Security | Security | Unimpeded |
2 | Threat | Threat | Threat | Amble |
3 | UncomfortableGrade | UncomfortableGrade | UncomfortableGrade | Congestion |
4 | HarmGrade | HarmGrade | HarmGrade | Hcongestion |
5 | BadHarmGrade | BadHarmGrade | BadHarmGrade | Unknow |
信息规则IR用于约束在信息层面的信息采集内容，本文中将信息上的交互度阈值同样划分为五个等级。五个等级对应的具体的值为1，0.8，0.6，0.4，0.2。
知识规则KR用于约束在知识层面的知识采集内容，具体的规则内容查阅3.2.3节所描述。
基于2.3节给出的专家系统原理。本文设计了基于专家系统的自动报警模型如图4.1所示。该校园安全自动报警模型包含知识获取、知识库、推理机、可视化人机界面、解释器、综合数据库6大组成部分。其中，区别于专家系统中知识是由领域专家经过人机界面进行构建，该模型的知识获取部分是在报警规则AR的约束下将边缘计算环境中采集到的资源利用态势感知系统进行感知和预测后的知识，是一个自动化的过程。输出前N报警的苏韩剧、信息、知识结果、基于报警位置属性的可视化威胁地图、以及报警节点的地点属性（标识为Where）、时间属性（标识为When）、位置属性（Who）、名称属性（标识为What）、前件（标识为Why）、结论（标识为How）的分类5W报警信息，这里的5W部分并不是一种用于回答5W问题的解决方案，而是仅仅用来标识输出，帮助管理员更加清晰的理解报警结果。
图4.1 校园安全自动报警模型
Fig. 4.1 Automatic alarm model for smart campus security on the basis of expert system
表4.2是经过调研给出的关于校园安全报警领域的5W分类问题，在实际应用中，管理员可根据需要增加或者减少问题，从而优化系统输出的答案，更快获得需要的目标资源。
表4.2 自动报警模型输出的5W信息
Table 4.1 5W information outputted by auto alarm system
5W | 答案描述 |
Who | 哪个节点发生了告警。示例：Who: 节点1—1—1发生了告警。 |
When | 什么时间发生了告警。示例：When: 2020.3.23发生了告警。 |
Where | 什么地点发生了告警。 示例：Where: 地域1区域1位置1发生了告警 |
What | 发生了什么（物理告警、化学告警、火灾告警、或者交通告警）的告警。示例：What：发生了{物理告警，3级，损害级，单一威胁，相对湿度} |
Why | 为什么会发生告警。示例：Why：单一相对湿度超过3级阈值。 |
4.1.2 自动报警系统工作流程
算法4.1是校园安全自动报警算法。
算法4.1 校园安全自动报警算法 |
输入：DSN_RESULT、ISN_RESULT、KSN_RESULT 、real_time_data 输出：Top-N统计、5W信息、可视化威胁地图数据 处理： 1. Obtain DSN_RESULT/ ISN_RESULT/KSN_RESULT 2. data ßObtain real_time_data #data是实时数据 3. def Top_N()： 4. For m in DSN_RESULT: # 获取前N个数据报警 5. Top_N_DSNßTop_N_DSN.append(m) if m in data and isalarm(m): 6. For n in ISN_RESULT: # 获取前N个信息报警 7. Top_N_ISNßTop_N_ISN.append(n) if n in data and isalarm(n): 8. For k in KSN_RESULT: # 获取前N个知识报警 9. Top_N_KSNßTop_N_KSN.append(k) if n in data and isalarm(k): 10. Top_NßTop_N_DSN+Top_N_ISN+Top_N_KSN 11. Return Top_N # 返回前N个报警统计 12. def 5W(): 13. for h in KSN_RESULT: # 获取5w信息 14. if d in Top_N_KSN: 15. Whoßd.node_attribute() # 查找名称属性 16. When,whereßd.time_attribute() # 查找时间属性 17. Whereßd.place_attribute() # 查找地点属性 18. Whatßd.content_attribute() # 查找内容属性 19. Whyßd.reason_precondition() # 查找前驱 20. Howßd.way_successor() # 查找后继 21. 5w.append(Who,When,Where,What,Why,How) 22. Return 5w # 返回5w信息 23. def TreatMap(): 24. for x in Top_N_DSN: # 获取可视化报警地图数据 25. TreatMap_dataßx.place_attribute(), x.isn() # 查找位置属性和信息 26. TreatMapß3Dmap_API(TreatMap_data) # 调用百度地图API可视化 27. Return TreatMap |
具体的实施步骤为：
步骤1）获取态势感知与预测模型的分析结果DSN_RESULT、ISN_RESULT、KSN_RESULT，以及实时数据real_time_data。
步骤2）定义Top_N获取函数，分别遍历输入的态势感知与预测结果，取前N个数据、信息、知识报警结果。
步骤3）定义5W信息获取函数，遍历KSN_RESULT，通过访问报警节点的属性、前驱、后继来得到who、what、when、where、why、how信息。
步骤4）定义TreatMap函数获取可视化威胁地图的数据，通过遍历DSN_RESULT，分析实时数据，访问报警节点的位置和程度属性得到地理位置信息和地图上报警节点直径。调用百度地地图API函数将数据可视化。
此时，校园安全态势感知、预测、报警都已完成。然而，边缘计算环境下的资源传输时延在系统运行过程当中对用户体验感和满意度有着重要的影响权重，因此下一小节，将讨论如何在边缘计算环境下进行态势资源的传输优化处理，尽可能使得系统能够实时地相应用户请求。从而指导系统节点的运行。
4.2 面向边缘计算的态势资源传输优化
本小节介绍一种边缘计算中对存储和计算进行协同调整以优化资源处理的方法。目的是在态势资源逐渐增大的情况下面对有限的边缘设备存储、计算、网络带宽能力，在最小化网络、计算、存储的处理成本，同时以商业价值驱动方式最大化处理性能。结果表明，所提出的机制提升了性能与用户投入的比。
图4.2面向边缘计算的态势资源传输优化模型
Fig. 4.2 Transmission optimization model for situation resources for Edge Computing
图4.2是面向边缘计算的态势资源传输优化模型。A—B表示从边缘节点A到边缘节点B的一条链路。Hi表示每个节点的缓存大小。Ni表示要传输的DIK包的数量，DIK包表示有资源组合构成的单个资源包。L表示DIK包的平均长度。BAB表示节点A与节点B之间的带宽。FAB为链路A—B上的资源流量。
在无线网络上传输资源时，带宽利用率与节点之间的带宽和资源流有关。在没有丢包的情况下减少网络的流量负载和拥塞非常重要，转发等待率与带转发包的数量和包的长度有关。转发等待均衡与带宽利用均衡使用户之间的协作可以更有效地利用态势资源。因此，定义校园态势资源使用的目标函数为：
（公式4—1）
（公式4—2）
（公式4—3）
其中，BEbuse是带宽利用均衡度，值为带宽空闲率的方差。BEwequ是转发等待均衡度，其值为转发等待率的方差。
（2）定义
定义4—4：系统采集的校园态势资源进一步定义为：
CSSR：= <CSSRT，CSSRS>
CSSRT是校园态势资源的类型的集合，可以用三元组<cssrtD, cssrtI, cssrtK> 来表示。CSSRS是不同类型的校园态势资源对应的资源规模，可以用三元组<cssrsD, cssrsI, cssrsK> 来表示。
定义4—5：态势网络（SN）空间资源可以被进一步定义为：
SN：= <SNT，SNS>
SNT是网络空间资源的类型集合，可以用三元组<sntD，sntI，sntK>来表示。RSNS是不同类型的网络空间资源的规模，可以用三元组<snsD，snsI，snsK>来表示。优化处理过程中，校园态势资源类型之间的转换至关重要，现给出资源之间的转换（符号：—>）的解释如下：
数据—>信息：通过重新组织数据得到信息。例如组合数据“海口”、“2020年3月20日”、“温度”和“32度”，形成了海口2020年3月20日的温度是32度的信息。
数据—>知识：通过链接数据和语义约束，可以使用知识验证消除数据的冗余和一致性。
信息—>知识：通过分类和抽象交互的记录和实体的动态行为相关的行为记录，可以得到以统计规则形式存在的知识。从已知的资源和必要的信息中，通过适当的调查或者实验等技术进行推理能够得到知识。例如，从0点到23：59得到温度曲线的轨迹信息，并且统计发现冬季的白天和夜晚温差大的统计规则，得到白天衣服可以穿的少些的知识。
信息—>数据：通过在一个确定的时间内观察静止状态的对象获得数据，实际上也是从概念集到实例集合的过程。例如，温度曲线上升，观察上升到的过程并记录得到一组温度数据。
知识—>信息：知识态势网络是无特征的，从而使链接和利用更丰富的知识库帮助决策成为可能。
知识—>数据：知识推理能够帮助简历抽象的知识集合的相关实例。知识节点之间的关系则表明了节点的属性特征。
（3）计算资源类型转换代价
采集的初始CSSR集合有一个初值，转换后形成了资源组合情形CSSRT’= <cssrtD’，cssrtI’，cssrtK’>。转换CSSRT到CSSRT’的转换代价计算如下：
（公式4—4）
转换单位CSSR中资源的原子代价costUnitCSSRiàj的取值集为{costCUnitIRDàD，costCUnitIRDàI，costCUnitIRDàK，costCUnitIRIàD，costCUnitIRIàI，costCUnitIRIàK，costCUnitIRKàD，costCUnitIRKàI，costCUnitIRKàK}。类似与CSSR，初始的SNT有一个初值，转换后形成资源组合情形SNT’ = <sntD’，sntI’，sntK’>。转换SNT到SNT’的转换代价计算如下：
（公式4—5）
转换单位SN中资源的原子代价costCUnitSNiàj的取值集为{costCUnitRGDàD，costCUnitRGDàI，costCUnitRGDàK，costCUnitRGIàD，costCUnitRGIàI，costCUnitRGIàK，costCUnitRGKàD，costCUnitRGKàI，costCUnitRGKàK}。
（4）计算在SN中处理CSSR的处理代价
处理代价与资源的规模有关。在SN中处理CSSR资源的处理代价为：
（公式4—6）
其中，处理CSSR中数据、信息、知识的原子代价costPUnitCSSRiàj的取值集为{costPUnitIRDàD，costPUnitIRDàI，costPUnitIRDàK，costPUnitIRIàD，costPUnitIRIàI，costPUnitIRIàK，costPUnitIRKàD，costPUnitIRKàI，costPUnitIRKàK}。
在边缘计算下当传输态势资源的时候，我们希望能够在信息价值尽快不变的情况下降低待传输资源的规模，从而平衡无线网络中资源的负载。例如，如果网络中某一些节点在某一时间段有足够的带宽，而存储和计算不足。此时，可以通过传输消耗带宽资源来获取另外一些节点的存储和计算资源，以满足整体的系统用户的处理需求。传输CSSR的传输代价为：
（公式4—7）
Ctransi的取值为{CtransD，CtransI，CtransK}，表示分别传输单位数据、信息、知识的原子传输代价。
（5）计算用户投入效益
在无线网络中，通过资源类型的转换和合理的资源分配能够优化资源的处理性能。现在，能够计算处总的代价，总代价定义了资源处理服务的代价，可由以下公式计算：
（公式4—8）
IVuser定义了期望的用户投入，IVuser对应于每种资源组合情形，可以由以下公式计算：
（公式4—9）
其中，表示原子投入，该值可以通过经验或者数据训练等方式获得。不同的投入对应每一执行算法的不同的效益（Re）。Re用来评估投入和性能的比值，可由如下公式计算：
（公式4—10）
在算法执行中，每一个循环都会比较Re和IVuser与Re0和IVuser0的大小。如果，Re > Re0 & IVuser< IVuser0被满足，则当Re大于Re0时让Re0等于当前的Re。算法1时投入驱动的资源处理的具体流程。
算法1.计算边缘计算下每种资源组合情形的Re |
输入：CSSR、SN、IVuser0、Re0 输出：Re0的最小值 处理： 1. EACH CSSR DO： 2. 计算CCSSR；CSN和Cpro；Ctrans和Total_Cost；IVuser和Re； 3. IF (Re<Re0 & IVuser < IVuser0) DO： 4. Re0 = Re； 5. Return Re0； |
（6）统计分析
实验环境和参数设置。建立了由14个节点组成的、每个节点都是用Arduino在构建的实验环境。其中6个节点部署了ESP8266型WIFI模块和一些传感器用来采集态势资源。实验过程是：首先给出公式中的初步的参数，包括���������������������������������i→j、 ������������������������������������→���、������������������������������������→���。然后从用户投入效益Re值和F值两个角度评估机制的性能。实验时长10分钟。设置了一些规则让采集到的数据转换为数据、信息、知识，例如，采集到的数据为{2，4，8，16… 1024}，则其信息表达形式为2x （x= [1，10]）。
图4.3是实验中无线网络的状态参数的观测结果，包括Fij、l、以及Ni。链路A—F的转发等待率大于其他节点。节点F的存储能力是4Mbit，不足以存储要求的7Mbit的校园态势资源。因此，相比其他节点，节点F消耗了更多的带宽从而获得了存储能力。另一方面，一些节点又在消耗计算资源在获得存储能力。还有一些节点在消耗存储资源来获取计算能力。BEbuse和BEwait反映网络的状态，它们的值分别是0.36和0.28。F值反映资源流量分布情况，计算后，F值为0.34，这也意味着，所提出的机制通过转换资源类型有效的分配了网络资源。
图4.3 所提出机制下的网络参数统计
Fig. 4.3 Network parameters about six nodes in experament
（7）对比分析
图4.4是基于带宽分配的优化方法和本节提出的机制的对比结果。使用前者的性能作为比较的基准。在NSGA-II的基础上对该模拟进行了建模，NSGA-II是NSGA (Nondominated Sorting Genetic Algorithm)发行版1994的改进版本，用于优化多目标（Deb et al.，2000）。图4.4（a）为两种方法在Re角度的比较结果，其反映了对应的投入下每个节点的Re值。所提出的机制的用户效益比Re要小于基于带宽分配的方法。从网络的角度来看，图4.4（b）也展示出了同样的结论，基于带宽分配的方法要求14个单位的代价，从而达到目标F值。而所提出的机制的F值小于传统的方法。这就说明所提出的机制性能更佳。
（a） （b）
图4.4 两种方法的Re值和F值
Fig. 4.4 Re and F value of two different apporachs
4.3 系统性能评价指标
4.3.1 体验度分析
（1）时延体验度DelayQoE
延时体验度主要是用于评估在实际的态势感知场景下请求响应的系统时延体验感。主要由资源上传时延、请求时延、处理时延组成，DelayQoE与上述三种延迟成反向关系，即延迟越高，时延体验度越低。计算如下：
（公式4—11）
ResourceUploadDelay表示资源上传时延，反映对应用户请求的资源从边缘节点上传到数据中心的时延；
RequestDelay表示响应时延，反映客户到服务器的请求的互联网传输时延；
ProcessDelay表示处理时延，反映资源在每个节点处理的时延。
（2）感知体验度AwarenessQoE
感知体验度主要是用于评估系统在感知和预测态势时的结论准确性的体验感。主要由感知准确度和预测准确度组成，AwarenessQoE与上述两种准确度成正向关系，即准确度越大，感知体验度越高。计算如下：
（公式4—12）
AwarenessDoA表示感知准确度，反映感知的准确度，AwarenessDoA 等于感知正确的数量除以感知总数，即，AwarenessDoA=RightAwareNum / TotalAwareness；
PredictDoA表示预测准确度，反映预测的准确度，PredictDoA等于预测正确的数量除以预测的总数，即，PredictDoA=RighPredictNum / TotalPrediction。
（3）报警体验度AlarmQoE
报警体验度主要是用于评估在威胁状态下报警系统的响应体验度。主要由报警准确度与报警方式合理度组成，AlarmQoE与上述准确度和与合理度成正向关系，即，正确度与合理度越大，报警体验度就越高，计算如下：
（公式4—13）
DoAL表示报警的准确度，反映正确报警与总报警数的比值，即，DoAL = RightAlarmNum / TotalAlarm；
MetRatRate表示报警方式合理度，反映舒适报警数量与总正确报警数量之比，即，MetRatRate = RationalAlarmNum / TotalRightAlarm。
（4）态势丰富性体验度SituationQoE
态势丰富性体验度主要是用于评估从环境中感知规模完整性体验度。主要由数据态势感知规模完整性、信息态势感知规模完整性、知识态势感知规模完整性组成。SituationQoE与上述三种完整性成正向关系，即感知资源越多，丰富性体验度就越高。计算如下：
（公式4—14）
DataComRate表示数据态势感知的规模完整性，反映感知到的数据态势规模与历史上最大规模的DSN的规模比值，即，DataComRate = ScaleDSN / MaxScaleDSN；
InfoComRate表示信息态势感知的规模完整性，反映感知到的信息态势规模与历史上最大规模的ISN的规模比值，即，InfoComRate = ScaleISN / MaxScaleISN；
KnowComRate表示知识态势感知的规模完整性，反映感知到的知识态势规模与历史上最大规模的KSN的规模比值，即KnowComRate = ScaleKSN / MaxScaleKSN。
因此，基于上述分析，系统的体验度分析可以用如下公式评估：
（公式4—15）
其中，Normalize()表示归一化函数。
4.3.2 满意度分析
系统的满意度是体验度的函数，假设客户期待为Demand，则满意度为：
（公式4—16）
4.4 本章小结
本章主要介绍了自动报警系统、面向边缘计算的态势资源传输优化、以及系统性能评价指标。基于专家系统的自动报警系统很好的解决了规则匹配问题。面向边缘计算的态势资源传输优化提供了降低时延的解决方案。统性能评价指标从满意度和体验度两个方面构建指标体系评价系统性能。
第5章 系统的设计与实现
5.1 需求分析
5.1.1 功能需求分析
（1）功能需求分析. 校园安全态势感知与自动报警系统的功能需求如表5.1所示。
表5.1 功能需求描述
Table 5.1 Functional requirements description
位置 | 功能名称 | 功能描述 |
注册/登陆 | 注册/登陆 | 用户的注册和登录 |
主页 | 功能导航 | 展示首页功能、Top-N、5W信息的导航 |
首页功能 | 1）态势文件上传、参数设置、及实时数据采集接口 2）包含DSN构建、关联分析、DSN预测的DSN处理模块 3）包含ISN构建、交互分析、ISN预测的ISN处理模块 4）包含KSN构建、知识推理、KSN预测的KSN处理模块 5）包含Top-N统计、5W信息、可视化威胁地图的自动报警模块按钮 | |
DSN处理页 | DSN构建 | 以数据图谱形式展示构建的DSN |
DSN操作 | 以列表形式展示关联分析结果 | |
DSN预测 | 以表格及3D柱状图形式展示EWMA估计值 | |
级别选择 | 选择当前感知和预测的态势级别 | |
ISN处理页 | ISN构建 | 以信息图谱形式展示构建的ISN |
ISN操作 | 以列表及Ecahrt词云形式展示经过交互分析结果 | |
ISN预测 | 以表格及Echart柱状图形式展示预测结果 | |
级别选择 | 选择当前感知和预测的态势级别 | |
KSN处理页 | KSN构建 | 以知识图谱形式展示构建的KSN |
KSN操作 | 以知识图谱形式展示知识补全后的KSN | |
KSN预测 | 以表格及Echart气泡图形式展示预测结果 | |
级别选择 | 选择当前感知和预测的态势级别 | |
自动报警页 | Top-N统计 | 以柱状图及饼状图展示报警Top-N的数据、信息、知识 |
5W信息 | 展示Who、Where、What、Why、What、How问题答案 | |
可视化威胁地图 | 以百度3D地图API可视化校园安全受到威胁的位置 |
（2）非功能需求分析. 在满足功能需求的同时，非功能需求也很重要。
非功能需求（NFR）定义系统属性，例如安全性、可靠性、性能、可维护性、可伸缩性和可用性。它们作为跨越不同积压的系统设计的约束或限制，也称为系统质量。非功能性需求描述了系统的工作方式，而功能需求描述了系统应该执行的操作，它们一样重要。本小节给出本系统的非功能需求如下：
1）可靠性。用户必须信任该系统，即使长时间使用它也是如此。目标应该是一个很长的MTBF（平均故障间隔时间）。创建一个要求，即系统中创建的数据将保留若干年，而系统不会更改数据。最好还包括可以更轻松地监控系统性能的要求。
2）可维护性。系统需要具有成本效益才能维护。可维护性要求可能涵盖不同级别的文档，例如系统文档以及测试文档，例如：系统将附带哪些测试用例和测试计划。
3）系统性能。在什么情况下，从任何一点开始衡量，系统响应时间应该是多少？当系统负载异常高时，是否存在特定的峰值时间？考虑压力期，例如，在月末或与工资支付相结合。
4）运行需求。
5）可用性。根据使用模式确定系统的重要功能的优先级。应该测试常用功能的可用性、复杂和关键功能。
5.1.2 用例分析
图5.1是系统功能的用例分析图。用户可以在首页进行注册、登录、资源采集、参数设置、首页功能等操作。
用户与资源采集模块的交互：1）上传文件，用户输入用户名，选择上传的文件，点击“submit”按钮提交，系统将在新页面返回“ok”提示上传成功。或者利用实时数据接口获取数据；2）选择采集等级，用户选择预处理的等级，有1、2、3、4、5个等级可选，选择成功后首页功能将被激活。
用户与首页功能的交互：首页功能激活后可选择DSN处理、ISN处理、KSN处理、自动报警等四个按钮进行操作。1）DSN处理，点击DSN处理，用户将进入新页面，新页面展示DSN构建的内容，同时有DSN分析和DSN预测按钮。这三个处理将返回DSN图谱、DSN上的关联分析结果、DSN上的预测结果。2）ISN处理，点击ISN处理后，在新的页面展示ISN构建的内容，同时提供ISN分析、ISN预测功能。这三个处理将返回给用户ISN图谱、ISN上的关联分析结果、ISN上的预测结果。3）KSN处理，点击KSN处理后，用户将进入新的页面，该页面已经展示KSN构建的内容，同时提供KSN分析、KSN预测功能。这三个处理将返回给用户KSN图谱、KSN上的关联分析结果、KSN上的预测结果。4）用户点击自动报警按钮后，系统将可选地返回Top-N报警结果，展示5W问题答案、及可视化威胁地图，用户可以选择某一类别的问题进行筛选，系统将返回指定问题的报警信息。
图5.1 用户用例图
Fig. 5.1 User use case diagram
5.2 概要设计
5.2.1 总体结构及功能设计
（1）总体结构设计
图5.2 系统的层次结构
Fig. 5.2 Hierarchy of the system
图5.2是系统的总体结构设计图。系统总体上分为四层，分别是采集层、网络层、分析层、展示层。采集层包括对物理、化学、火灾、交通数据、信息、知识资源的采集及其采集设置；网络层包括n节点及其互联规则；分析层包括态势感知模型、态势预测模型、自动报警模型；展示层包括DSN相关资源、ISN相关资源、KSN相关资源、报警资源的可视化展示。
展示层：展示层采用HTML、CSS、J3.js、JavaScript进行可视化前端的实现。用户通过HTTP请求与服务器交换数据。分析层：采用Django框架（MTV）将后端处理的数据传输至前端进行展示。网络层：网络层的节点建议采用边缘计算模式部署。并且整体上为区—节点两级模式。网络层节点的部署基于资源传输优化机制的指导。采集层：采集层将边缘节点上传的资源进行处理。
（2）系统总体功能设计
图5.3是系统的总体功能设计。包括注册、登录、感知态势、预测态势、自动报警五大功能。其中感知态势包括对DSN、ISN、KSN的感知。自动报警功能包括数据、信息、知识态势的自动报警。
Fig. 5.3 System general function design diagram
5.2.2 对象模型和功能模型
（1）对象模型
图5.4是系统的对象模型图。面向对象分析阶段再确定对象模型时有两项任务，分别是确定类与对象的属性和确定类之间或者对象之间的关系。图中态势感知模块由不可分割的数据态势感知预测模块、信息态势感知预测模块、知识态势感知预测模块组成（Composition）。这三个模块又分别由对应的构建、操作、预测模块组成。自动报警模块由Top-N统计模块、5W信息模块、可视化威胁地图模块组成。实时数据接口和数据库操作模块将数据输入资源采集模块。
图5.4 对象模型图
Fig. 5.4 Object model diagram
图5.4中的类和接口的属性和方法解释：
方法：1）Alarm()态势感知预测方法；2）DataAware()：数据态势感知预测方法；constructDSN()：DSN构建方法；3）associative_analysis()：关联分析方法；4）EWMA()：EWMA预测方法；5）constructISN：ISN构建方法；6）interact_analysis()：交互分析方法；7）match()：重要度匹配推荐方法；8）constructKSN：KSN构建方法；9）PRA()：基于PRA的知识补全方法；10）recommendation()：内容推荐方法；11）Alarm()：报警方法；12）Top_n()：Top-N报警统计方法；13）5w_information()：5W信息统计方法；14）situation_mao()：可视化威胁地图方法；15）CollectCR()：化学资源采集方法；16）CollectFR()：火灾资源采集方法；17）CollectTR()：交通资源采集方法；18）CollectPR()：物理资源采集方法；19）operateDB()：数据库操作方法。
属性：1）DSN：DSN构建数据；2）association_result：关联分析数据；3）EWMA_predict：EWMA预测数据；4）ISN：ISN构建数据；5）interaction_result：交互分析数据；6）match_predict：匹配预测数据；7）KSN：KSN构建数据；8）PRA_result：知识补全数据；9）recommendation_predict：推荐预测数据；10）Top_n：Top-N报警统计数据；11）5W_information：5W报警数据；12）situation_map：可视化威胁地图数据；13）CSSR：初步采集的态势资源；14）RealTime_data：实时样本值；15）DataSet：初始数据集。
（2）功能模型
功能模型是面向对象分析建模的第三个阶段，类似于数据流图，使用数据流图中的数据的源点或重点、对数据的加工、处于静止状态的数据存储和处于运动状态的数据流这四种基本元素进行本系统的功能模型的建立。图5.5是校园安全态势感知与自动报警系统的功能模型。其展示了第二层和第三层的数据流图。
图5.5 功能模型图
Fig. 5.5 Functional model diagram
如图5.5的第二层数据流图所示，用户使用校园安全态势感知与自动报警系统请求安全态势感知和预测结果，以及报警结果。系统协调资源采集模块、态势感知与预测模块、自动报警模块将态势资源处理后返回给用户。
如图5.5的第三层数据流图所示，用户上传数据集，数据库操作模块将CSSR送至DSN构建模块，构建成DSN图谱并存储。DSN处理模块将该DSN图谱可视化给用户，并将该图谱输入到DSN操作进行关联分析。ISN操作获取关联分析结果并进行处理，输出ISN图谱并存储。ISN模块将该ISN图谱展示给用户，并将该图谱输入到ISN操作用于交互分析，输出交互分析表。ISN操作将交互分析表展示给用户，并将其输入到KSN构建进行处理，输出KSN图谱并存储。KSN构建将该KSN图谱展示给用户，并将其输入到KSN操作进行知识推理，输出补全的KSN图谱。KSN操作将该结果展示给用户。用户也可以通过接口获取实时数据，将实时数据输入到DSN预测进行EWMA方法预测，输出DSN预测结果。DSN预测存储该结果，展示给用户，并将该结果输入到ISN预测。ISN预测获取交互分析结果，输出ISN预测信息结果。ISN预测展示该结果给用户，并将该结果输入到KSN预测。KSN预测获取知识补全结果，输出预测的知识。KSN预测将该结果展示给用户，并将补全的和预测的KSN输入到自动报警进行处理。自动报警模块经过专家系统判断输出Top-N统计表、5W信息表、可视化威胁地图数据，存储上述三种表。Top-N统计表输入到Top-N统计模块被处理后可视化给用户，5W信息表输入到5W信息模块中被处理后可视化给用户，可视化威胁地图数据输入到可视化威胁地图模块被处理后可视化给用户。
5.2.3 单个Arduino节点的设计
图5.6 单个Arduino计算节点的设计
Fig. 5.6 Design of a single Arduino compute node
图5.6是单个Arduino计算节点的设计图。图中箭头代表数据流和控制流的方向。该节点由传输模块、处理器模块、数据传感器、供电系统组成。传输模块采用ESP8266、支持IPv6的CC2520、或有线连接拓展版，处理器模块采用装备AVR芯片的Arduino系列单片机。
图5.7 节点间的数据传输方式
Fig. 5.7 Description of how data transfer between nodes
图5.7是节点间的数据传输方式说明。边缘节点分为两种，一种没有装备AP接入设备，这类节点在自身存储和计算能力不够时将数据传输至附近AP接入点，数据被传输至数据处理中心进行处理，见图中节点1。另一类节点带有ESP8266等的接入设备，可直接将数据传输至数据处理中心，见图中节点2。根据不同的场景需要，部署的采集节点的计算和存储能力也不同。例如，有大量的数据需要处理时，配备较大计算能力的Arduino，见节点2的Arduino Mega 2560。而在数据量较少时，则只需要配备较小计算能力的处理设备，见节点1的Arduino UNO r3。
5.3 详细设计和实现
系统实现采用的设计模式是MTV（模型—模板—视图）模式，设计框架是基于Python写成的Django框架。Django是一个开源的Web框架。图5.8是Django的工作原理图。其中路由（URL）负责url映射到应用程序，模型（Model）与数据库相关，视图（View）函数负责模型和模板之间的交互，模板（Template）用来将数据展示给用户。一次用户的请求流程是：用户通过系统界面输入url发出请求，首先被一个称为URL控制器的单元接受并找到对应的视图函数。视图函数将取数据的请求发送给模型。模型通过对象—关系映射（Object-Relation Mapping，ORM）对数据库（DataBase）进行增删改查。之后模型将数据返回到视图函数，视图函数将找到对应的模板将被请求的数据以HTML页面的形式展示给用户。
图5.8 Django框架的MTV设计模式
Fig. 5.8 MTV Design Pattern of Django
Django框架的运行环境是实现系统软件设计的基础。本设计中具体的运行环境是：（1）操作系统：Windows10；（2）处理器：Intel(R) Core (TM) i3-8145U CPU @2.10GHz；（3）内存（RAM）：8GB DDR3；（4）数据库：MySQL5.7；（5）WEB服务器：Windows server 2016；（6）Django框架：Django2.0；（7）开发语言：Python3.5；（8）图谱可视化工具：D3.js、Echart、百度地图API；（9）开发工具：Sublime Text3；（9）通信协议：TCP/IP、HTTP。
图5.9是用户与系统交互的首页。系统交互界面的首页由8大部分组成。包括首行资源导航栏、位于中间位置的6大功能部分、以及向下翻页的剩余部分。6大功能部分中，资源采集模块用于上传数据集及提供实时数据上传的接口。系统的参数设置部分用于在实际分析时的参数设置。态势感知与预测模块具体包括DSN处理模块、ISN处理、KSN处理。DSN处理部分包括DSN构架、DSN操作（关联分析）、DSN预测子功能。ISN处理部分包括ISN构建、ISN操作（交互分析）、ISN预测等子功能。KSN处理部分包括KSN构建、KSN操作（基于路径排序算法PRA的知识补全分析）、KSN预测等子功能。自动报警展示报警资源，主要以Top-N的形式展示数据、信息、知识的报警，以及通过5W标识的报警信息展示。
图5.9 系统交互首页及采集模块实现
Fig. 5.9 System interaction index and collection module implementation
5.3.1 数据感知与预测模块实现
（1）态势感知与预测模块活动图
图5.10是态势感知与预测模块的活动图。用户首先登陆系统，然后进行感知和预测态势操作。包含三个主要功能：DSN处理、ISN处理、KSN处理。每一个大功能下面可以进行构建、操作、预测三个子功能。
图5.10 态势感知与预测模块活动图
Fig. 5.10 Activity chart of situation awareness and predict module
5.3节涉及分析结果的可视化，我们使用实例场景来说明可视化图的内容、用途、意义。采用这样一个校园物理安全威胁场景，传感器采集气压、2分钟平均风速、温度/气温、相对湿度、水汽压、水平能见度（人工）、风力、体感温度等8项数据，从2020.3.21到2020.3.27之间在海南大学采集点采集的数据有59950行，最新一次采集的样本值是{1013.2，2.3，33.3，93，27，22100，2，25.11}。在夏季的海口海甸岛，气温和湿度相对较大。在No.1 Grade下，这组值的气温/温度、相对湿度出现了威胁。
（2）DSN构建功能
数据感知与预测模块即DSN处理模块。用户在首页点击DSN处理或者DSN构建按钮后进入获得该可视化结果。DSN将采集的59950行数据构建成DSN，从DSN上只能查看数据间的结构关系。DSN是DIKW架构的最底层，作为基础设施进行下一步的关联分析。DSN处理模块的每个子页面都有“No.1 Grade”、“No.2 Grade”、“No.3 Grade”、“No.4 Grade”、“No.5 Grade”等五个感知的层次可选，默认是资源采集时的“No.1 Grade”。页面第二个头部可选择校园安全的因素：物理安全、化学安全、火灾安全、交通安全、所有资源等五个选项，图中当前是“物理安全(气象)”。
（3）DSN关联分析功能
图5.11 DSN处理模块的关联分析功能
Fig. 5.11 Correlation analysis function of DSN processing module
在首页或者DSN处理模块点击“关联分析”按钮来使用DSN操作功能。图5.11是上述场景下的关联分析结果。关联分析结果用于用户对威胁校园安全的因素的关联因素分析，了解规则的规模。用户可以从该结果中人工查找威胁的关联因素。例如分析发现，在采集时间段和位置，当温度/气温超过32摄氏度经常发生时，水平能见度(人工)不足14000的情况也伴随着经常出现。图3.5展示在DSN图谱规模是G=1798500，E=1738550，采集时间段为2020.3.23-00—29-14，采集地点是海口，观测站号是59758，采集分辨率为按小时条件下的关联分析结果，包括前件、结论及可信度数据。其意义在于帮助用户确定某项校园威胁的连带威胁。
（4）DSN预测功能
在首页或者DSN处理模块点击“DSN预测”按钮使用数据预测功能。图5.12是DSN预测结果的可视化。用于用户对实时数据的预测结果分析，以及用户对当前实时数据和预测数据的威胁性判定分析。例如，图中实时数据项“TEM：温度/气温”被标识为Threat态势，触发了No.1 Grade态势采集阈值。预测数据项组合{“TEM:温度/气温”，“windpower:风力”}被标识为Threat态势。该图展示实时数据、预测数据、实时数据态势、预测数据态势、上述四种数据的3D直方图可视化。其意义在于帮助用户在数据层面了解校园受到威胁的数据项及值，以及通过直方图直观地、快速地发现实时值和预测值的报警。其中，3D直方图为蓝色，说明安全，为红色，说明受到威胁。用户可将鼠标在该直方图上移动来查看具体的值。例如，在本届开始时给出的场景下，针对校园物理安全的气象数据，采集气压、风速、风力等等一组数据，该功能估计出下一时刻的采集值。并且，判断采集值和估计值的态势，标识其安全、威胁、高危等等状态。在给出的场景中，气温采集值在表格中显示高危标识，风力估计值在表格中出现高危标识。这两个高危数据将在3D直方图中红色显示。
图5.12 DSN处理模块的DSN预测功能
Fig. 5.12 DSN prediction function of DSN processing module
5.3.2 信息感知与预测模块实现
（1）ISN构建功能
信息感知与预测模块即ISN处理模块。该模块包含ISN构建、交互分析、ISN预测三个功能。可在首页或者ISN处理模块点击ISN构建按钮使用ISN构建功能。ISN构建将DSN和DSN上的分析结果转换成ISN。用于下一步的交互分析。其意义在于帮助用户直观地了解当前交互情况。可从图中获取交互的节点规模和分布等信息。
（2）ISN交互分析功能
在首页或者ISN处理模块点击“交互分析”按钮使用ISN操作功能。图5.13是在DSN图谱上进行分析的结果。ISN交互分析结果用于用户对当前受到的安全威胁当中，哪些较为重要的程度分析。该图展示所有ISN节点交互度及排序。用户可以人工查询威胁事务集中项对应的交互度及排序。其意义在于帮助用户确定安全威胁的威胁程度。例如分析发现，在采集时间段和位置，节点“风力”在ISN上的交互度值最大，约为3.9。说明在所有频繁出现Threat态势的数据项中，“风力”最为重要。因此系统向管理员首先推荐。该图也展示结果的词云可视化。采用Echart的词云工具展示ISN上的分析结果。字体越大，说明ISN上重要度越大，态势越差。
图5.13 ISN处理模块的ISN交互分析功能
Fig. 5.13 ISN interaction analysis function of ISN processing module
（3）ISN预测功能
图5.14 ISN处理模块的ISN预测析功能
Fig. 5.14 ISN prediction function of ISN processing module
在首页或者ISN处理模块点击“ISN预测”按钮使用信息预测功能。图5.14是ISN预测结果的可视化。预测结果用于用户对下一时刻安全态势的预测分析。该图展示了实时数据及态势、预测数据及态势、实时和预测威胁事务集、事务集对应的交互度及排序信息、柱状图统计分析。其意义在于帮助用户跳过人工筛选，直接推荐给用户目标节点的重要度信息。例如预测事务为{两分钟平均风速，温度/气温，风力}，其节点重要性排序分别是3、2、1。
5.3.3 知识感知与预测模块实现
（1）KSN构建功能
知识感知与预测模块即KSN处理模块。KSN处理模块包含KSN构建、知识推理PRA、KSN预测三个功能。构建的KSN用于下一步的知识推理分析。KSN构建模块同样以图谱的形式可视化给用户，用户可直观地看到校园安全资源构建的知识图谱。查看包括Has a（包含）、Is a（解释）、Inclusion（蕴含）、Attribute（属性）在内的四类关系集。帮助用户初步掌握图谱的规模。
（2）KSN知识推理功能
在首页或者KSN处理模块点击“知识推理PRA”按钮使用KSN操作功能。图5.15是在KSN图谱上进行知识推理分析的结果。该结果是基于路径排序算法对新知识的预测，从而进行知识补全。用户可以直观地查看补全后的KSN。这一补全的KSN可以作为在自动报警模块中知识规则基础设施以及作为实时数据预测的知识图谱基础设施。当校园安全受到本届开始给出的场景下的威胁时，可以通过在KSN上查找高危节点的属性、前件、结论等来查看报警的情况。例如，高危节点“气温”的采集时间2020.3.20（属性），风速长长引起温度的变化（前件），以及温度态势被表示为“Thraet”（结论）。
图5.15 KSN处理模块的KSN知识推理功能
Fig. 5.15 KSN knowledge reasoning function of KSN processing module
（3）KSN预测功能
点击“KSN预测”按钮使用知识预测功能。图5.16是KSN预测结果的可视化。用于对实时数据威胁和预测数据威胁事务在知识态势层面的知识预测分析。该图展示加入实时和预测数据的KSN、以实时和预测数据威胁事务项为前件的蕴含结果表、包含蕴含和重要度两类信息的气泡图。意义在于帮助用户直观了解校园安全在知识层面下推理得到的分析结果、结果的重要程度。其中气泡图可视化涵盖了数据层面、信息层面、知识层面预测的主要信息。为用户对当前校园安全态势做出响应决策提供了重要依据。例如该图中第一个表的第二行[TEM:温度/气温，（TEM：温度/气温 à 33.3 | TEM:温度/气温 à Threat]可知，实时数据的Threat事务集中节点TEM：温度/气温在KSN中被推荐里它的属性值33.3摄氏度和作为解释关系的“Is a”的尾节点“Threat”。
图5.16 KSN处理模块的KSN预测功能
Fig. 5.16 KSN prediction function of KSN processing module
5.3.4 自动报警模块功能实现
图5.17自动报警活动图
Fig. 5.17 Activity chart of auto alarm module
图5.17是自动报警模块的活动图。用户登陆系统后，在自动报警功能模块进行获取报警信息。主要包含数据报警、信息报警、知识报警三大功能子模块。之后再查看报警详情子模块将上述三种功能的结果进行合并和输出。
（1）Top-N统计
在首页或者自动报警模块点击“自动报警”点击“Top-N统计”按钮使用该功能。Top-N统计是对系统经过自动报警系统后对数据、信息、知识的报警结果做了前N个项的统计分析。数据Top-N统计展示被标识为某一态势级别的事务集的所有数据项和数据。信息Top-N统计展示包含数据Top-N的N个节点及交互度。知识Top-N展示以信息Top-N节点及其在KSN中为前件的结论的个数。Top-N页面右上角有一个饼状图，用来展示知识Top-N结论在ISN上的重要度。
图5.18是Top-N报警统计信息的可视化。用于用户对数据、信息、知识三个层次的分析结果的前N个结果的直观分析。该图展示了数据层面威胁校园安全的前2个数据项和值，信息层面的数据项的重要程度、交互度及排序，知识层面的蕴含结论的个数及饼状图所展示的结论内容及其优先级。例如数据事务“Data-TEM：温度/气温”和“Data-WIN_S_Avg_2mi:两分钟平均风速”及值分别是33.3摄氏度和6.3m/s，从信息Top-N中对应的交互度和排序分别是3.42928564/1和3.42928564/1。
图5.18自动报警模块的数据、信息、知识Top-N报警统计功能
Fig. 5.18 Data, information, knowledge Top-N alarm statistics function
（2）可视化校园威胁地图
在首页或者自动报警页点击“可视化威胁地图”来使用该功能。图5.19是通过调用百度3D地图API来向用户展示校园安全受到的威胁信息。该图展示以海口市海南大学为例，模拟的五个地域20个区域共计1000个节点中，在No.1 Grade（Threat态势）下，三个区域出现了报警，标记为粉红色的实心小圆点。三个区域分别是第一食堂、第二食堂、办公楼。通过拖动鼠标可以继续放大或者缩小地图。报警点对应的报警内容在5W信息页面获取。用于用户对校园安全受到威胁的具体位置的直观分析。其意义在于帮助用户迅速掌握威胁的地理位置分布。
图5.19自动报警模块的可视化威胁地图功能
Fig. 5.19 Visual threat map function for the automatic alarm module
（3）5W信息
在首页或者自动报警页点击“5W信息”按钮使用该功能。图5.20是5W报警信息可视化页面。用于用户从Who\When\Where\What\Why\How等5W问题的角度对当前的整体校园安全态势进行分析。该图展示了受到威胁的是编号为“59757”的节点（Who），威胁时间是2020.3.23.14（When），威胁地点是“海大办公楼”（Where），威胁内容是温度/气温33.3度超过阈值（What），威胁原因（Why）是两分钟平均风速、风力、水平能见度(人工)、{风力、水平能见度(人工)}、{两分钟平均风速、风力、水平能见度(人工)}等五种情况经常出现。处理优先级是其优先度约为3.9的温度，优先级排序为2，应优先处理（How）。
图5.20自动报警模块的 5W信息展示功能
Fig. 5.20 5W information display function for the automatic alarm module
5.4 系统测试
5.4.1 功能测试
表5.2 系统的测试用例
Table 5.2 Test case for system test
模块 | 功能点 | 说明 | 前置条件 | 输入 | 预期结果 | 结果 |
1 资源采集 | 1.1文件上传 | 态势上传文件 | 用户已登陆 | 填入文件名和文件;单击提交 | 文件存入数据库返回“ok” | 成功 |
1.3实时上传 | 上传实时数据 | 节点存在 | 单击采集接口按钮配置按钮 | 实时数据被上传 | 成功 | |
2 DSN处理 | 2.1 DSN构建 | 构建DSN | 地域和级别已被选择 | 单击DSN构建按钮 | 显示DSN关系图 | 成功 |
2.2 DSN操作 | 关联分析 | DSN已被构建 | 单击DSN操作按钮 | 显示分析后列表 | 成功 | |
2.3 DSN预测 | 数据预测 | 实时数据 | 单击DSN预测按钮 | 显示预测结果表格 | 成功 | |
3 ISN处理 | 3.1 ISN构建 | 构建ISN | 已DSN处理 | 单击ISN构建 | 显示ISN关系图 | 成功 |
3.2 ISN操作 | 交互分析 | 已ISN构建 | 单击ISN操作 | 显示分析后列表 | 成功 | |
3.3 ISN预测 | 信息预测 | 已DSN预测及交互分析 | 单击ISN预测按钮 | 显示预测结果表格 | 成功 | |
4 KSN处理 | 4.1 KSN构建 | 构建KSN | 已ISN处理 | 单击KSN构建按钮 | 显示KSN关系图 | 成功 |
4.2 KSN操作 | 知识推理 | 已ISN构建 | 单击KSN操作按钮 | 显示补全的KSN关系图 | 成功 | |
4.3 KSN预测 | 知识预测 | 已ISN处理及知识补全 | 单击KSN预测按钮 | 显示预测的KSN关系图 | 成功 | |
5 自动报警 | 5.1 Top-N报警统计 | 前N报警 | 已感知和预测 | 单击Top-N报警统计按钮 | 显示前N报警统计柱状和饼状图 | 成功 |
5.2 5w信息 | 5w信息 | 已感知预测 | 单击5w信息 | 5w信息分类表格 | 成功 | |
5.3可视化威胁地图 | 百度3D地图展示威胁 | 已感知和预测 | 单击可视化威胁地图按钮 | 标注威胁位置和大小的百度3D地图 | 成功 |
表5.2是校园安全态势感知与自动报警系统的测试用例。表中对系统的主要功能进行了功能测试。主要包括系统的资源采集、DSN处理、ISN处理、KSN处理、自动报警等五大模块的测试。再从五大模块的功能点出发进行测试。结果发现，系统在测试中符合预期。
5.4.2 性能测试
本小节根据4.3节给出的系统性能评价指标进行性能评估，即主要从体验度和满意度两个角度进行评估。以期待值为基线，若：
客户期待 < 客户体验，为用户带来惊喜体验；
客户期待 = 客户体验，为用户带来满意的体验；
客户期待 > 客户体验，用户不会满意此次服务。
本次测试，模拟了1000个节点进行测试。1000个节点中第i个节点的传输速率vi根据ESP8266的串口设定的8.5KB/S、3.8KB/S、0.9KB/S、14.2KB/S四种速率中随机分配。节点i的待传输的资源规模为Scalei（）。
（1）时延体验度DelayQoE
在DelayQoE的计算公式中，设定参数a、b、c的值为0.4、0.3、0.3。则资源上传时延ResourceUploadDelay为1000个节点的平均值，即：
记录了响应时延RequestDelay的值为1.07s。记录了处理时延ProcessDelay的值为1.2s。则此时DelayQoE评估为：。
（2）感知体验度AwarenessQoE
公式4—12计算感知体验度，测试中设定m、n的值为0.4、0.6。在此次测试中，共有423次阈值之上的感知事件，其中与实际相符的有396次，则感知准确度AwarenessDoA=396 / 423 = 0.96。共有210次预测事件，与实际情况在给定偏差范围的有188次。预测准确度PredictDoA = 188 / 210 = 0.9。则此时感知体验度AwarenessQoE = 0.4 * 0.96 + 0.9 *0.6 = 0.92。
（3）报警体验度AlarmQoE
设定权值h、k的值为0.63、0.37。测试中共产生了36次报警，其中符合实际情况的报警有34次，其中合理的报警方式有28次，则报警准确度DoAL = 34 / 36 = 0.94，报警方式合理度MetRatRate = 28 / 36 = 0.78。则报警体验度AlarmQoE = 0.63 * 0.94 + 0.37 * 0.78 = 0.88。
（4）态势丰富性体验度SituationQoE
设定权值x、y、z的值分别为0.2、0.3、0.5。测试采集到数据、信息、知识分别共计690KB、134KB、59KB，10次采集测试中同样的任务下采集规模最大的数据规模为698KB、最大的信息规模是146KB、最大的知识规模是67KB，则数据态势感知规模完整性DataComRate = 690 / 698 = 0.99、信息态势感知规模完整性InfoComRate = 134 / 146 = 0.92、知识态势感知规模完整性KnowComRate = 59KB / 67KB = 0.88。则态势丰富性体验度SituationQoE = 0.2 * 0.99 +0.3 * 0.92 + 0.5 * 0.88 = 0.87。
根据上述指标及公式4—15进行综合的性能评价，假定指标的权值d1、d2、d3、d4根据测试的场景设定为0.2、0.3、0.3、0.2，则系统的体验度为QoE = 0.2 * 0.78 + 0.3 *0.92 + 0.3 * 0.88 + 0.87 * 0.2 = 0.87。图5.21是柱状图表示的系统的性能测试结果，反映了较为良好的系统性能。系统在感知体验、报警体验、和态势体验上均达到了很高的水平。然而从图中可知，在时延体验感方面依然需要改进，而这其中主要体现在模型在运行过程中的资源更新的时间复杂度依然有待优化。
图5.21系统性能测试
Fig. 5.21 System performance test
5.5 本章小结
本章完成了系统的需求分析和概要设计，给出了系统的总体功能结构。基于系统的概要设计，进一步完成了详细设计，并利用Django框架进行了编码实现，完成了系统的各部分功能，最后完成了系统的功能测试和性能测试。
第6章 总结与展望
6.1 总结
智慧校园中的安全问题越来越重要，本文设计和实现了一种面向边缘计算的校园安全态势感知与自动报警系统。完成了校园安全场景下的基于数据图谱、信息图谱、知识图谱三层图谱的资源处理框架的态势感知、态势理解、态势预测、自动报警等目标。
安全态势感知与预测的主要工作是借助数据图谱、信息图谱、知识图谱的三层资源处理架构构建态势感知与预测模型及操作集合。实现了安全数据、信息、知识态势的感知功能和预测功能。数据的感知与预测功能在基于校园安全态势资源构建的数据图谱上借助统计频度分析安全指标及其构成的集合的幂集的元素之间的关联性。信息的感知与预测功能在信息图谱上关注校园安全指标及其构成集合的幂集中元素的重要程度。知识的感知与预测功在知识图谱上关注基于路径计算的知识补全推理以得到新的知识。测试结果发现，数据—信息—知识感知结构的更具可理解性的层次化感知过程对管理员的决策支持更加有利，例如校园安全的物理、化学、火灾、交通因素各自的数据采集值之间，存在着很强的关联关系：气温报警（数据）的重要度很高（信息），同时风速往往也会报警（知识）。
自动报警的主要工作是借助专家系统分析校园安全受到威胁的情况。实现了针对校园安全受到高危数据、信息、知识威胁情况下的自动报警功能。该功能通过专家系统匹配数据图谱、信息图谱、知识图谱上的态势资源实现从数据、信息、知识三个的层面细化规则的报警。测试结果发现，数据—信息—知识的连带报警响应更能反映当前的安全态势。
传输优化研究的主要工作是通过优化处理与存储来降低传输时延，完成了系统节点间资源传输方案的推荐功能。该功能实现了在最小化网络、计算、存储的处理成本的同时，以商业价值驱动方式最大化处理性能。测试结果表明，所提出的机制提升了性能与用户投入的比。
分析结果可视化的主要工作是借助Django框架使用Python3.x语言设计可视化前端和后端。该功能完成感知、预测、报警结果的3D图、柱状图、词云、关系图、百度3D地图的可视化展示。使得管理员能够清晰的获取到当前的校园安全态势数据、信息、知识，为其的进一步决策提供了足量的证据。系统功能测试发现，设计的系统满足设计目标。系统性能测试发现，系统在以体验感和满意度构成的性能评估体系下表现良好。
6.2 展望
态势理解是态势感知的关键阶段，未来学生将继续从数据、信息、知识的角度对态势感知系统进行建模和分析，探索相应的态势感知方法。在增强校园态势感知系统的可理解性的同时，优化方案以提升系统的用户满意度。
硕士学位期间取得的科研成果
参与科研：
1. 国家自然科学基金项目：API经济下面向小微企业社群成长环节的利益共享协调信息侧机制研究，项目编号：61662021
2. 赛尔网络下一代互联网技术创新项目：面向智慧校园Ipv6的安全态势感知与自动报警系统，项目编号：NGII20180607
发表论文：
1. Processing Optimization of Typed Resources with Synchronized Storage and Computation Adaptation in Fog Computing
2. Towards Cost Effective Privacy Provision for Typed Resources in IoT Environment
3. Constructing Search as a Service Towards Non-deterministic and Not Validated Resource Environment with a Positive-Negative Strategy
4. 面向非确定、不保真、复杂资源环境的正反双向动态平衡搜索服务
授权发明专利：
1. 一种资源环境的正反双向动态平衡搜索策略
2. 基于数据图谱、信息图谱和知识图谱的图像信息目标识别增强方法
3. 投入驱动的物联网资源安全保护方法
4. 基于数据图谱、信息图谱和知识图谱的图像数据目标识别增强方法
5. 面向类型化资源的物联网数据隐私保护方法
6. 基于偏差器官形态行为可视化的口语学习矫正方法
7. 一种面向边缘计算的类型化医疗资源处理系统设计方法
获奖情况：
1. 2017年度 “泛珠三角”大学生计算机作品赛海南竞赛三等奖
2. 2018年度 首届中国人工智能“AI”创新创业大赛三等奖
3. 2018年度 中美青年创客大赛海口赛区二等奖
4. 2019年度 吴旭奖学金
致谢
首先，非常感谢我的指导老师段老师。本论文的完成是在研究生三年的课程学习、知识积累、项目实践等因素的基础上，再结合这一年针对本课题的研究而完成的。而上述这些，正是在我的指导老师的专业的、负责的、细心的指导下，才一步一步在正确的道路上不断进步，获取到相应的能力，最后努力完成了本次论文的撰写。
富兰克林曾说：“Tell me, and I forget, Teach me, and I remember, Involve me, and I learn. ”。因此我非常感激我的指导老师给予的在很多的场合拥有这样的参与的机会，让我真正学会了很多东西。
其次，要感谢我的母校海南大学及计算机学院，正是这个平台给了我学习和进步的机会。同时在论文的撰写中，学校的教室、图书馆等各类学习资源极其正向的帮助了学生的学习和生活。
最后，要感谢我的各位老师和同学，在读期间，不仅学习到了丰富的知识，而且学习到了做人做事的道理。这是人生中很重要的财富。同时也感谢评审老师给我的宝贵的意见，在定稿阶段这样的意见对于学生来说非常重要。
宋正阳
2020年5月8日
References:
[1] 2006年全国中小学安全形势分析报告[J]. 人民教育，2007(08)：13 —15.
[2] 丁小欧，王宏志，张笑影，等. 数据质量多种性质的关联关系研究[J]. 软件学报，2016，
[3] 杜岳峰，申德荣，聂铁铮，等. 基于关联数据的一致性和时效性清洗方法[J]. 计算机学报，2017，2017(01)：94—108.
[4] 段玉聪，张欣悦，周长兵，等. 面向隐式类型化资源的安全防护[J]. 计算机科学与探索，2018， 13(12)：2061—2072.
[5] 傅智敏. 我国火灾统计数据分析[J]. 安全与环境学报，2014，14(6)：341—345.
[6] 龚俭，臧小东，苏琪，等. 网络安全态势感知综述[J]. 软件学报，2017，28(4)：1010—1026.
[7] 韩煜. 基于OODA的突发事件应急响应建模研究[D]. 南京理工大学，2014.
[8] 孔钦，叶长青，孙赟. 大数据下数据预处理方法研究[J]. 计算机技术与发展，2018，28(5)：1—4.
[9] 况源，李秀娟，周小明，等. 基于 SharpMap 的气象监测与预警系统[J]. 计算机技术与发展，2019 (9)：33.
[10] 李盛恩，王珊. 多维数据模型ER(H)[J]. 计算机学报，2005，28(12)：2059—2067.
[11] 刘永楠，邹兆年，李建中，等. 数据完整性的评估方法[J]. 计算机研究与发展，2013，50(S1)： 230—238.
[12] 刘缅芳. 校园环境下人车混合交通行为与动态疏散诱导策略研究[D]. 武汉理工大学，2016.
[13] 吕慧，杨玲，徐丹，等. 2017 年校园设施安全事故统计分析与风险防控[J]. 安全，2019 (1)： 15.
[14] 邵礼旭，段玉聪，周长兵，等. 数据，信息和知识三层图谱架构的推荐服务设计[J]. 计算机科学与探索，2019，13(2)：214—225.
[15] 席荣荣，云晓春，金舒原，等. 网络安全态势感知研究综述[J]. 计算机应用，2012，32(01)：1—4.
[16] 张碧辉，刘树华，桑建国. 北京大学校园夏季气象场的数值模拟[J]. 北京大学学报，2011， 47(01)：59—65.
[17] 霍志星. 空气质量监控与分析系统的设计与实现[D]. 河北师范大学，2019.
[18] Ackoff R. From data to wisdom[J]. Journal of applied systems analysis, 1989, 16(1): 3-9.
[19] Biferno M, Stanley D. The touch-sensitive control/display unit: A promising computer interface[R]. SAE Technical Paper, 1983.
[20] Buckland, M. (1991b). Information as thing. Journal of the American Society of Information Science, 1991, 42(5):351-360.
[21] Bass T. Multisensor data fusion for next generation distributed intrusion detection systems[C]//Proceedings of the IRIS National Symposium on Sensor and Data Fusion. COAST Laboratory, Purdue University, 1999: 24-27.
[22] Breton R, Rousseau R. Situation Awareness: A review of the concept and its measurement[J]. DRDC Valcartier TR, 2001, 220.
[23] Brogi A, Forti S. QoS-aware deployment of IoT applications through the fog[J]. IEEE Internet of Things Journal, 2017, 4(5): 1185-1192.
[24] Zins C. Conceptual approaches for defining data, information, and knowledge[J]. Journal of the Association for Information Science and Technology, 2007, 58(4):479–493.
[25] Cooper, Paul. Data, information, knowledge and wisdom[J]. Anaesthesia & Intensive Care Medicine, 2014, 15(1):44-45.
[26] Dominguez C. Can SA be defined[J]. Situation awareness: Papers and annotated bibliography, 1994: 5-15.
[27] Deb K, Agrawal S, Pratap A, et al. A fast elitist non-dominated sorting genetic algorithm for multi-objective optimization: NSGA-II[C]//International conference on parallel problem solving from nature. Springer, Berlin, Heidelberg, 2000: 849-858.
[28] Duan Y, Shao L, Hu G, et al. Specifying architecture of knowledge graph with data graph, information graph, knowledge graph and wisdom graph[C]//International Conference on Software Engineering Research, Management and Applications. IEEE, 2017: 327-332.
[29] Duan Y, Shao L, Sun X, et al. An Investment Defined Transaction Processing Towards Temporal and Spatial Optimization with Collaborative Storage and Computation Adaptation[C]//International Conference on Intelligent Data Engineering and Automated Learning. Springer, 2017: 452-460.
[30] Endsley M. Design and evaluation for situation awareness enhancement[C]//Proceedings of the Human Factors Society annual meeting. 1988, 32(2): 97-101.
[31] Endsley M. Predictive Utility of an Objective Measure of Situation Awareness[J]. Proceedings of the Human Factors and Ergonomics Society Annual Meeting,1990,34(1): 41-45.
[32] Endsley M. Situation awareness analysis and measurement[M]. CRC Press, 2000.
[33] Endsley M. Toward a theory of situation awareness in dynamic systems[M]//Situational Awareness. Routledge, 2017: 9-42.
[34] Gibson J. The ecological approach to visual perception: classic edition[M]. Psychology Press, 2014.
[35] Hu J, Ma D, Liu C, et al. Network Security Situation Prediction Based on MR-SVM[J]. IEEE Access, 2019, 7: 130937-130945.
[36] Ito Y, Koga H, Iida K. A bandwidth allocation scheme to improve fairness and link utilization in data center networks[J]. IEICE transactions on communications, 2017.
[37] Klein G. The recognition-primed decision (RPD) model: Looking back, looking forward[J]. Naturalistic decision making, 1997: 285-292.
[38] Liu X, Wang H, Lü H, et al. Fusion-Based cognitive awareness-control model for network security situation. Ruan Jian Xue Bao/Journal of Software, 2016, 27(8):2099−2114.
[39] Liu K, Warade N, Pai T, et al. Location-aware smart campus security application[C]//2017 IEEE SmartWorld, Ubiquitous Intelligence & Computing, Advanced & Trusted Computed, Scalable Computing & Communications, Cloud & Big Data Computing, Internet of People and Smart City Innovation. IEEE, 2017: 1-8.
[40] Liang W, Chen Z, Yan X, et al. Multiscale entropy-based weighted hidden markov network security situation prediction model[C]//2017 IEEE International Congress on Internet of Things. IEEE, 2017: 97-104.
[41] Ma Z, Zhao Q, Huang J. Optimizing bandwidth allocation for heterogeneous traffic in IoT[J]. Peer-to-Peer Networking and Applications, 2017, 10(3): 610-621.
[42] Pew R. The state of situation awareness measurement: Heading toward the next century[M]//Situational Awareness. Routledge, 2017: 459-474.
[43] Qiang J, Wang F, Dang X. Network Security Based on DS Evidence Theory Optimizing CS-BP Neural Network Situation Assessment[C]//International Conference on Cyber Security and Cloud Computing /International Conference on Edge Computing and Scalable Cloud.IEEE, 2018: 153-159.
[44] Rowley J. The wisdom hierarchy: representations of the DIKW hierarchy[J]. Journal of information science, 2007, 33(2): 163-180.
[45] Sarter N, Woods D. How in the world did we ever get into that mode? Mode error and awareness in supervisory control[J]. Human factors, 1995, 37(1): 5-19.
[46] Sun W, Peng L. Observer-based robust adaptive control for uncertain stochastic Hamiltonian systems with state and input delays[J]. Nonlinear Analysis: Modelling and Control, 2014, 19(4): 626-645.
[47] Shi W, Cao J, Zhang Q, et al. Edge computing: Vision and challenges[J]. IEEE internet of things journal, 2016, 3(5): 637-646.
[48] Shao L, Duan Y, Sun X, et al. Bidirectional value driven design between economical planning and technical implementation based on data graph, information graph and knowledge graph[C]// Proceedings of the IEEE International Conference on Software Engineering Research, Management and Applications, 2017:339–344.
[49] Shao L, Duan Y, Sun X, et al. Answering Who/When, What, How, Why through Constructing Data Graph, Information Graph, Knowledge Graph and Wisdom Graph[C]//SEKE. 2017: 1-6.
[50] Shao L, Duan Y, Cui L, et al. A pay as you use resource security provision approach based on data graph, information graph and knowledge graph[C]//International Conference on Intelligent Data Engineering and Automated Learning. Springer, 2017: 444-451.
[51] Shao L, Duan Y, Zhu D, et al. Health service provision based on typed resources of data, information and knowledge[C]//2017 IEEE 19th International Conference on e-Health Networking, Applications and Services (Healthcom). IEEE, 2017: 1-6.
[52] Song Z, Duan Y, Wan S, et al. Processing optimization of typed resources with synchronized storage and computation adaptation in fog computing[J]. Wireless Communications and Mobile Computing, 2018.
[53] Wang H, Lai J, Zhu L, et al. Survey of Network Situation Awareness System[J]. Computer Science, 2006, 10.
[54] Wang Y, Yin C. Approximation for the ruin probabilities in a discrete time risk model with dependent risks[J]. Statistics & probability letters, 2010, 80(17-18): 1335-1342.
[55] Wang Y. Formal cognitive models of data, information, knowledge, and intelligence[J]. WSEAS Transactions on Computers, 2015, 14(3): 770-781.
[56] Xin D, Gai W, Wang L, et al. Survey of cyberspace situation awareness model. Journal. of Computer Applications, 2013, 33(S2):245−250.
[57] Yang A, Li S, Ren C, et al. Situational awareness system in the smart campus[J]. IEEE Access, 2018, 6: 63976-63986.
[58] Zins C. Conceptual approaches for defining data, information, and knowledge[J]. Journal of the American society for information science and technology, 2007, 58(4): 479-493.
https://blog.sciencenet.cn/blog-3429562-1369236.html
上一篇：意图驱动的智能调度DIKW算法设计（指导的2021年5月本科毕业论文）
下一篇：基于DIKW的发明专利智能申请与答复系统的设计与实现（指导的2021年5月硕士毕业论文）
