一种网络信息体系要素体系贡献率评估方法和装置与流程

技术特征：
1.一种网络信息体系要素体系贡献率评估方法，其特征在于，包括：基于预设的数据样本,提取网络信息体系贡献率的关键要素，采用强化学习的体系贡献率评估方法，进行体系贡献率模型构建；基于网络信息体系要素性能指标，自动构建强化学习模型；基于小样本的强化训练模型参数及基于模型参数构建体系贡献率计算模型，进行训练并提取模型参数，计算体系要素各性能指标的权重，设计累计权重计算方法并通过计算累计权重来计算最终的体系要素体系贡献率，完成体系贡献率计算模型的构建，通过“老师模型”和“学生模型”完成对网络信息体系贡献率评估。2.根据权利要求1所述的网络信息体系要素体系贡献率评估方法，其特征在于，所述的网络信息体系贡献率的关键要素，包括：训练、后勤、人员、信息、概念和条令、装备、基础设施、组织；其中所述的各个关键要素之间具有互操作性：由这些关键要素之间提供服务，从其它模型接收服务以及使用这些服务实现相互有效协同工作的能力，最终生成体系能力。3.根据权利要求1所述的网络信息体系要素体系贡献率评估方法，其特征在于，所述的基于强化学习的体系贡献率评估方法，包括：基于贡献率评估进行强化学习模型构建，所述学习模型构建于对环境、动作、状态以及奖励的建模；基于仿真环境中的强化学习模型对体系要素进行训练：包括将智能体放置在仿真环境中以体系对抗的方式进行强化学习训练；基于抽取强化学习模型参数构建体系贡献率计算模型：其中，所述强化学习模型学习到的体系贡献率评估能力，将这一能力转化成输出，通过抽取模型参数的方式，建立一个体系贡献率计算模型，用于体系贡献率的评估；其中所述智能体指能够对不同的刺激，根据一定的规则，产生不同反应的个体，用来抽象模板。4.根据权利要求1所述的网络信息体系要素体系贡献率评估方法，其特征在于，所述的网络信息体系要素性能指标自动构建强化学习模型，包括：基于网络信息体系知识图谱，并结合知识辅助强化学习模型进行构建；基于网络信息体系知识图谱相关知识的抽取：其中，所述知识图谱由不同来源、不同结构的数据组成；所述不同结构包括：本体元模型为人员本体，包含年龄、组织属性，人员可以分为情报人员、指挥人员、保障人员，以及用户的角色、目标、任务、知识需求多方面语境信息；基于抽取知识构建辅助强化学习模型；所述辅助强化学习包括引入知识图谱中的先验知识，让智能体根据当前状态的情况学习策略，探索未知的状态空间，确保有学到更好的策略。5.根据权利要求1所述的网络信息体系要素体系贡献率评估方法，其特征在于，所述的基于小样本的强化训练模型参数及基于模型参数构建体系贡献率计算模型，包括：基于不同场景任务下的体系要素实体间特征迁移的变化模式分析；基于多场景任务下的强化学习模型自适应迁移机制。6.根据权利要求5所述的网络信息体系要素体系贡献率评估方法，其特征在于，所述的
基于多场景任务下的强化学习模型自适应迁移机制，包括：针对不同任务，结合神经元响应模式，分析原有“老师模型”权值特性；然后，通过一个“学生模型”来学习原有框架“老师模型”，对原有的权值信息进行“压缩”和“拉长”操作，实现“学生模型”训练，最终达到基于小样本训练体系贡献率强化学习模型。7.根据权利要求6所述的网络信息体系要素体系贡献率评估方法，其特征在于，所述“老师模型”指已有的知识，“学生模型”指新知识；遇到新问题不需要重新开始训练，在已有的模型上进行调整，再用新数据训练，用少量样品即可完成训练。8.一种网络信息体系要素体系贡献率评估装置，其特征在于，包括：体系贡献率模型构建模块，用于贡献率评估的强化学习模型构建；仿真环境中的强化学习模型训练；抽取强化学习模型参数构建体系贡献率计算模型；体系要素自动构建模块，用于网络信息体系知识图谱的构建，网络信息体系知识图谱相关知识的抽取，完成知识辅助强化学习模型的构建；小样本数据快速训练模块，用于不同场景任务下的体系要素实体间特征迁移的变化模式分析，多场景任务下的强化学习模型自适应迁移机制，基于迁移策略的面向小样本数据的强化学习模型参数抽取及体系贡献率计算模型；调试验证模块，用于网络动态组织形成的作战体系拓扑模型构建，基于复杂网络的作战体系结构网络特征统计分析。9.一种电子设备，该电子设备包括：至少一个处理器；以及，与该至少一个处理器通信连接的存储器，其特征在于：该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行如权利要求1-7任一项所述的网络信息体系要素体系贡献率评估方法。10.一种非暂态计算机可读存储介质，其特征在于，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行如权利要求1-7任一项所述的网络信息体系要素体系贡献率评估方法。

技术总结
本发明公开了一种网络信息体系要素体系贡献率评估方法和装置，所述方法包括：基于现有的数据样本,提取网络信息体系贡献率的关键要素，采用强化学习的体系贡献率评估方法，进行体系贡献率模型构建；基于网络信息体系要素性能指标，自动构建强化学习模型；基于小样本的强化训练模型参数及模型参数构建体系贡献率计算模型，进行训练并提取模型参数，计算体系要素各性能指标的权重，设计累计权重计算方法并通过计算累计权重来计算最终的体系要素体系贡献率，完成体系贡献率计算模型的构建；采用本发明的评估方法，把体系贡献率对网络信息体系的各要素影响整体性能与能力的程度进行评估，作为衡量网络信息体系经济效益的指标。标。标。


技术研发人员：周宇 龙真真 周文
受保护的技术使用者：中科晶锐（长沙）科技有限公司
技术研发日：2022.03.28
技术公布日：2022/6/10