(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210311890.2 (22)申请日 2022.03.28 (71)申请人 中科晶锐 （长 沙） 科技有限公司 地址 410000 湖南省长 沙市芙蓉区东屯渡 街道火星大道新世纪安居苑B区3栋1 单元101房－873 (72)发明人 周宇　龙真真　周文　 (74)专利代理 机构 北京众元弘策知识产权代理 事务所(普通 合伙) 11462 专利代理师 李超 (51)Int.Cl. G06Q 10/06(2012.01) G06F 16/36(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种网络信息体系要素体系贡献率评估方 法和装置 (57)摘要 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。 权利要求书2页 说明书8页 附图6页 CN 114611990 A 2022.06.10 CN 114611990 A 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， 所述的权　利　要　求　书 1/2 页 2 CN 114611990 A 2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。权　利　要　求　书 2/2 页 3 CN 114611990 A 3