下载掌阅APP，畅读海量书库
立即打开
随着大数据时代的到来，具有颠覆性意义的大数据技术极大地改变了传统的情报模型。大数据的发展对情报的收集、分析和使用等过程均产生了巨大影响。2018年，美军为情报模型定义了一个新的术语——SIAS模型，即情报的感知（Sense）、确定（Identity）、归因（Attribute）和共享（Share）模型，用于反映信息时代情报的非线性过程。SIAS模型如图2-6所示。
图2-6 SIAS模型
传统的PED或PCPAD模型更多代表的是工业时代的产物。与传统的管道式情报分析不同，SIAS模型一是强调从全源融合数据；二是尝试对更复杂、更高级的问题做出回答；三是在更广泛的范围内对数据进行分发。大数据对传统情报模型的影响主要体现在以下几个方面。
一是对情报收集的影响。
大数据对情报收集的主要影响体现在对开源情报的影响上。开源情报一直是情报分析的重要来源，就像中情局的时任主任Allen Dulles所说的“超过80%的情报分析最终都来自开源信息”，信息技术的发展还催生出了一种新的网络共享文化。20世纪90年代，分析人员可能还未能完成飞机的战损评估，但是CNN等传统的新闻媒体已经有所报道；今天，如果一架飞机坠毁，很可能官方还未来得及确认，该消息就已经在社交媒体上广为流传。随着互联网和社交媒体的兴起，大数据的4个“V”对情报最显著的影响是使开源情报开始成为一门独立的学科，围绕开源情报的是相关的技术、法律和监管问题。
虽然大数据增加了情报人员收集情报的便利性，但是由于情报数据本身的特殊性，很多情报仍旧难以通过公开渠道获得。传统的谍报技术仍然需要根据大数据的发展做出适应性的调整。情报收集是在对抗性的环境中进行的，收集的情报数据可能包括虚假或错误的，需要对收集的情报数据进行甄别和筛查。
二是对情报融合的影响。
情报在一定程度上是融合的产物。传统的情报类型包括信号情报（Signal Intelligence，SIGINT）、地理空间情报（Geospatial Intelligence，GEOINT）、图像情报（Imagery Intelligence，IMINT）、开源情报（Open-Source Intelligence，OSINT）、人工情报（Human Intelligence，HUMINT）、测量和信号情报（Measurement and Signal Intelligence，MASINT）、电子情报（Electronic Intelligence，ELINT）等类型。为了增加情报的准确性，往往需要融合不同类型的情报，情报的融合过程如图2-7所示。
图2-7 情报的融合过程
传统的情报分析过程是由不同专业背景的人员分别完成各自的分析（即“管道式”或“烟囱式”的情报分析），最后将结果进行融合。大数据背景下的情报融合将越来越多地在数据底层进行，并且交由计算机来自动完成。
三是对情报分析过程的影响。
当前，情报的收集能力已经远大于情报的分析能力。以美国情报界组成为例，情报分析部门主要是中央情报局情报分局、国防情报局情报分局、国务院情报研究局和各军兵种各战区各部门情报处理机构；情报收集部门种类多样、数量繁多且编制巨大，无论从数量还是规模上都远远高于情报分析部门；从20世纪70年代开始，情报收集能力就已远超情报分析能力。
虽然类似图像比对系统、声纹比对系统、信号查询比对系统等情报处理与分析系统也在逐步服役，减轻了情报分析人员的部分压力，但是越来越多的情报关联与融合需求（特别是技术情报与人工情报的关联，技术情报内图像情报、测量与特征情报和信号情报的融合，前后不同时间多种同类情报的关联分析等）以及在此基础上的征候预测都需要大量情报分析人员的介入。上述情况使得情报分析部门与人员更加不堪重负，情报收集能力和分析能力差距进一步拉大。因此，后续还要对大数据和人工智能技术如何有效应用于情报分析系统、缩小收集与分析间的能力差距做深入研究。
随着传感器和网络的增加，情报工作中的大数据已经成为必须正视、不可回避的现实。同时，现代战争对情报工作的需求，迫使情报界必须寻找情报的大数据解决方案。下面从几个方面论述大数据对情报分析的转型：一是大数据和情报分析严重依赖于自动化技术；二是大数据背景下的情报分析结果需要更好的可视化技术；三是大数据分析仍旧需要专门人员和专业知识。
对情报需求的不断增加以及情报数据本身的数量剧增导致传统的以人工方式为主的情报分析不再有效，必须借助人工智能特别是机器学习技术实现情报工作的自动化。
一是自动化是应对情报大数据的客观需求。随着传感器数量的增加，以及全球网络的快速发展，信息时代全球联通性的提高，收集到的信号数量、速度和种类不断增加。正如美国国家地理空间情报局局长Robert Cardillo所说的“我们今天一天在只有一个传感器的战区内收集的数据信息量，相当于美国橄榄球联盟3个赛季全部比赛的高清视频信息量”，如果没有大数据方案，处理这些海量的情报数据是不可能的。
二是自动化是解决情报分析问题的现实需求。对情报的需求为情报分析人员带来了沉重的负担。就如Robert Cardillo所说“如果我们试图手动使用我们未来20年内拥有的商业卫星图像，我们将需要800万名图像分析师”。以地理空间情报为例，对全动态视频（Full-Motion Video，FMV）的处理给情报分析人员带来了沉重的负担，甚至造成图像分析人员的流失。2015年，美国空军甚至启动了一项旨在提高情报分析人员生活质量的活动，并且尝试通过减少无人机的巡逻次数来减少情报分析人员的工作时间和压力，但是这种活动不可避免地降低了情报的生产能力，而部队对情报的需求又迫使军方通过承包商来补充现役的无人机，以满足部队的紧迫需求。除了全动态视频，对多光谱图像、高光谱图像和地面移动目标指示的分析需求也在激增；除了地理空间情报，其他类型的情报如信号情报、电子情报等的情报分析人员的需求也在激增，但人员数量的增加速度无法跟上情报数据的增加速度，因此，需要寻找大数据情报的自动化方案。
三是自动化是解决大数据情报问题的必由之路。目前的情报界普遍存在重视情报收集而忽视情报分析、情报收集人员多于分析人员等情况。实际上，大数据时代的情报收集难度在一定意义上是在下降的，而情报分析难度却在不断上升。如果没有大数据的情报分析方案，就会造成情报数据的“堵塞”和“淤积”；如果没有及时对收集的情报数据进行分析，就不会挖掘出情报价值，这样收集更多的情报也是无意义的。
人工智能和机器学习算法是实现大数据情报自动化的主要工具，但是现有的一些机器学习算法往往过于复杂、难以理解，可视化技术通过将复杂的信息或规律以图形符号的形式表达出来，从而使分析过程更加直观易懂。所谓“一图胜千言”，可视化不仅是大数据情报结果的重要呈现方式，也是一种重要的情报分析方式。图2-8所示的就是几种数据可视化示例。
图2-8 数据可视化示例
图2-8 数据可视化示例（续）
近年来，研究人员围绕文本信息可视化、网络图可视化、时空数据可视化、多维数据可视化等对可视化技术进行了研究，为情报数据的理解和决策提供了重要帮助，但是目前的大数据可视化技术正处于发展的初期，还有很多需要深入解决的问题。例如，需要对多源异构、非完整、非一致、非准确的数据进行集成；可视化表达需要匹配人的认知规律和心理映像；主流的显示设备像素可能无法匹配爆炸式增长的大数据等。
目前，大数据在解决情报“是什么”“是谁”“在哪里”“什么时候”等问题有着比较好的见解，但是难以解决“为什么”和“怎么样”等深层次的复杂问题，情报大数据分析仍旧依赖专业知识和专业人员。情报大数据分析的专业人员和专业知识的作用主要体现在以下几个方面。
一是“数据不会自己说话”——情报分析需要专业领导。随着现代战争对情报需求的增加，情报工作需要强化组织领导和专业分工，从而更好地为作战和其他决策服务。情报分析的专业领导要确定需要哪些数据，需要优先保障哪些任务，并且需要判断和掌握不断变化的用户需求。
二是“数据说的话也未必能懂”——专业人员的专业知识对理解数据的因果性非常必要。大数据情报除了需要传统的情报分析人员，还需要计算机编程人员、数据挖掘和机器学习等专业人员，后者是提供大数据方案的重要力量，但是依靠大数据方案从大数据中得出的情报结果更多揭示的是数据之间的相关性而不是因果性。换句话说，大数据可以“解密”，但是很难“解惑”。情报是为决策和行动服务的。如果没有揭示数据之间的因果性，情报价值就会打折扣。
三是“数据说的话也未必准确”——专业人员的专业知识对甄别和筛查情报数据非常必要。情报分析过程存在强烈的对抗性，且情报数据可能含有迷惑性甚至是欺骗性的数据。在后面的章节中，将列举一个人为制造情报欺骗的案例。大数据情报需要利用专业人员和专业知识对情报数据进行甄别和筛查。
四是“数据说的话也未必深刻”——专业知识对理解复杂问题特别是判断战略意图至关重要。大数据只能对已有的数据进行分析，但是对诸如敌方意图等复杂问题并没有更好的理解。下面以2014年在乌克兰和伊拉克爆发的武装冲突为例进行分析。在这两场冲突中，非常规武装力量——乌克兰东部武装和伊拉克境内的“伊斯兰国”极端分子迅速向对手发动进攻，不仅部署了有效的军事力量，还在社交媒体上对行动进展进行了纪实性报道。对这些来源的信息内容和元数据进行分析，并结合传统的情报监视侦察数据，可以掌握这些武装组织在特定时期的战术、网络支持情况和地理位置等重要信息。这些数据密集型的数据流可以使西方情报机构对这些组织的构成、拥有的物资和部署情况有全局性的了解，从而为战术情报支援提供有用的背景和思路。不过，单凭这些信息很难让决策者理解激进分子的意图（包括作战计划和政治诉求），甚至诸如凝聚力等方面的问题。专业知识在推断敌方指挥官作战意图方面有着至关重要的作用，对诸如政治动荡等复杂现象的评估更是如此。