情报大数据中的语义管理

摘要

全源情报分析涉及以各种格式（来自传感器，图像，基于文本的人类报告等原始数据）提供的情报数据的收集和分析，并分布在异构数据存储中。

传感技术的进步，新传感器的获取以及移动设备的使用导致产生大量感测数据，这增加了将这些原始数据及时转换为有用的可操作情报的挑战。利用数据集成，网络语义和大数据技术的最新进展，我们正在调整统一数据空间和语义丰富的关键概念，以设计和实施研发情报数据集成平台（多情报数据集成服务）。

这种可扩展数据集成平台的开发依赖于分层数据空间方法，利用最新的大数据技术并利用实体模型，以及为各种目的而开发的基于语义的分析服务，作为语义层的一部分。

关键词：情报，数据集成，知识提取，实体，大数据

1、介绍

传感技术的进步、新传感器的获取以及移动设备的使用导致产生大量感测数据，这增加了将这些原始数据及时转换为有用的可操作情报的挑战。因此，情报运营商和分析师必须处理来自各种来源（信号情报SIGINT，图像情报IMINT，地理空间情报GEOINT，人力情报HUMINT，开源情报OSINT等）的不断增加的数据和信息，这些数据和信息以不同的多种媒体格式生成（来自传感器的原始数据集， 例如，视频，图像，声音文件，以及人类报告和开源文本），并分布在不同的系统和数据存储中。

作为在加拿大国防研究与发展部（DRDC） - 瓦尔凯蒂埃的情报和信息科开展的研究项目的一部分，我们正在研究先进的概念和技术，以便为大规模异构的管理和整合提供增强的能力。向情报人员和官员提供信息来源和情报产品，以支持感知活动和情报的制作。

我们的最终目标是：

通过直观的搜索和发现机制为分析师提供及时和相关的信息;

提供一个框架，促进异构非结构化和结构化数据的集成，实现硬/软融合并为各种分析利用做准备。

本文基于灵活的数据集成方法，利用网络语义和大数据技术，描述了为支持这些目标而设计和实现可扩展多情报数据集成服务（MIDIS）原型的持续研究。

本文的结构如下：在下一节中，我们将介绍最近解决多情报数据集成的工作，然后简要介绍大数据挑战。 第四节描述了大规模情报数据集成和分析的建议架构，并详细介绍了最终架构的主要组成部分。第五节提供了有关使用大数据技术实现的详细信息。第六节为今后的工作提供了一些结论和指导。

2、多情报数据集成

是关于情报数据管理和处理：

1）来自各种来源的数据收集，

2）用于生成情报的数据分析，

3）情报产品的传播。

如今，情报数据管理具有以下特点：

增加传感器数据量;

异构性：多种数据格式和标准，结构化和非结构化的混合;

需要快速获取和处理情报信息;

敏捷性需要，能够合并新的数据源;

对数据利用的支持：每个数据代表一种情况的一部分，情报数据包含必须被理解和关联的实体。

数据集成旨在将驻留在分布式，自治和异构数据源中的数据组合到单个一致的数据视图中。

传统方法提出了集中式或联合式数据集成。集中式方法需要通过提取，转换加载过程进行大量预处理，而后者可以表示性能和复杂转换问题。这些方法在文献中已被大量详细记录，最近他们被Singleton 曝光，作为军事领域研究工作的一部分。

作为应对大规模异构数据管理的这些方法的替代方法，Franklin，Halevy及其同行提出了数据空间概念作为信息管理的新概念。也就是说，它促进了将异构数据合并到数据空间中的灵活共存方法，以及在更高层次的概念中对域进行描述。在模式协调方面的集成是通过即付即用的方法实现的。

寻找灵活的数据集成解决方案来处理情报领域和信息融合中不断增加的异构数据源，S.Yoakum-Stover提出了实施该方案的框架[20,21]。基于这种方法，D.Salmen及其同事[16]描述了他们对该方法的实施。它依赖于数据集成框架（DRIF）的定义，在以前的论文中也称为数据描述框架（DDF），基于统一的数据集成模型。我们的想法是定义一个简单的数据表示方案，将来自异构源的每个数据封装成统一的表示。基本结构由符号，术语，概念，谓词和语句组成，后者在概念上类似于由主语，谓词和对象组成的网络语义资源描述框架（RDF）三元组。

基于该统一方案，数据空间被组织成若干层，即：

0段：包含外部数据源和从中提取相关数据的系统;

1段：（非结构化数据）表示人工制品的数据存储;

2段：（结构化数据）是根据统一表示方案构建的数据的通用存储;

3段：（数据模型）包含数据模型和实体的表示，以便于异构数据的映射和集成。

统一数据空间的基本概念已作为美国陆军分布式共地系统（DCGS-A）云计划[17]的一部分实施。此外，为了解决语义异构性，B.Smith及其同事[17]提出了一种通过语义增强整合各种数据的策略，方法是在数据中添加语义层（在段3中明确表示）。

利用这种方法，我们正在调整基础概念，以设计和实施研发情报数据集成平台MIDIS（MultiIntelligence Data IntegrationServices），以满足我们对情报支持的要求。在之前的研究中，我们的团队开发了多种情报支持工具，支持整理和情报生成，以及基于军事领域实体的知识系统，以满足各种分析要求[15]。这些工具中的一些相关组件已作为服务合并为基于SOA的情报科学与技术集成平台（ISTIP）的一部分。

必须在该平台中进一步开发数据访问组件，以提供动态提取，集成和管理来自各种情报源的数据的能力。因此，MIDIS旨在丰富ISTIP平台的数据访问组件，以提供摄取多种可用数据格式所需的服务集，将其转换为统一模型，并使这些数据可访问，可搜索和可利用（例如数据挖掘）支持情报分析。

MIDIS作为可扩展数据集成平台的设计和开发依赖于分层数据空间方法，并利用大数据技术。此外，我们利用实体模型和基于语义的分析服务，这些服务是为了各种目的而开发的，作为第四节中描述的体系结构中语义层的一部分。

3、大的数据挑战

考虑到商业和国防领域每天产生的大量数据，大数据范例促进了数据捕获，存储和分析的新方法和技术，以处理“大量非结构化和结构化的不可能使用传统的数据库和软件方法进行管理和处理“[3]。

大数据最初有3 V特征，即：

1）Volume or scalability 数量或可扩展性：管理不断增加的数据量，存储和分析的能力;

2）Variety 种类：数据类型的异质性，数据格式，语义解释;

3）Velocity 速度：数据到达的及时性或速率以及必须对其进行操作的时间。有时会添加额外的V，以表示数据的准确性，以及可从大数据中提取的值。

信息过载的问题并不新鲜，但在新的信息时代却被放大了。

大数据挑战包括大多数数据管理流程，即数据捕获，管理，存储，搜索，共享，分析和可视化。

在我们的研究工作中，我们感兴趣的是大数据解决方案，用于即时集成来自各种来源的异构数据，在异构可能不一致的数据集之间进行有效搜索，同时管理数据粒度和一致性。其中一些将在本文后面讨论。

4、体系结构

统一数据空间方法的实现指向大数据技术解决方案，因为它们提供可伸缩性，弹性，复制，容错和并行处理。接下来，我们提出了情报数据集成的全球架构，其主要组件（数据提取过程，实体支持和语义丰富，搜索和分析）以及与其他推理模块的交互。

A.全球架构：从收集到分析

图1显示了高级架构和数据流，从异构数据存储收集的数据，数据空间的摄取，以及专业推理服务的情报分析。

关键组件包括：

从异构源格式提取数据并集成到统一数据空间段;

基于实体的语义丰富;

数据查询和分析;

与外部推理模块的交互。

图1：智能数据集成和分析框架

B.数据摄取

该系统从异构格式提供的代表性来源中获取情报数据，以说明情报分析员用于进行多情报全源分析的各种情报数据的整合。此上下文中所考虑的数据源的子集包括：

来自情报或操作数据库的结构化数据，包括跟踪数据;

情报报告;

图像数据库;

内容管理系统的数据;

互联网开源（例如Twitter）。

数据提取流程应用于结构化和非结构化数据（参见图2），如下所示。图2显示了来自外部数据源的数据流和转换过程，并明确显示了数据块如何移动到不同的段。

图2：UDS分层架构和数据流（改编自Yoakum-Stover，2012 [22]）

1）结构化数据

结构化数据的摄取管道处理各种结构化数据源（RDB，CSV，XML，RDF格式），以便在段1,2,3中填充UDS。该方法使用足够通用的XML配置文件来处理每个提供的数据模式（例如，WSDL Web服务提供要处理的XML模式）。然后解析数据文件以提取感兴趣的数据并根据UDS构造加载它们，即概念，谓词，语句到UDS中以及对第2段中的源的引用，第3段中的源模型，同时导入的数据源被引入第1段。

2）非结构化数据：注释和提取

使用由域实体支持的语义标注和知识提取服务，根据文本分析管道处理非结构化数据（例如，情报报告，文档）。使用来自域实体的概念实例（命名实体，人，位置......）分析和语义注释文档。然后，使用模式匹配规则提取语句形式的知识（例如，Xis_located_at Loc）。这些过程使用流行的GATE平台（文本工程通用架构）[4]作为底层自然语言处理组件。文档及其注释存储在段1中，而提取的事实和提供关于文档的元信息的元数据根据统一模型（结构化数据）存储在段2中。感兴趣的元数据包括数据来源，不确定性，时间和空间信息。

在军事情报背景下，目前使用根据标准协议（例如Stanag 4559）的元数据来管理图像数据源（图像，视频）以促进信息共享（例如联盟操作）。我们架构的下一步将是适应和丰富此类源的数据提取过程，可能包括自动信息提取。

C.实体论和语义丰富

拟议的整合方法依赖于领域实体的利用，以便以灵活和渐进的方式协调数据模型的协调。

1）实体工程

实体描述灵活且可扩展的概念模型，其明确地表示感兴趣的域中的概念以及它们之间存在的关系。实体已被视为信息集成的推动者，并且还被用于支持信息管理或推理以满足不同的需求：

提供标准化的词汇和对感兴趣领域中的概念进行分类并促进信息共享;

支持文本分析和语义标注;

执行联合语义搜索;

在实体和业务规则之上执行自动推理;

作为捕获有关域信息的知识库（实例，关系）。

在军事领域，过去十年已经开发了实体以满足各种要求：支持指挥和控制的实体[13]，低级和高级信息融合，特别是情况和威胁评估[1]，或者情报分析[18,2]。

在DRDC，已开发和利用领域实体，以便在不同的特定应用环境中实现命令和控制以及智能要求，即：

海事领域实体，支持威胁分析和异常检测。

情境意识实体支持知识管理和知识地图应用。

与恐怖主义和简易爆炸装置（IED）相关的实体，用于支持情报整理的基于实体的文本语义标注。

在不断变化的军事背景下，例如反叛乱和反恐，网络战，民用军事行动，人类地形是一个关键组成部分。国家地理空间情报局（NGA）承担了人类地理数据标准和模型的开发，这些标准和模型定义了顶层构造和一系列子模型，包括宗教，语言，人口统计，种族，群体，文化等感兴趣的主题。

关键的高级概念由特征组成，表示暂时持久的现实世界现象，事件代表瞬时或短暂的现实世界现象，演员代表有意识的实体，其作用或具有作为事件参与者的能力（个人 ，组织）和收集其他实体类型的非几何属性的信息。基于这些模型，我们开发了人类地理学实体论，以正式表示这些模型中存在的实体，从而实现自动推理。这些模型提供了支持应用的知识，例如运行环境的情报准备，地形分析和需要正式表示人类地形元素的社会网络分析。

在我们之前开发的一些实体模型中，概念源自JC3IEDM（联合指挥与控制信息交换数据模型）的层次结构，其后续的MIP信息模型被重新访问并表示为UML模型。该模型沿着Objects和Action/ Event高级概念分解战场空间实体。

因此，此类实体中包含的关键高级概念包括：

个人，团体和组织，在业务领域发生的事件和活动，其位置，报告信息的特征等。

实体也正式代表 这些实体之间可能存在的关系。

当然，不可避免地与这些概念相关的时空维度必须相应地建模。

通过调整公认的多阶段开发方法，尽可能地利用军事模型和学说文档，逐步开发领域实体。这种开发方法促进了实体构建的模块化，分层方法，建立在代表通用概念的基础或上层实体（例如SUMO，BFO，Dolce等）之上，可以进一步扩展以表示更具体的概念。根据分层分类构建感兴趣的域。

在情报领域，感兴趣的概念集来自对关键过程和数据源的全面分析，例如， 整理和分析阶段，以捕获实体模型中的基本实体。虽然在一些现有模型中捕获了这些知识的元素，但是开发相应的实体模型并将它们集成在一些上层实体之上是有意义的。看看我们的实体的高级概念分类法，以及上面提到的一些现有的上层实体，它们在高级分解中呈现出相似之处。BFO（基本形式实体论）[13,18]以及UCore语义层是我们利用以前的建模工作中受益的模型。我们正在重新审视并整合它们作为这项工作的一部分。

此外，领域实体正在扩展，因为新的数据源或应用程序需要考虑其他概念，并随着域的发展（例如人类地形，网络）。如[18]中所述，必须采用严格的管理和治理原则来确保一致性和非冗余性。

领域实体是使用基于描述逻辑的OWL语言开发的，因为它的流行性，互操作性促进了实体部分的重用，表达性和易处理性以表达具有表达语义的领域知识。一致性检查工具用于确保开发的实体没有不一致性。

2）语义丰富

语义丰富[17]是基于使用实体来集成和语义增强数据模型的水平数据集成的过程。通过用实体的术语对模型进行注释（标记）来完成增强，从而以语义连贯的方式将各种资源链接在一起。

根据统一数据空间中数据的分层组织结构，实体和源数据模型的集合是段3的一部分。数据模型中的实体术语和标签之间的映射也在该级别明确定义，因此数据模型使用语义层进行协调。

因此，使用该额外语义层，查询引擎或推理者可以利用额外的语义能力（推理）（例如，利用由参考实体中的相同概念链接的术语之间的“相同”关系）。

为了实现由语义链接数据组成的语义丰富方法，还通过利用实体的术语和结构来处理非结构化文档。

D.数据搜索和分析

如上所述，这项工作利用并扩展了我们为支持情报而进行的先前研究，例如： 提供信息管理和开发服务，以支持分析师的活动：语义搜索引擎，过滤，通知/警报服务等。

本研究的重点是为大规模数据管理和分析提供可扩展的解决方案。 因此，我们正在研究满足分析师日益增长的需求的各种技术和解决方案：

大数据集分析：数据挖掘，数据/文档聚类，各种数据集之间的数据关联等；

非结构化内的高效搜索、检索和结构化数据集。

如上所述，多情报数据被提取到数据空间段1和2中。 因此，必须为段1（非结构化世界）和段2（结构化数据）中的数据提出有效的索引和搜索技术和工具。 虽然分析工具受益于大数据技术（批量分布式处理），但所需的搜索工具必须提供实时性能结果。 第五节讨论了一些技术。

E.与情报推理模块的接口

虽然MIDIS首先旨在整合来自异构数据源的智能数据以进一步检索和利用，但它是用于分析和生成智能的综合架构（ISTIP）的一部分。因此，需要用于促进UDS和推理组件之间的数据流/转换的接口（参见图1）。因此，我们提供机制和服务，通过转换过程将数据导出到现有情报分析模块的适当格式。

智能推理服务利用其引擎所需的各种丰富数据格式（例如基于规则的推理和/或基于案例的推理），例如，命题，情境模型，空间特征，假设结构。

数据也可以作为RDF导出到图形表示中，供各种推理服务使用，例如：社交网络分析算法。

相反，各种推理模块产生的数据可以保留在数据空间中。它们通过适当的转换过程作为UDS中的新数据被摄取，因此可以被后续处理所发现。

5、涉及技术

我们的多智能数据集成系统的实施利用了新兴的大数据和SOA技术。

A.大数据技术

为了应对超大规模数据集的处理，大数据技术利用分布式存储和处理。开源Apache Hadoop Framework [5]允许使用简单的编程模型跨计算机集群分布式处理大型数据集。它提供了几个组件，包括MapReduce分布式数据处理模型，Hadoop分布式文件系统（HDFS）和HBase [6]分布式表存储。这些主要组件和新兴工具正在被用于实现我们的集成架构（Cloudera的平台）。

1）数据摄取

数据提取受益于大型数据集的HadoopMapReduce分布式处理。如上所述，通过使用每种数据格式的XML配置文件来完成结构化数据摄取。然后通过MapReduce解析数据文件并将其加载到UDS中。

伪像数据存储在段1中的HDFS中，结构化数据存储在段2中的HBase中，以及HBase中段3中的数据模型。

使用语义文本分析服务从文本文档中提取知识最初并未使用并行处理来实现。 我们正在考虑将它们改编成Hadoop环境，以便从大型文档语料库的分布式处理中受益，并且还在研究其他方法，例如Lin和同事的书[8]中提出的方法。 从文本情报报告数据集中提取值的其他预想服务包括HDFS中的跨文档共参照。

2）索引/查询

为了使用户（或服务）能够近乎实时地从HBaseUDS中检索相关信息，我们的目标是提供有效的索引和查询解决方案。

首先，考虑到开箱即用的查询工具，Hive查询引擎已经证明性能不佳。 最近的Cloudera Impala查询引擎正在进行实验，由于它支持对HBase索引的直接查询而不使用MapReduce，因此性能得到了提高。

此外，UDS的若干输入数据格式将是RDF三元组（从文本中提取的元数据，图像数据标记，从内容管理系统提取的数据等）。 从概念上讲，UDS段2可以被视为HBase四元存储，其中添加到三元组的第四元素指的是源（命名图）。 我们正在研究在此上下文中执行有效查询以检索RDF数据的技术（例如，提取社交网络分析的图形）。

Rya [14]提供了一种有趣的方法，它引入了存储方法，索引方案和查询处理技术，可以跨多个节点扩展到数十亿个RDF三元组，同时通过传统查询机制（如SPARQL）提供对数据的快速，轻松访问。Rya提出了一种通过在三个不同的表中索引三元组来存储三元组的方法，所述三个不同的表对应于三元模式的排列，即（主语，谓语，宾语），（谓词，宾语，主语）和（宾语，主语，谓语）。 我们正在尝试这种方法，并正在利用OpenRDF Sesame（SPARQL）进行HBase [10]。

正在使用各种数据源进行初步测试，并使用LUBM基准数据集[9]评估性能并与其他方法进行比较。

3）分析

虽然情报分析需要专门的推理工具和人工干预，但大数据分析可以通过使用适当的技术（如数据挖掘）从大数据分析（例如预测/趋势分析）中揭示有趣的见解。Apache Mahout是第一个构建于Hadoop之上的分布式机器学习开源框架之一。 它是我们正在考虑的数据聚类，分类，协作过滤，推荐或分析的候选者，以便使用大数据分析来证明数据的增值。

B. 面向服务的体系结构SOA

面向服务的体系结构（SOA）已成为在以网络为中心的环境中构建灵活且可扩展的体系结构的主要范例。SOA是一种架构学科，它依赖于松散耦合的分布式服务集合，这些服务通过网络上的商定标准进行通信和互操作。 一些好处直接基于面向服务的原则，主要是：服务松散耦合，自主，可发现，可组合和可重用。 因此，SOA原则为数据集成提供了适当的方法。 这些服务可以组成更高级别的应用程序，以支持敏捷的业务流程。 通过增加数据服务层，并结合如上所述的集成服务，数据集成环境将促进对数据和发现的访问，来自不同源的数据的集成以及大量数据的处理。

设想的服务集合补充了DRDCValcartier开发中基于SOA的智能科学与技术集成平台（ISTIP）。 该平台已经包含一组数据表示方案和相关服务，以支持各种情报分析任务和感知活动：文本文档的分析，（基于领域实体的文本的语义标注，以及基于文档的事实的自动提取）关于模式匹配规则），以及多个reasoners（基于规则的推理器，基于案例的推理器，多个假设情境分析）[15]。 我们的贡献将使用灵活高效的表示方案，通过额外的情报数据服务增强平台。 这将有助于各种来源之间的数据链接，以便了解分析员可获得的大量数据，并提供改进的态势感知。

6、结论

在本文中，我们介绍了我们正在开展的可持续工作，以开发可扩展且灵活的智能数据集成和分析平台。作为该计划的一部分，我们利用我们以前使用语义技术的研发工作，特别是作为ISTIP平台一部分的实体和服务套件。此外，我们正在利用拟议的整合方法[22]并使其适应我们的需求。我们目前正在通过试验最新的大数据技术来开发数据集成组件，以解决可扩展性和性能问题。

大数据技术代表了编程方法的转变，其承诺在数据/信息管理社区中引起了越来越多的关注。但是提出的解决方案仍然不成熟，第一次实验表明它们需要增量开发和测试阶段来提高性能。在我们的军事情报环境中，如果将这些技术用于战术环境，大数据性能至关重要。

虽然我们的目标是提供全面的数据管理和开发平台，但在此背景下还需要进一步研究实体解决，消歧，数据清理等。 最近在大数据世界中提出的研究应该提供相关的见解。

数据集成平台可视为多源信息融合的先决条件。 硬/软信息融合社区内的工作解决了类似的挑战，我们从架构的角度来看待它们。 在整合来自异构来源的情报数据时，应考虑数据不确定性的管理，而不是简单的元数据。

我们还在研究集成和利用互联网开源的方法，以支持情报分析，特别是来自社交媒体（例如推特）。

作者：Anne-Claire Boury-Brisset

Anne-Claire Boury-Brisset 18年来一直是DRDC（加拿大国防研究与发展部）Valcartier的防务科学家。她的研究兴趣包括语义表示和信息管理，异构信息集成和融合，特别是在大数据领域。这些概念的进步旨在更好地利用信息系统和决策支持系统中可用的信息，以支持情报和军事指挥和控制。

Anne-Claire Boury-Brisset拥有南希大学（法国）的计算机科学（人工智能）博士学位。

单位：加拿大国防研究与发展部

邮箱：anne-claire.boury-brisset@drdc-rddc.gc.ca

参考资料

[1] Boury-Brisset, A.-C. Ontology-based approach for Information Fusion, in Proceedings of the 6th International Conference on Information Fusion, Cairns, 8-11 July, Australia, pp. 522-529, 2003.

[2] V. Dragos, Developing a core ontology to improve military intelligence analysis, in International Journal of Knowledge-based and Intelligence Engineering Systems, 17, pp.29-36, IOS Press, 2013.

[3] Gartner, Hype cycle for Big Data, Gartner research report, 2010, also published in 2012.

[4] GATE, General Architecture for Text Engineering, http://gate.ac.uk/index.html.

[5] Hadoop. http://hadoop.apache.org/.

[6] HBase. http://hbase.apache.org/.

[7] M. Lenzerini, Data integration from a theoretical perspective, In Proceedings of the twenty-first ACM SIGMOD-SIGACT-SIGART symposium on Principles of database systems, 2002.

[8] Jimmy Lin and Chris Dyer. Data-Intensive Text Processing with Mapreduce. Morgan and Claypool Publishers, 2013.

[9] Guo, Yuanbo, Pan, Zhengxiang and Heflin, Jeff . LUBM: A Benchmark for OWL Knowledge Base Systems. Web Semantics. 3( 2) July 2005.

[10] OpenRDF. http://www.openrdf.org/.

[11] M. Franklin, A. Halevy, and D. Maier. From databases to dataspaces: A new abstraction for information management. SIGMOD Record, 34(4):27-33, December 2005.

[12] S. Jeffery, M. Franklin, and A. Halevy. Pay-as-you-go user feedback in dataspace systems. In Proc. of SIGMOD, 2008.

[13] B. Mandrick, Creating an extensible command and control ontology, in Int. Journal of Intelligent Defence Support Systems, Vol. 4, No. 3, 2011.

[14] R. Punnoose, A. Crainiceanu, and D. Rapp. Rya: a scalable RDF triple store for the clouds. In Proceedings of the 1st International Workshop on Cloud Intelligence (Cloud-I "12). ACM, New York, NY, USA, 2012.

[15] Roy, J. and Auger, A., The Multi-Intelligence Tools Suite - Supporting Research and Development in Information and Knowledge Exploitation, 16th International Command and Control Research and Technology Symposium (ICCRTS), "Collective C2 in Multinational Civil-Military Operations", Québec City, Canada, June 21-23, 2011.

[16] Salmen D., Malyuta T., Hansen A., Cronen S., and Smith B., Integration of Intelligence Data through Semantic Enhancement, in Proceedings of the 6th international conference on Semantic Technology for Intelligence, Defense, and Security (STIDS 2011), George Mason University, Fairfax, Virginia, November 2011.

[17] B. Smith, T. Malyuta, W. S. Mandrick, C. Fu, K. Parent, M. Patel, Horizontal Integration of Warfighter Intelligence Data. A Shared Semantic Resource for the Intelligence Community, Proceedings of the Conference on Semantic Technology in Intelligence, Defense and Security (STIDS), George Mason University, Fairfax, VA, October 23- 25, 2012.

[18] B. Smith, T. Malyuta, D. Salmen, W. Mandrick, K. Parent, S. Bardhan, J. Johnson, Ontology for the Intelligence Analyst, CrossTalk: The Journal of Defense Software Engineering, November/December 2012,18-25.

[19] J. Singleton, Data integration: charting a path forward to 2035, Air War college, research report, Feb. 2011.

[20] S. Yoakum-Stover and T. Malyuta, "Unified data integration for Situation Management," IEEE MILCOM 2008.

[21] Yoakum-Stover S., Malyuta T., Antunes N., A Data Integration Framework with Full Spectrum Fusion Capabilities, Sensor and Information Fusion Symposium, Las Vegas, 2009

[22] S. Yoakum-Stover, A. Eick, Breaking the Data Barriers, DGI, London, 2012.

文章转载自微信公众号：丁爸 情报分析师的工具箱（公众号ID：dingba2016）

声明：本文来自丁爸 情报分析师的工具箱，版权归作者所有。文章内容仅代表作者独立观点，不代表安全内参立场，转载目的在于传递更多信息。如有侵权，请联系 anquanneican@163.com。