京公网安备 11010802034615号
经营许可证编号:京B2-20210330
美军把大数据分析引入作战(1)_数据分析师
信息技术带给现实世界的最大变化之一就是万物皆可数据化,这使人们更加坚信“世界的本质是数据”“数据将会改变世界”,大数据标志着信息社会终于名副其实。大数据时代的到来会深刻地改变整个世界,也会改变人类的思维方式,同样也会改变战争。
机器人、自治系统、小型化、大数据和三维技术将是未来海上作战重点发展领域。美国海军既注重与传统的武器制造商如洛克希德·马丁公司紧密合作,同时也在寻求与谷歌等商业公司的合作,以提高未来海上作战的能力。近年来,美国海军与洛克希德·马丁公司、高校以及谷歌和IBM等IT企业合作,从而引领海军技术进入大数据时代。大数据来源众多,以惊人的速度、数量和种类发展,这就使得使用现有技术分析非常困难,特别是借助iPhone等现代触屏科技产品将产生新的大量数据,并可智能操控、无人操控。美国军方一些高级研发人员表示,他们尤其对海军舰艇的控制台感到不满,对于平均年龄18岁,在成长过程中一直伴随着iPhone和iPad等现代触屏科技产品的水兵而言,这些控制台的操作并不直观。他们建议,海军习惯于对那些从小就学会使用iPhone的新兵说“忘了iPhone吧,我要教你如何使用操纵杆”,试图用新兵所熟悉的现代科技(包括大数据、云计算等)来取代操纵杆式的陈规旧习。长期以来,美国海军舰载传感器、飞机和其他平台产生大量的数据,但是这些数据没有被有效地利用,需要大量的人力。美国海军通过整合这些类型的信息支持战术作战的能力非常有限。美国海军研究局(ONR)称,目前,机载、舰载和其他部署的系统产生了大量数据,想要在作战环境中利用全部数据已经变得很困难。
战场数据集成是大数据技术军事领域运用的关键,随着云计算、通信、媒体和移动计算的快速发展和深入应用,战场的数据量还将快速增长。大数据时代最大的亮点就是人和社会的计算,越来越多的问题都将通过计算得到解决。大数据是指人类有前所未有的能力来使用海量的数据,在其中发现新知识、创新新价值,从而为社会带来“大知识”“大科技”“大变革”和“大智能”等发展机遇。大数据时代通常具有四大特征:一是数据量大,数据量级已从TB发展至PB乃至ZB,可称海量、巨量乃至超量。二是多样化,数据类型繁多,多为网页、图片、视频、图像与位置等半结构化和非结构化数据信息。数据品类将极其混杂,关联度一般极低,而且在相当长的时期内非结构化数据会占据大数据的主体。三是处理快速化,数据流往往为高速实时数据流,而且往往需要快速、持续的实时处理;处理工具亦在快速演进,软件工程及人工智能等均可能介入。四是价值高和密度低,大数据往往意味着极高的价值,但同其体量一样,正是因为极小价值的海量汇合,才形成了大数据的高价值。现在随着各项创新技术的汇集,大数据展现出了大量的新机会,特别是军事领域的运用。这些趋势决定着最重要的战场需要,可视化战场要求军队数据处理高速化、精准化以保持战斗力,武器装备信息整合要求在数据合并后能成功地集成。
美国奥巴马政府在获得连任后不久就宣布投资2亿美元拉动大数据相关产业的发展,将“大数据战略”上升为国家意志。美国政府和军方都明确表示,国家拥有数据的规模、活性及解释和运用将成为综合国力的重要组成部分,对数据的占有和控制甚至将成为海权、空权、陆权之外的另一种核心资产。因此,未来战争与其说是石油战争不如说是大数据战争。美国海军通过采用突破性的分析工具建立海军大数据生态系统来解决此问题。美国海军希望寻求利用大数据增强作战能力的方法,通过整合IT系统数据和作战系统传感器获得实时结果,利用云计算和大数据技术发展作战工具。例如,允许指挥官在船上查看仪表盘,能够实时跟踪任务中发生的一切,掌握预期的变化情况,并推测可能的结果。
目前,美国海军主要集中在两个领域即反潜作战和一体化防空反导系统,来提升大数据对作战的效果和能力,寻求增强威胁评估预警、作战识别、一体化作战和任务计划以及执行能力。美国海军主要在以下四个方面开展研究:建立海军数据科学通用的基础体系架构,用于不同机构间数据表征和共享;引入数据源并建立索引,通过海军的云环境利用大量的数据集合;进行海军作战分析,开发先进的分析工具支持作战,特别是反潜作战和防空反导作战;利用云计算的安全性和完整性,增强海军防御能力。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19