An Identification Method for Key Edges in Space-based Kill Chain Network

doi:10.12382/bgxb.2025.0141

Abstract

Abstract:

This paper proposes an adaptive key edge detection framework based on deep reinforcement learning to address the challenge of identifying the key edges in space-based kill chain network.This method first uses complex networks to model a space-based kill chain.And then a template-based kill chain search method is proposed by introducing the idea of backtracking search.A key edge exploration paradigm is constructed based on deep reinforcement learning,which combines a layered experience replay mechanism with a dynamic ε-greedy strategy.,The precise localization of key edges is achieved through multi-dimensional state representation.The experiment shows that,in the simulation of space-based kill chain network testing,the Top-10 recognition accuracy of the proposed method reaches 85%,which is 89.5% higher than that of the traditional betweenness centrality method and 19.7% higher than the benchmark of deep Q-network (DQN).In terms of network robustness indicators,the global efficiency reduction rate η is 37.4% higher than the edge betweenness centrality,and the prediction error of the maximum connected component retention rate is controlled within 5%.

Key words: kill chain, complex network, key edge, Q-learning

CLC Number:

E0-03

LI Zheng, HE Minghao, HU Qiaolin, FENG Mingyue. An Identification Method for Key Edges in Space-based Kill Chain Network[J]. Acta Armamentarii, 2025, 46(11): 250141-.

Figures/Tables 15

References 22

[1]	李龙跃, 贾忠慧, 皮雳, 等. 美军杀伤网的概念内涵、发展现状与趋势[J]. 航空兵器, 2024, 31(5):11-18.
	LI L Y, JIA Z H, PI L, et al. Conceptual connotation,development status and trends of the US military kill web[J]. Aero Weaponry, 2024, 31(5):11-18. (in Chinese)
[2]	陈登, 陈楚湘, 周春华. 基于OODA环的杀伤网节点重要性评估[J]. 兵工学报, 2024, 45(2):363-372. doi: 10.12382/bgxb.2022.0623
	CHEN D, CHEN C X, ZHOU C H. Importance assessment of kill network nodes based on OODA loop[J]. Acta Armamentarii, 2024, 45(2):363-372. (in Chinese) doi: 10.12382/bgxb.2022.0623
[3]	UMUNNAKWE A, SAHU A, NARIMANI M R, et al. Cyber-physical component ranking for risk sensitivity analysis using betweenness centrality[J]. IET Cyber-Physical Systems:Theory & Applications, 2021, 6(3):139-150.
[4]	D’SOUZA R M, BERNARDO M D, LIU Y Y. Controlling complex networks with complex nodes[J]. Nature Reviews Physics, 2023, 5(4):250-262. doi: 10.1038/s42254-023-00566-3
[5]	LIU Z F, YE J X, ZOU Z N. Closeness centrality on uncertain graphs[J]. ACM Transactions on the Web, 2023, 17(4):1-29.
[6]	王晖. 基于K-shell算法的复杂网络关键传播节点识别研究[D]. 鞍山: 辽宁科技大学, 2023.
	WANG H. Research on key propagation node identification in complex networks based on K-shell algorithm[D]. Anshan: Liaoning University of Science and Technology, 2023. (in Chinese)
[7]	FREEMAN L C. Centrality in social networks:conceptual clarification[J]. Social Network:Critical Concepts in Sociology, 2002, 1:238-263.
[8]	BONACICH P. Factoring and weighting approaches to status scores and clique identification[J]. Journal of Mathematical Sociology, 1972, 2(1):113-120. doi: 10.1080/0022250X.1972.9989806 URL
[9]	BRIN S, PAGE L. The anatomy of a large-scale hypertextual web search engine[J]. Computer Networks and ISDN Systems, 1998, 30(1-7):107-117. doi: 10.1016/S0169-7552(98)00110-X URL
[10]	DENG Z P, HUANG D R, LIU J Y, et al. An assessment method for traffic state vulnerability based on a cloud model for urban road network traffic systems[J]. IEEE Transactions on Intelligent Transportation Systems, 2020, 22(11):7155-7168. doi: 10.1109/TITS.2020.3002455 URL
[11]	KITSAK M, GALLOS L K, HAVLIN S, et al. Identification of influential spreaders in complex networks[J]. Nature Physics, 2010, 6(11):888-893. doi: 10.1038/nphys1746
[12]	XU W Z, LI T, LIANG W F, et al. Identifying structural hole spanners to maximally block information propagation[J]. Information Sciences, 2019, 505:100-126. doi: 10.1016/j.ins.2019.07.072 URL
[13]	HOSNI A I E, LI K, AHMAD S. Minimizing rumor influence in multiplex online social networks based on human individual and social behaviors[J]. Information Sciences, 2020, 512:1458-1480. doi: 10.1016/j.ins.2019.10.063 URL
[14]	KIUMARSI B, VAMVOUDAKIS K G, MODARES H, et al. Optimal and autonomous control using reinforcement learning:a survey[J]. IEEE Transactions on Neural Networks and Learning Systems, 2018, 29(6):2042-2062. doi: 10.1109/TNNLS.2017.2773458 URL
[15]	李锋, 陈勇, 王家序, 等. 基于强化学习单元匹配循环神经网络的滚动轴承状态趋势预测[J]. 计算机集成制造系统, 2020, 26(8):2050-2059. doi: 10.13196/j.cims.2020.08.005
	LI F, CHEN Y, WANG J X, et al. Rolling bearing condition trend prediction based on reinforcement learning unit matching recurrent neural network[J]. Computer Integrated Manufacturing Systems, 2020, 26(8):2050-2059. (in Chinese)
[16]	党宏社, 陶亚凡, 张选德. 基于混合注意力与强化学习的文本摘要生成[J]. 计算机工程与应用, 2020, 56(1):185-190. doi: 10.3778/j.issn.1002-8331.1907-0101
	DANG H S, TAO Y F, ZHANG X D. Text summarization generation based on hybrid attention and reinforcement learning[J]. Computer Engineering and Applications, 2020, 56(1):185-190. (in Chinese)
[17]	薛晗, 邵哲平, 方琼林, 等. 基于强化学习的倒立摆分数阶梯度下降RBF控制[J]. 控制与决策, 2021, 36(1):125-134.
	XUE H, SHAO Z P, FANG Q L, et al. Fractional-order gradient descent RBF control of inverted pendulum based on reinforcement learning[J]. Control and Decision, 2021, 36(1):125-134. (in Chinese)
[18]	雷洪涛, 孙立健, 朱先强, 等. 杀伤链分析构建与韧性优化方法[J]. 指挥与控制学报, 2024, 10(6):720-731.
	LEI H T, SUN L J, ZHU X Q, et al. Construction and resilience optimization method of kill chain analysis[J]. Journal of Command and Control, 2024, 10(6):720-731. (in Chinese)
[19]	陈怡超, 刘冠邦, 赵晓莲, 等. 美空战场杀伤链及其韧性网络[C]// 第十届中国指挥控制大会论文集(上册). 北京: 中国电子科技集团公司第二十八研究所, 2022:317-323.
	CHEN Y C, LIU G B, ZHAO X L, et al. US air combat kill chain and its resilience network[C]// Proceedings of the 10th China Command and Control Conference. Beijing,China: the 28th Research Institute of CETC, 2022317-323. (in Chinese)
[20]	王耀祖, 尚柏林, 宋笔锋, 等. 基于杀伤链的作战体系网络关键节点识别方法[J]. 系统工程与电子技术, 2023, 45(3):736-744. doi: 10.12305/j.issn.1001-506X.2023.03.14
	WANG Y Z, SHANG B L, SONG B F, et al. Key node identification method for combat system network based on kill chain[J]. Systems Engineering and Electronics, 2023, 45(3):736-744. (in Chinese)
[21]	JUTTNER A, MADARASI P. VF2++—an improved subgraph isomorphism algorithm[J]. Discrete Applied Mathematics, 2018, 242(6):69-81. doi: 10.1016/j.dam.2018.02.018 URL
[22]	SOLNON C. AllDifferent-based filtering for subgraph isomorphism[J]. Artificial Intelligence, 2010, 174(12):850-864. doi: 10.1016/j.artint.2010.05.002 URL

序号	连边	关系	规则含义	符号表达
1	S→S	协同反馈	探测评估节点间的信息协同活动	E_SS
2	S→F	信息交互	探测评估节点向定位跟踪节点的信息交互活动	E_SF
3	S→D	信息交互	探测评估节点向指挥控制节点的信息交互活动	E_SD
4	F→F	协同反馈	定位跟踪节点间的信息交互活动	E_FF
5	F→D	信息交互	定位跟踪节点向指挥控制节点的信息交互活动	E_FD
6	F→I	指挥控制	定位跟踪节点向作战响应节点下达指令	E_FI
7	D→S	指挥控制	指挥控制节点向探测评估节点下达指令	E_DS
8	D→F	指挥控制	指挥控制节点向定位跟踪节点下达指令	E_DF
9	D→D	协同反馈	指挥控制节点间的信息交互活动	E_DD
10	D→I	指挥控制	指挥控制节点向作战响应节点下达指令	E_DI
11	I→T	信息交互	作战响应节点对行动目标节点实施的火力打击等行动	E_IT
12	T→S	信息交互	探测评估节点获取行动目标节点信息	E_TS
13	T→F	信息交互	定位跟踪节点对目标节点实施持续监测活动	E_TF

序号	连边	关系	规则含义	符号表达
1	S→S	协同反馈	探测评估节点间的信息协同活动	E_SS
2	S→F	信息交互	探测评估节点向定位跟踪节点的信息交互活动	E_SF
3	S→D	信息交互	探测评估节点向指挥控制节点的信息交互活动	E_SD
4	F→F	协同反馈	定位跟踪节点间的信息交互活动	E_FF
5	F→D	信息交互	定位跟踪节点向指挥控制节点的信息交互活动	E_FD
6	F→I	指挥控制	定位跟踪节点向作战响应节点下达指令	E_FI
7	D→S	指挥控制	指挥控制节点向探测评估节点下达指令	E_DS
8	D→F	指挥控制	指挥控制节点向定位跟踪节点下达指令	E_DF
9	D→D	协同反馈	指挥控制节点间的信息交互活动	E_DD
10	D→I	指挥控制	指挥控制节点向作战响应节点下达指令	E_DI
11	I→T	信息交互	作战响应节点对行动目标节点实施的火力打击等行动	E_IT
12	T→S	信息交互	探测评估节点获取行动目标节点信息	E_TS
13	T→F	信息交互	定位跟踪节点对目标节点实施持续监测活动	E_TF

编号	类型	模板杀伤链	情况说明
1	射手平台主导型	T→F→I→T	标准打击模式
2	射手平台主导型	T→F→D→I→T	具有决策参与的打击模式
3	指控平台主导型	D→S→F→I→T	标准打击模式
4	指控平台主导型	D→S→F→D→I→T	具有决策协同功能的打击模式
5	传感器平台主导型	T→S→F→D→I→T	标准打击模式
6		T→S→F→D→D→I→T	具有决策协同功能的打击模式
7		T→S→F→D→S→F→D→I→T	具有信息反馈的打击模式

编号	类型	模板杀伤链	情况说明
1	射手平台主导型	T→F→I→T	标准打击模式
2	射手平台主导型	T→F→D→I→T	具有决策参与的打击模式
3	指控平台主导型	D→S→F→I→T	标准打击模式
4	指控平台主导型	D→S→F→D→I→T	具有决策协同功能的打击模式
5	传感器平台主导型	T→S→F→D→I→T	标准打击模式
6		T→S→F→D→D→I→T	具有决策协同功能的打击模式
7		T→S→F→D→S→F→D→I→T	具有信息反馈的打击模式

项目	射手平台主导型	指控平台主导型	传感器平台主导型
主导环节	全流程自主执行	信息整合与指挥决策	目标发现与引导
响应速度	快,时延小	较慢,受指挥链效率影响	快,但受通信链路制约
复杂性	简单,单平台负责	高,需整合多平台信息	中等,专注目标获取与引导
抗干扰能力	高,依赖性较低	低,易受通信和节点瘫痪影响	中等,通信链路是关键
全局感知能力	弱,局限于本平台	强,全局视野	中等,依赖传感器范围
适用场景	独立任务或应急打击	联合作战或复杂战场环境	动态目标跟踪与引导作业
依赖程度	低,独立性高	高,依赖传感器和射手支持	中等,需与射手或指控协同