核能5.0——智能时代的核电工业新形态与体系架构

3 核能5.0支撑平台新技术

3.1 智联网

智联网的定义为以互联网、物联网技术为前序基础科技, 在此之上以知识自动化为核心系统, 以知识计算为核心技术, 以获取知识、表达知识、交换知识、关联知识为关键任务, 从而建立智能实体之间语义层次的联结、实现各智能体所拥有的知识的互联互通; 智联网的最终目的是支撑需要大规模社会化协作的、特别是在复杂系统中的知识功能和知识服务. 智联网的实质即以某种协同的方式进行从原始经验数据的主动采集、获取知识、交换知识、关联知识, 到知识功能, 如推理、决策、规划、管控等的全自动化过程, 因此智联网的实质是一种全新的、直接面向智能的复杂、协同知识自动化系统, 如图7所示.

图7 智联网的基本概念示意图

研究和建设工业智联网, 为工业发展分析与评估智能系统提供社会化基础设施和支撑平台; 通过该支撑平台, 基于平行系统理论的分析管控、基于工业 CPSS 的系统架构以及产业发展分析的各种社会计算核心技术得以实现. 工业智联网并非空中楼阁,是建立在互联网 (数据信息互联) 和物联网 (感知控制互联) 基础上的. 智联网的协同知识自动化系统架构, 为建立复杂而高效的多层次社会化的传感、通信和计算系统规划和设计提供了逻辑结构和全体系化建设蓝图.

工业智联网最重要的应用之一, 就是使能软件定义的工业体系. 在工程领域, 越来越多的系统打破常规, 并通过开放的软件定义的系统接口实现系统功能的灵活重构, 使得未来工程系统成为智能实体的联合体, 极大地改善了系统的扩展能力和灵活性. 当代软件定义系统前沿的代表为软件定义网络 (Software defined network, SDN), 灵捷虚拟企业 (Agile virtual enterprise, AVE) 和社会制造 (众包). 知识自动化和智联网, 是软件定义流程与系统的核心: 结合知识表示和知识工程, 联结智能实体,构造和支撑各类针对特定领域和问题的软件定义的流程 (Software-defined processes, SDP) 和软件定义的系统 (Software-defined systems, SDS). 通过SDP 和 SDS, 使常识、经验、猜测、假定、希望、创新、想象等形式化和实质化, 并使其组织、过程、功能等软件化, 变为可操作、可计算、可试验的流程和系统, 从而进一步深入复杂知识自动化系统的构想、设计、实施、运营、管理与控制[42].

3.2 知识自动化方法体系的研发

很多情况下, 工业系统的众多过程呈现深度耦合、交互影响的特点, 可利用知识自动化的手段对工业过程管理的现象进行捕捉、识别、追踪、解析、预测及诱导. 更进一步来讲, 针对具体的研究对象,通过广泛的感知、测量、采集和传递信息的设备或系统, 对信息进行快速获取并分析, 实现社会和技术信号的实时采集、数据融合和分析处理; 然后, 基于ACP方法, 借助网络数据挖掘、自然语言处理及机器学习等技术, 通过结构分析、语义分析等手段对工业活动、结构、组织和功能等进行深入解析, 以获取实时、系统且全面的知识来解决特定的问题[43].

3.3 发展性人工智能代理系统

多智能体系统的自治性、交互性、协同性、学习与推理等特点是研究复杂系统问题无可替代的绝佳手段. 针对社会计算中多智能体系统的需求和发展方向, 我们提出了一个新概念, 即 “发展性人工智能代理系统”[44]. 发展性人工智能代理的核心特征是“终生学习” 和 “永继学习”. “终生学习” 的概念指的是, 一个发展性人工智能代理针对一个系统参与者 (人、组织等社会实体), 建立与之对应的终生学习和交互机制, 终生获取、认知并管控参与者的数据和知识, 从而做到智能代理的知识, 随着参与者自身的变化及外部环境的变化而改变. “永继学习” 的概念指的是, 由于基于机器的人工智能代理的知识是可以作为数据直接传递的, 因此在利用新的人工智能代理解决新一阶段出现的新系统问题的时候, 可以直接利用前序阶段的人工智能代理知识而不用重新训练学习. 基于这两个特征, 发展性智能体具备的认知、规划、推理、学习、辅助和引导功能, 是通过其与对应参与者的长期知识交互而形成, 因此具备了深度认知能力, 以及对参与者改变的适应性.

我们认为, 针对目标工业的分析、决策、管控场景, 发展性人工智能代理系统将是下一代多智能体系统的新范式, 能够做到对复杂系统及系统中各参与者更精确的模拟, 从而建立虚实系统智能体和人之间更加精确的互动机制, 为分析复杂工业系统打下更坚实的基础.

3.4 大型平行协同演化技术

平行管理与控制的方法为有效建立混合增强智能的框架提供了理论体系与平台. 由于系统的复杂性的存在, 多数系统本质上不能解析建模. 基于平行系统的理论, 采用 ACP 方法可以对复杂系统进行双闭环管理与控制. 在实际系统的基础上, 通过多智能体技术建立一个或多个虚拟的人工系统; 以计算设施为实验室, 通过对人工系统的计算实验, 来解决实际系统中难以实验以及重复实验的难题; 通过对实际系统与人工系统构成的平行系统进行虚实互动、平行执行来实现系统的管理和控制.

在平行执行的过程中, 需要建立基于系统协同演化机制的场景推演模型. 把实际系统与人工系统相交互, 建立协同演化的机制, 通过虚实互动提高各自的性能并进行优化. 在实际系统与人工系统协同演化的过程中, 需要运用演化博弈思想对协同演化机制进行系统的分析. 同时, 把演化算法与博弈论理论、多智能体系统理论相结合, 并引入分布式计算技术, 建立性能更高效的分布式系统演化算法, 并将协同演化思想与人工神经网络算法、人工免疫算法、模拟退火算法等结合, 集成现有智能算法中的不同搜索技术, 建立功能强大的平行协同演化算法, 与平行管理与控制相结合, 实现人工系统与现实系统的虚实互动和平行执行.

3.5 大规模混合增强智能计算验证平台

结合典型工业应用, 搭建面向不同结构、不同类型、快速多样的大数据计算实验平台, 建立实际系统的分布式、自适应、动态感知机制, 实时准确感知实际系统的多样化信息. 以人工系统为基础, 以目标工业管控系统传感与感知数据为输入, 研究人工系统智能体的动态标定方法, 将智能体的微观推理决策参数与系统宏观运行演化特征相结合, 完成匹配系统整体运行分布的智能体参数标定. 在智能体参数标定的基础上, 设计各参数科学合理的分布范围, 完成单因素到多因素的多智能体协同、博弈、对抗等计算实验, 分析影响工业运行的正负变量因子、主次变量因子, 并采用统计评优的方法评估当前环境参数下工业运行的风险点和管控手段.

3.6 核能产业区块链

区块链是一种全网共识共同维护且保有所有历史交易数据的分布式数据库. 其所采用的时间戳、非对称加密、分布式共识、可灵活编程等技术使其具备了去中心化、时间可追溯性、自治性、开放性以及信息不可篡改等特性. 区块链技术的基本构架大致可以分为六层, 即涵括所有基层信息数据和加密技术等的数据层、连接所有节点完成数据传播以及验证的网络层、涵括各种共识算法与机制的共识层、制定奖励与惩处的激励层、封装算法和智能合约的合约层、以及具体化区块链应用场景的应用层.

区块链的智能合约技术可以真正做到在无外部监督的情况下, 以极小的运营成本支撑大型智能实体网络的运行, 即 “分布式自治组织” (DistributedAutonomous Organization, DAO).DAO运用智能合约执行一系列公开公正的系统运行规则, 在无人管理和监督的情况下实现自组织和自主运行. 结合前文提到的智联网知识的协同运行方式 (层次型、集中型、分布型、混合型), 基于区块链的DAO为物联网的运营提供了理想的平台, 从而实现按照一定组织规则来自动组织智能体和开展协同知识自动化.更进一步, 通过出售或收购DAO的股权, 提供或者购买DAO的知识服务, 开放智联网DAO知识服务API等种种商业和技术创新, 智联网可以成为一种社会化的技术生态系统, 旨在为全社会提供全方位的知识服务.

对于区块链的理解分为三种: “加密数字货币”、“分布式记账本技术” 和 “通证”. “通证” 的观点是可以根据各种实现场景, 构建一个基于区块链的系统, 它是有真实应用的系统, 且与许多传统的工业系统对接. “通证” 可以把任何有价值的权益“通证化”, 通证化结合区块链技术之后, 就可以直接共享使用 “通证权” 融资, 且透明可信, 可快速流转,形成市场价格. 所以, 通证工业链就是真正的数字工业链, 可以大幅提升工业经济的效率, 激发出前所未有的创新和活力.

核能区块链的核心思想是提供一个可信底层平台, 各种产业单元可以基于此底层构建各种智能合约, 构建通证, 实现链式协作. 目前各种区块链平台的性能还达不到商用要求, 区块链技术需要进行性能的优化提升, 但是研发界抱乐观态度.

实现核能区块链和通证产业系统的基础是智能合约. 标准化的智能合约可以由产业区块链官方制定, 比如核能产业各个业务研发支撑一个区块链条,发行通证作为业务的一个记账单位, 所有的利益相关部门使用这个底层基础设施, 从而在核能力生产网络中逐步实现通证产业系统. 在形成通证经济系统雏形后, 智能核能产业网络即形成.

基于区块链技术的智能核能产业网络, 每一个产业单元都通过智能合约标准, 将自己的连入不同的产业链当中, 或者说每一个产业单元通过各种智能合约范式与自己的产业链上下游相连, 给自己的业务和整个产业链都在虚拟世界里构建出一个 “虚实平行产业链”, 这些 “虚实平行产业链”, 通过智能合约范式, 接入电力产业体系中. 核能产业运作时,整个产业链条的相关智能合约被不断触发, 实现自主高效的运行, 智能核能产业得以实现.

核能产业区块链技术, 将从根本上变革核能工业生产方式, 重塑整个工业的形态. 整个核能力生产都会运行在分布式的智能产业网络上, 在区块链上监视和管控每一个产业单元的运行状况, 分析产业的宏观数据和生产微观数据, 真正实现虚拟数字核能产业的数据化、知识化、智能化[45−47].

4 核能5.0运用场景实例

在本节, 我们以核能产业的重要组成部分, 核电工业为背景, 以核电站工控系统安全评估和核电站数字化仪控系统为应用场景来分析相应的业务新技术与系统新形态.

4.1 核电工控系统安全评估

基于平行核电系统, 可进行基于计算实验的核电工控安全系统信息安全威胁防护策略分析与研究[48]. 利用核电工控系统信息安全保障方案的实时信息, 设计不同的实验情景, 把计算机作为实验室, 进行各种各样的计算 “软” 实验, 针对不同安全防护应用设计多种计算实验场景, 研究网络安全攻击演化规律及其常态和非常态管理策略. 在实际网络攻击场景和虚拟网络攻击场景平行执行的基础上, 利用计算实验方法在平行安全防护演练平台上进行各种试验, 对核电工控安全系统的防护行为进行预测和分析. 实际安全防范系统中的算法分析工具以模块和组件的形式应用于平行系统实验平台中, 其中包括各类学习策略与优化算法、定性与定量计算实验研究算法以及对各安全威胁场景 (包括常规安全威胁场景、增强安全威胁场景和突发安全威胁场景) 提供特定支持的专用算法模块, 这些工具将动态地分析、研究和优化安全威胁计算实验过程及其结果, 并结合评价指标体系更新评价结果[49−51].主要步骤如下, 如图 8 所示.

第一阶段: 资产识别与评定

步骤 1. 定义业务或运营目标

识别和了解业务或运营目标对于真正理解风险可能对业务带来的后果和影响至关重要. 因此, 这一步骤也是制定适合自己的风险度量标准并对识别出的风险进行评分的基础. 对于核电站工控系统来说,控制系统运行和实现自动化的过程都有哪些？在过程中或自动化步骤中都部署了哪些系统来支持这一过程？通过了解这些目标, 就可以知道哪些系统对于实现目标更为关键.

步骤 2. 系统评定与分类

给予前一步骤中所识别的业务与运营目标以及与之关联的系统. 首先对实现上述目标所需要的各个系统进行识别和评定, 然后找出可能与系统相关联的潜在事件和后果, 最后建立所导致的后果与业务目标之间的关联, 以便根据系统关键性进行分类与优先级排序.

图8 核电工控系统信息安全保障方案平台评估流程

步骤 3. 资产识别

尽可能全面的识别出所有资产无疑是至关重要的. 然而, 资产清单以及文件的收集比较困难, 而且往往会有所遗漏. 资产清单的收集与验证可以通过以下方式来进行: 与最新的、准确的网络拓扑图进行交叉验证.

步骤 4. 网络拓扑与数据流审查

网络拓扑图不仅对于正确识别资产非常重要,对于识别通信路径和数据流同样重要, 从而有助于攻击向量识别. 数据流分析还有助于发现网络中已经存在的问题.

步骤 5. 风险预算

风险筛选有助于实现各类评估, 根据事先确定的评级可以对每项系统进行优先级排序和评估. 评级方式采用高、中、低的定性评级.

第二阶段: 脆弱性识别与威胁建模

步骤 6. 安全策略审查

网络安全策略是保证安全状态的基线. 通常安全策略都会存在薄弱环节. 所以应该对作为安全状况根基的安全策略和程序进行审查和验证, 如果安全策略存在薄弱环节, 那么核电站的核心将面临巨大的风险.

步骤 7. 控制风险 (标准审查、差距分析)

控制风险步骤是针对某一标准或者策略所开展的差距分析或审计工作, 也是大多数传统风险评估的中心工作. 控制风险以行业标准和要求为基线, 能对安全、整改、缓解等过程的聚焦提供指导.

步骤 8. 网络脆弱性评估

本步骤通常仅涉及已知的且已经公开纰漏的漏洞. 主要涉及如下方法:

映射漏洞, 将已知漏洞与现有系统进行手动匹配操作;

配置审查, 对系统配置寻找错误配置;

漏洞扫描, 对漏洞使用扫描工具进行搜寻;

实时网络流量分析, 检测流量并进行分析;

控制分析, 针对各种标准中的脆弱性进行排查.

步骤 9. 计算实验

通过平行系统, 对评估实现仿真建模, 进行计算实验. 通过海量自我博弈提升自身能力, 实现虚实结合的自我探索学习, 系统智能水平将持续提升. 理论上最终超越现实世界, 达到人工世界为主导的目的,实现智能系统工程实用化 如图9所示.

图9 核电工控系统信息安全计算实验图例