HawkEye 360 ​​خطر کشتی را با استفاده از کتابخانه Deep Graph و آمازون نپتون پیش بینی می کند

این پست توسط Ian Avilez و Tim Pavlick از HawkEye 360 ​​نوشته شده است.

HawkEye 360 ​​یک صورت فلکی فرکانس رادیویی (RF) تجاری، ارائه دهنده داده ها و تجزیه و تحلیل است. سیگنال های مورد علاقه آنها شامل رادیوهای فشاری با فرکانس بسیار بالا (VHF)، سیستم های رادار دریایی، چراغ های سیستم شناسایی خودکار (AIS)، چراغ های اضطراری و غیره است. سیگنال های کتابخانه مورد علاقه در طول زمان به رشد خود ادامه خواهند داد.

شان فضای ماموریت ارائه، که در فوریه 2021 منتشر شد، به کاربران اجازه می دهد به طور مستقیم سیگنال های RF و تجزیه و تحلیل را تجسم کنند. از طریق یک رابط بصری، تحلیلگران ماموریت می‌توانند فعالیت‌ها را شناسایی کنند، روندها را درک کنند و آگاهی موقعیتی دریایی را با آشکار کردن رفتارهای انسانی نادیده و فعالیت‌های غیرقانونی کشتی مانند قاچاق، دزدی دریایی، ماهیگیری غیرقانونی و قاچاق انسان بهبود بخشند.

این پست خلاصه تلاش مشترک بین HawkEye 360 ​​و آزمایشگاه راه حل های یادگیری ماشین آمازون (ML). برای ایجاد قابلیت های یادگیری ماشینی (ML) در گردش کار تحلیلی خود. این همکاری شامل دو مرحله بود:

1. ایجاد یک نپتون آمازون پایگاه داده گراف شامل تمام کشتی های ثبت شده در جهان برای درک رابطه بین کشتی ها و تجزیه و تحلیل چگونگی ارتباط کشتی ها با یکدیگر است.
2. از کتابخانه نمودار عمیق (DGL) برای ایجاد یک امتیاز ریسک برای هر کشتی استفاده کنید. این خطر کشتی برای پیش‌بینی میزان احتمال انجام یک کار مشکوک با استنباط خطر از طریق ارتباط با سایر کشتی‌های مشکوک استفاده می‌شود.

بررسی اجمالی

روزانه هزاران کشتی در سراسر جهان سفر می کنند. یافتن معدود بازیگران بد می تواند برای تحلیلگران زمان بر و چالش برانگیز باشد. درک نحوه عملکرد شبکه های کشتی برای کمک به تحلیلگران برای تعیین نوع رفتار کشتی که در منطقه خود مشاهده می کنند مهم است. این داده‌ها می‌تواند به تحلیلگران کمک کند تا به تیم‌های خود اطلاع دهند که چه رفتارهای مشکوکی را می‌توانند از کشتی‌های نزدیک خود انتظار داشته باشند و دریابند که آیا کشتی‌هایی ممکن است در فعالیت‌های مخاطره‌آمیز یا شرورانه شرکت داشته باشند. به عنوان مثال، اگر چندین کشتی در منطقه عملیاتی باشند، یک تحلیلگر ممکن است بخواهد بداند که آن کشتی ها در گذشته با چه کسانی تعامل داشته اند. این اطلاعات می تواند برای شناسایی هرگونه رابطه غیرمستقیم بین کشتی های مورد علاقه مفید باشد. وجود این روابط در سراسر شبکه کشتی، آن را به یک مورد استفاده عالی برای پایگاه داده گراف همراه با تکنیک های یادگیری عمیق برای استنتاج روابط تبدیل می کند. HawkEye 360 ​​نپتون را به عنوان پایگاه داده گراف خود برای ذخیره اطلاعات ارتباط و DGL برای قابلیت شبکه عصبی گراف (GNN) خود انتخاب کرد.

داده های HawkEye 360 ​​حاوی اطلاعات زیر در مورد کشتی ها است:

• قرار ملاقات بین کشتی هایی که در دریا جمع می شوند
• اطلاعات کشتی، از جمله مالکیت، مدیریت، و روابط عملیاتی
• کشتی هایی که برای مدت زمان قابل توجهی از AIS ناپدید شده اند

استفاده از نپتون به عنوان پایگاه داده گراف

نپتون یک پایگاه داده گراف سریع، قابل اعتماد و کاملاً مدیریت شده است که برای ذخیره روابط پیچیده و جستجوی نمودار با تأخیر میلی ثانیه بهینه شده است. HawkEye 360 ​​استفاده شده است آمازون SageMaker نوت‌بوک‌های نپتون، با کتابخانه نوت‌بوک گراف داخلی خود، برای پردازش مجموعه داده‌ها و ایجاد مجموعه‌های داده CSV که آماده بارگیری در خوشه نپتون هستند. برای اطلاعات بیشتر در مورد فرمت های داده های نپتون، نگاه کنید به بارگذاری فرمت های داده. با تابع جادویی نوت بوک نمودار Jupyter %load، HawkEye 360 ​​داده ها را در خوشه نپتون بارگذاری کرد.

با کتابخانه نوت بوک گراف، HawkEye 360 ​​توانست داده های گراف زیربنایی را در زبان پرس و جوی Gremlin با استفاده از %%gremlin تابع. تصویر زیر نمونه ای از پرس و جوی قابل اجرا است.

با نپتون، تیم HawkEye 360 ​​توانست فوراً اتصالات پنهان را در میان کشتی‌های شبکه مشاهده کند. به عنوان مثال، معمولاً تحلیلگران فقط می توانند کشتی هایی را ببینند که در داده ها با یکدیگر تعامل دارند. نمودارها می توانند با کشف روابط بین کشتی هایی که سه یا بیشتر هاپ (یا گره) از یکدیگر فاصله دارند، تجزیه و تحلیل را یک قدم جلوتر ببرند.

با داده‌های موجود در نپتون، HawkEye 360 ​​یک امتیاز خطر برای هر کشتی ایجاد کرد تا خطری را که یک کشتی معین در رفتار مشکوک انجام می‌دهد شناسایی کند. این به تحلیلگران امکان می‌دهد تا تمام کشتی‌های پرخطر را در منطقه مورد نظر شناسایی کنند. امتیاز ریسک بالاتر در حوزه مورد علاقه نشان می دهد که کشتی بر اساس روابط با سایر کشتی های شرور درگیر فعالیت های شرورانه است.

استفاده از کتابخانه Deep Graph برای پیش بینی خطر کشتی

اولین قدم برای پیش‌بینی خطر کشتی، ایجاد مجموعه داده‌های نمودار است. DGL انتظار دارد که داده‌های شناسه گره، داده‌های ترتیب رتبه‌بندی با اعداد صحیح از صفر باشند. مجموعه داده از سه نوع مختلف گره استفاده می کند:

• گره های کشتی
• گره های شرکت مالک
• گره های پرچم کشتی

از آنجا که انواع مختلف گره وجود دارد، HawkEye 360 ​​از یک نمودار ناهمگن برای تطبیق انواع داده های مختلط استفاده کرد. آنها از روابط به عنوان لبه برای ایجاد مجموعه داده نمودار استفاده کردند dgl.heterograph. نمودار ناهمگن از مقادیر حقیقت زمین برای تقریباً 1٪ از گره ها تشکیل شده است. با این گره ها، HawkEye 360 ​​یک مشکل طبقه بندی گره نیمه نظارت شده را برای طبقه بندی خطر کشتی فرموله کرد. یادگیری نیمه نظارت شده شامل مجموعه داده هایی با داده های برچسب دار و بدون برچسب است. داده های برچسب گذاری شده در مجموعه داده برای آموزش مدل استفاده می شود و مدل برچسب ها را برای داده های بدون برچسب پیش بینی می کند.

آموزش مدل شبکه کانولوشن گراف رابطه ای

از آنجایی که داده ها ناهمگن هستند، HawkEye 360 ​​استفاده از ناهمگن را انتخاب کرد. شبکه کانولوشن گراف رابطه ای الگوریتم گراف (R-GCN) برای آموزش مدل. در الگوریتم R-GCN، هر نوع یال از وزن‌های متفاوتی استفاده می‌کند و فقط یال‌های همان نوع رابطه r با وزن یکسان مرتبط می‌شوند. W_r. با الگوریتم R-GCN، HawkEye 360 ​​مدل را با استفاده از مقادیر حقیقت زمین برای زیرمجموعه‌ای از گره‌ها آموزش داد تا تمام کشتی‌های دارای امتیاز ریسک را پیدا و طبقه‌بندی کند.

استفاده از رفتار کشتی شناخته شده موجود برای استنتاج رفتار جدید از کشتی های ناشناخته، HawkEye 360 ​​را قادر می سازد تا بینش ایجاد کند. تحلیلگران می‌توانند تعیین کنند که کدام کشتی‌ها به سادگی از طریق ارتباط با کشتی‌های مشکوک شناخته شده، بیشتر درگیر رفتارهای مشکوک هستند.

نتیجه

ML Solutions Lab و تیم HawkEye 360 ​​از نزدیک برای ساخت داده‌های نمودار در نپتون و مدل‌سازی داده‌ها برای یافتن خطرات برای کشتی‌های مجاور کار کردند. شبکه‌های نموداری در مدل‌های نپتون و GNN، HawkEye 360 ​​را قادر می‌سازد تا روابط پنهانی را بین کشتی‌ها آشکار کند که در غیر این صورت در دریای وسیع پیچیدگی گم می‌شوند. این محصول پرچمدار جدید HawkEye 360، Mission Space را قادر می‌سازد تا تشخیص دهد که کدام کشتی‌ها پتانسیل انجام فعالیت‌های مشکوک را دارند و به کاربران اجازه می‌دهد به راحتی شناسایی کنند که در کجا تمرکز کنند و بیشتر تحقیق کنند.

امروزه مشتریان نیز می توانند استفاده کنند آمازون نپتون ام ال، که بدون نیاز به یادگیری ابزارهای جدید و فناوری های ML، روشی ساده برای ایجاد، آموزش و اعمال مدل های ML بر روی داده های نپتون در چند ساعت به جای هفته ها ارائه می دهد.

برای اطلاعات بیشتر در مورد پیشنهاد فضای ماموریت HawkEye 360، نگاه کنید فضای ماموریت. برای اطلاعات بیشتر در مورد نحوه پشتیبانی AWS از مشتریان و شرکا در صنعت ماهواره و هوافضا، نگاه کنید AWS هوافضا و ماهواره.

اگر برای تسریع استفاده از ML در محصولات و خدمات خود کمک می خواهید، با آن تماس بگیرید آزمایشگاه راه حل های آمازون ام ال.

---

درباره نویسنده

تیم پاولیک، دکترا، معاون محصول در HawkEye 360 ​​است. او مسئول تصور، ایجاد و تولید همه نوآوری های فضایی HawkEye است. Mission Space محصول شاخص HawkEye 360 ​​است که تمام داده‌ها و تجزیه و تحلیل‌ها را از نمونه کارها HawkEye در یک تجربه RF بصری ترکیب می‌کند. مشارکت‌های قبلی دکتر پاولیک شامل Myca، مربی شغلی هوش مصنوعی آی‌بی‌ام، مانیتور گریت PTSD برای جانبازان، پلتفرم عملیات دفاعی آی‌بی‌ام، مرکز عملیات هوشمند سیاره هوشمند، تشخیص هوش مصنوعی سخنان مشوق نفرت‌انگیز در اینترنت، و سیستم سفارش الکترونیکی غذای STORES برای ارتش آمریکا دکتر پاولیک دکترای خود را در رشته روانشناسی شناختی از دانشگاه کالج پارک مریلند دریافت کرد.

ایان آویلز او یک دانشمند داده با HawkEye 360 ​​است. او با مشتریان کار می کند تا بینش هایی را که می توان با ترکیب مجموعه داده های مختلف به دست آورد و به روش های مختلف به آن داده ها نگاه کرد، برجسته کرد.

گاوراو رله یک دانشمند داده در آزمایشگاه راه حل آمازون ML است، جایی که با مشتریان AWS در سطوح مختلف کار می کند تا استفاده آنها از یادگیری ماشین و خدمات AWS Cloud را برای حل چالش های تجاری آنها تسریع بخشد.

دن فورد یک دانشمند داده در آزمایشگاه راه حل آمازون ML است، جایی که به مشتریان امنیت ملی AWS کمک می کند تا راه حل های پیشرفته ML بسازند.

منبع: https://aws.amazon.com/blogs/machine-learning/hawkeye-360-predicts-vessel-risk-using-the-deep-graph-library-and-amazon-neptune/