HawkEye 360 ​​ennustaa aluksen riskin Deep Graph Libraryn ja Amazon Neptunuksen avulla

Tämän viestin ovat kirjoittaneet Ian Avilez ja Tim Pavlick HawkEye 360:sta.

HawkEye 360 ​​on kaupallinen radiotaajuuksien (RF) konstellaatio-, data- ja analytiikkatoimittaja. Heidän kiinnostaviin signaaleihinsa kuuluvat erittäin korkeataajuiset (VHF) push-to-talk-radiot, merenkulun tutkajärjestelmät, automaattisen tunnistusjärjestelmän (AIS) majakat, hätämajakat ja paljon muuta. Kiinnostussignaalit kirjastosta kasvavat edelleen ajan myötä.

Niiden Mission Space Helmikuussa 2021 julkaistun tarjouksen avulla käyttäjät voivat visualisoida intuitiivisesti RF-signaaleja ja analytiikkaa. Intuitiivisen käyttöliittymän avulla tehtäväanalyytikot voivat tunnistaa toiminnan, ymmärtää trendejä ja parantaa merenkulun tilannetietoisuutta paljastamalla ennennäkemättömän ihmisten käyttäytymisen ja laittomat alukset, kuten salakuljetuksen, piratismin, laittoman kalastuksen ja ihmiskaupan.

Tämä viesti tiivistää HawkEye 360:n ja sen välisen yhteistyön Amazon Machine Learning (ML) Solutions Lab rakentaa koneoppimisominaisuuksia (ML) analyyttisiin työnkulkuihinsa. Yhteistyössä oli kaksi vaihetta:

1. Luo Amazonin Neptuuni graafinen tietokanta, joka koostuu kaikista maailmassa rekisteröidyistä aluksista, jotta voidaan ymmärtää alusten välinen suhde ja analysoida, kuinka alukset liittyvät toisiinsa.
2. Käytä Deep Graph Libraryä (DGL) luodaksesi riskipisteet kullekin alukselle. Tätä alusriskiä käytetään ennustamaan, kuinka todennäköisesti alus tekee jotain epäilyttävää päättelemällä riskiä assosiaatioiden perusteella muihin epäilyttävissä oleviin aluksiin.

Yleiskatsaus

Tuhansia laivaaluksia matkustaa ympäri maailmaa joka päivä. Muutamien huonojen toimijoiden löytäminen voi olla aikaa vievää ja haastavaa analyytikoille. Alusverkostojen toiminnan ymmärtäminen on tärkeää, jotta analyytikot voivat määrittää, millaista alusten käyttäytymistä he näkevät alueellaan. Nämä tiedot voivat auttaa analyytikot kertomaan ryhmilleen, mitä kyseenalaista käyttäytymistä he voivat odottaa lähellä olevilta aluksilta, ja selvittää, osallistuvatko alukset riskialttiisiin tai pahantahtoisiin toimiin. Jos esimerkiksi useita aluksia on toiminta-alueella, analyytikko saattaa haluta tietää, kenen kanssa kyseiset alukset ovat olleet vuorovaikutuksessa aiemmin. Nämä tiedot voivat auttaa tunnistamaan kaikki epäsuorat suhteet kiinnostavien alusten välillä. Näiden suhteiden olemassaolo koko suoniverkostossa tekee siitä erinomaisen käyttötapauksen kaaviotietokannalle yhdistettynä syvään oppimistekniikoihin suhteiden päättelemiseksi. HawkEye 360 ​​valitsi Neptunen graafitietokantakseen suhdetietojen tallentamiseen ja DGL:n graafisen hermoverkon (GNN) kykyyn.

HawkEye 360:n tiedot sisältävät seuraavat tiedot aluksista:

• Merellä kokoontuvien alusten kohtaaminen
• Aluksen tiedot, mukaan lukien omistus-, hallinta- ja toimintasuhteet
• Alukset, jotka ovat kadonneet AIS:stä huomattavan pitkän ajan

Neptunen käyttäminen graafitietokantana

Neptune on nopea, luotettava, täysin hallittu graafitietokanta, joka on optimoitu monimutkaisten suhteiden tallentamiseen ja graafin kyselyyn millisekunnin viiveellä. HawkEye 360 ​​käytetty Amazon Sage Maker Neptune-muistikirjat, joissa on sisäänrakennettu graafinen muistikirjakirjasto, joka käsittelee tietojoukon ja luo CSV-tietojoukkoja, jotka olivat valmiita ladattavaksi Neptune-klusteriin. Lisätietoja Neptune-tietomuodoista on kohdassa Lataa tietomuodot. Kaaviomuistikirjan Jupyter taikafunktiolla %load, HawkEye 360 ​​latasi tiedot Neptune-klusteriin.

Graafimuistikirjakirjaston avulla HawkEye 360 ​​pystyi tiedustelemaan taustalla olevia graafitietoja Gremlin-kyselykielellä käyttämällä %%gremlin toiminto. Seuraava kuva on esimerkki kyselystä, joka voidaan suorittaa.

Neptunen avulla HawkEye 360 ​​-tiimi pystyi välittömästi näkemään piilotetut yhteydet verkossa olevien alusten välillä. Esimerkiksi tyypillisesti analyytikot voivat nähdä vain suonet, jotka ovat vuorovaikutuksessa toistensa kanssa tiedoissa. Kaaviot voivat viedä analyysin askeleen pidemmälle paljastamalla suhteita suonten välillä, jotka ovat kolmen tai useamman hypyn (tai solmun) päässä toisistaan.

Neptunessa olevien tietojen avulla HawkEye 360 ​​loi aluskohtaisen riskipisteen tunnistaakseen riskin, että tietty alus ryhtyy epäilyttävään toimintaan. Näin analyytikot voivat tunnistaa kaikki riskialttiit alukset kiinnostavalla alueella. Korkeampi riskipistemäärä kiinnostuksen kohteena olevalla alueella viittaa alukseen, joka harjoittaa pahantahtoista toimintaa perustuen suhteisiin muihin pahantahtoisiin aluksiin.

Deep Graph Libraryn käyttäminen verisuoniriskin ennustamiseen

Ensimmäinen askel verisuoniriskin ennustamisessa on luoda kaaviotietojoukko. DGL odottaa solmun ID-tietojen olevan järjestystietoja, joiden kokonaisluvut alkavat nollasta. Tietojoukko käyttää kolmea erityyppistä solmua:

• Aluksen solmut
• Omistajayhtiön solmut
• Aluksen lippusolmut

Koska solmutyyppejä on erilaisia, HawkEye 360 ​​käytti heterogeenista kuvaajaa eri tietotyyppien sovittamiseksi. He käyttivät suhteita reunoina luodessaan kaaviotietojoukon käyttämällä dgl.heterograph. Heterogeeninen graafi koostui pohjatotuusarvoista noin 1 %:lle solmuista. Näiden solmujen avulla HawkEye 360 ​​muotoili puolivalvotun solmuluokitusongelman verisuoniriskin luokittelemiseksi. Puoliohjattu oppiminen koostuu tietojoukoista, joissa on merkittyjä ja merkitsemättömiä tietoja. Tietojoukon merkittyjä tietoja käytetään mallin harjoittamiseen, ja malli ennustaa nimeämättömän datan tunnisteet.

Relaatiograafin konvoluutioverkkomallin koulutus

Koska tiedot ovat heterogeenisiä, HawkEye 360 ​​valitsi heterogeenisen Relaatiograafi konvoluutioverkko (R-GCN) graafialgoritmi mallin koulutukseen. R-GCN-algoritmissa jokainen reunatyyppi käyttää eri painotuksia ja vain saman relaatiotyypin r reunat liitetään samaan painoon. W_r. R-GCN-algoritmilla HawkEye 360 ​​koulutti mallia käyttämällä pohjatotuusarvoja solmujen osajoukolle löytääkseen ja luokitellakseen kaikki suonet riskipisteillä.

Käyttämällä olemassa olevaa tunnettua suonen käyttäytymistä päättelemään uutta käyttäytymistä tuntemattomista suonista HawkEye 360 ​​voi luoda oivalluksia. Analyytikot voivat määrittää, mitkä alukset todennäköisemmin osallistuvat epäilyttävään toimintaan yksinkertaisesti sen perusteella, että ne ovat yhteydessä tunnettuihin epäilyttävissä oleviin aluksiin.

Yhteenveto

ML Solutions Lab ja HawkEye 360 ​​-tiimi työskentelivät tiiviisti rakentaakseen graafidataa Neptunessa ja mallintaakseen tietoja lähellä olevien alusten riskien löytämiseksi. Neptune- ja GNN-mallien kuvaajaverkot mahdollistavat HawkEye 360:n paljastamisen alusten väliset piilosuhteet, jotka muuten katoaisivat monimutkaisessa valtavassa meressä. Tämän ansiosta HawkEye 360:n uusi lippulaivatuote, Mission Space, tunnistaa, mitkä alukset voivat osallistua epäilyttävään toimintaan, ja käyttäjät voivat helposti tunnistaa, mihin keskittyä ja tutkia asiaa tarkemmin.

Nykyään asiakkaat voivat myös käyttää Amazon Neptune ML, joka tarjoaa virtaviivaistetun tavan luoda, kouluttaa ja soveltaa ML-malleja Neptunen dataan tunneissa viikkojen sijaan ilman tarvetta opetella uusia työkaluja ja ML-tekniikoita.

Katso lisätietoja HawkEye 360: n Mission Space -tuotteista Mission Space. Lisätietoja siitä, miten AWS tukee asiakkaita ja kumppaneita satelliitti- ja avaruusteollisuudessa, katso AWS Aerospace and Satellite.

Jos haluat apua ML: n käytön nopeuttamisessa tuotteissasi ja palveluissasi, ota yhteyttä Amazon ML Solutions Lab.

---

Tietoja Tekijät

Tim PavlickPh.D. on HawkEye 360: n tuotepäällikkö. Hän vastaa kaikkien HawkEye-avaruusinnovaatioiden suunnittelusta, luomisesta ja tuottamisesta. Mission Space on HawkEye 360: n lipputuote, joka sisältää kaikki HawkEye-salkun tiedot ja analyysit yhdeksi intuitiiviseksi radiotaajuuskokemukseksi. Tohtori Pavlickin aikaisempiin keksintöihin kuuluvat Myca, IBM: n tekoälyvalmentaja, Grit PTSD -monitori veteraneille, IBM Defense Operations Platform, älykkäämpiä planeetan älykkäitä operointikeskuksia, tekoälyn havaitseminen vaarallisesta vihamielisestä puheesta Internetissä ja STORES-sähköinen elintarvikkeiden tilausjärjestelmä. Yhdysvaltain armeija. Tohtori Pavlick sai tohtorin tutkinnon kognitiivisesta psykologiasta Marylandin yliopiston College Parkista.

Ian Avilez on HawkEye 360: n datatieteilijä. Hän työskentelee asiakkaiden kanssa korostaakseen oivalluksia, joita voidaan saada yhdistämällä erilaisia ​​aineistoja ja tarkastelemalla kyseisiä tietoja eri tavoin.

Gaurav Rele on datatieteilijä Amazon ML Solution Labissa, jossa hän työskentelee AWS-asiakkaiden kanssa eri toimialoilla nopeuttaakseen koneoppimisen ja AWS Cloud -palvelujen käyttöä liiketoimintahaasteensa ratkaisemiseksi.

Dan Ford on datatieteilijä Amazon ML Solution Labissa, jossa hän auttaa AWS National Security -asiakkaita rakentamaan huipputeknisiä ML-ratkaisuja.

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