现阶段，大统计数据和人工智慧控制技术正加速向国防专业领域渗入，深刻改变着未来战争的克敌制胜分子结构、力量结构和作战方式。一般认为，大统计数据主要具备四个方面的众所周知特点，即大批、多样、高速和商业价值。与我们一般来说接触的网络大统计数据相比，由于国防活动所具备的角力侵略性、环境复杂程度、重要信息不准确性等特点，决定了国防大统计数据控制技术产业化的局限性。只有控制系统深入把握国防大统计数据的共通点和个性特点，就可以使大统计数据控制技术稳步带入协同作战和部队建设的有关任务中，为国防创新实践带来捷伊势能。
角力侵略性导致条码统计数据构建难
条码统计数据，是根据销售业务情景需求从下层此基础元统计数据加工而来的。透过对下层此基础统计数据重要信息项的销售业务化PCB，获得高度细密的特点标记，用于综合化管理与决策。作为统计数据天然资源的一种组织形式，条码统计数据一般来说由条码体系和条码值组成，是能够直接为销售业务所用并产生销售业务商业价值的统计数据，是大统计数据商业供应链出口处关键性的关键性。以网络大统计数据为例，用户数量在使用网络APP的过程中，首先是标签统计数据的普通用户，同时也在向APP不断提供关于个人的条码统计数据，俗称“打条码”。透过这些个人化条码统计数据，大统计数据挖掘可以精确抽取APP用户的消费习惯、阅读嗜好等重要信息，进而助推APP同时实现“三万人巧”的个人化搜索、推荐等功能。由此看来，网络大统计数据的特点众所周知是条码统计数据规模大，离开了大规模的条码统计数据，大统计数据演算法就无法从形式化、非形式化或者半形式化统计数据中抽取有用重要信息。
现阶段，随着侦察情报、无线电等控制技术的发展，大统计网络控制系统而言，有关机器学习演算法须要大批标示样品去训练模型，而“打条码”工作效率大、权威性强、成本很高。离开了条码统计数据，大统计网络控制系统就会再次出现统计数据找不到、读要学、不可信等问题，使控制系统成为双向流入却不流出的“统计数据湖”，使统计数据挖掘有关人员陷入统计数据沼泽地中；而一旦“打条码”再次出现错误，错误重要信息将在大统计网络控制系统中同时实现“生态圈”运行，后果当心。
因此，条码统计数据构建难是国防大统计数据挖掘面临的挑战众所周知，也是区别于互联网大统计数据最众所周知的特点众所周知。大统计数据飞速发展的专业领域，都与销售业务情景紧密谐振，须要精选应用专业领域，科学构建一套完善的条码统计数据环境治理机制，确保关键性统计数据天然资源有清晰的销售财务管理责任，作业有关人员有规范的业务流程和指导，就可以建立有效的统计数据总的来看，条码统计数据的质量和安全获得保障，国防大统计数据的商业价值就可以真正保留住。
环境复杂程度导致异常统计数据比例高
的飞速增长，大统计数据挖掘面临的统计数据质量问题显著增加。统计数据质量往往是多种因素综合作用的结果，会导致再次出现大批异常统计数据。异常统计数据一般来说指的是不满足统计数据标准、不符合销售业务实质的客观存在的统计数据，如有关人员的单位重要信息错误、设备的型号重要信息错误等。统计数据在下层统计数据库多数是以二维表格的形式存储，每个统计数据格存储一个统计数据值，若想从众多统计数据中识别出异常统计数据，解决统计数据质量问题，须要从机制、业务流程、工具等多个方面发力，透过统计数据质量规则给数据打上条码，主要包括准确性、及时性、准确性、一致性、唯一性、有效性等，就可以使统计数据满足应用的可信程度。
面临复杂的战场环境，由“传感器”到“武器端”可能跨越陆、海、空、电磁、网络等多个域，往往有很长的销售业务链路，涉及很多专业专业领域、很多装备类型，从多源重要信息感知、目标记别到火力打击的过程中，关联关系复杂，每一个环节都可能产生大批的异常统计数据，其比例远远高于网络大统计数据挖掘，导致统计数据传输难、重要信息交互难和共享风险高，更容易形成客观上的“统计数据孤岛”。
因此，统计数据治理是数字化转型的关键性环节众所周知。在大统计数据的时代背景下，无论是社会生活还是国防专业领域，都须要积极探索数字化转型。国防大统计数据异常统计数据比例高的问题，会给统计数据校准、演算法迭代等提出一系列新问题，须要聚焦特定销售业务情景、聚焦销售业务业务流程中产生异常统计数据的根本原因，针对具体作战任务、装备运用等，制定统计数据采集标准规范、完善统计数据质量规则，实施定制化、精细化统计数据治理，逐步打破“统计数据孤岛”，确保源头统计数据准确，从而带动促进各销售业务专业领域统计数据共享，保障整体统计数据安全，为探索国防专业领域的数字化转型之路提供高质量的统计数据此基础。
重要信息不准确性导致统计数据处理模型泛化难
根据销售业务需求抽取重要信息的主要特点，反映销售业务重要信息之间的关联关系。统计数据模型不仅能比较真实地模拟销售业务情景，同时也是对重要销售业务模式和规则的固化。统计数据驱动的机器学习和深度学习获得的是样品空间的特点、表征，大批的背景常识是隐藏且模糊的，很难在样品统计数据中体现。由此，统计数据模型并不理解统计数据中的语义知识，导致统计数据模型缺乏推理和抽象能力，对于未见统计数据模型的泛化能力差。
目前，在大统计数据专业领域广泛应用的深度学习和强化学习方法，本质上还是统计数据驱动的演算法，透过观察寻找规律，依据已有统计数据模型对海量样品统计数据大规模训练，寻求有关关系，在揭示事务本质规律方面存在固有局限性。战场态势错综复杂，情况千变万化，争夺战场主动权的斗争对快速反应要求高，没有统一的模式可以遵循，如果只重有关不重因果，很可能会深度陷入“战争迷雾”之中。因此，如何将大统计数据控制技术与因果推理有机融合起来，透视统计数据关系，正确认识统计数据本质，是国防大统计数据应用面临的一大挑战。
因此，智能化战争时代无人控制系统、自主武器等广泛应用，不仅会改变传统作战模式，也将引入捷伊复杂程度。大统计数据提供了一种认识复杂控制系统的新模式、新方法和新手段，尽管海量统计数据和大规模分布式计算在语音识别、图像识别、自动驾驶等民用专业领域的应用取得了巨大成功，但在国防专业领域仍然存在诸多制约因素。迫切须要紧密结合国防大统计数据广泛存在的重要信息不准确性、异常统计数据比例高、条码统计数据构建难等个人化特点，透过针对性地优化统计数据处理模型、完善各专业专业领域条码体系，强化统计数据流驱动硬件与演算法深度融合，突破传统武器装备、指挥控制控制系统等在时间、空间、存储等方面的限制，以更有效的方式从大统计数据中抽取高商业价值的重要信息，同时实现统计数据实时、按需、在线等目标，逐步破解制约军事大统计数据专业领域共享效率、服务作战效能、互操作水平和快速处理能力等方面的瓶颈问题，力求在瞬息万变的战场环境中，获得比对手更快的判断力、决策力和行动力。
