Architektura wielosensorowej fuzji: Łączenie radaru, EO/IR, AIS i SIGINT w jeden obraz operacyjny

Każdy sensor w zasobach obronnych odpowiada na inne pytanie dotyczące tej samej fizycznej rzeczywistości. Radar widzi metal — zwraca precyzyjny zasięg i prędkość, ale nie może powiedzieć, czy kontakt jest wrogi czy cywilny, wojskowy czy komercyjny. Kamery elektrooptyczne i podczerwone widzą sygnaturę termiczną i kształt — przydatne do klasyfikacji, lecz ich dokładność geolokalizacji spada wraz z wysokością, a zobrazowania produkują z przerwami czasowymi, nie w sposób ciągły. Transmisje AIS dają wyraźną tożsamość i banderę dla kooperatywnych celów morskich, ale statek może wyłączyć transponder, zgłosić fałszywą pozycję lub być sfałszowany. Odbiorniki SIGINT dają tożsamość i namiar nadajnika, ale często nie precyzyjną pozycję bez triangulacji z wielu stacji.

Żaden z tych sensorów, sam w sobie, nie daje pełnego obrazu. Architektura wielosensorowej fuzji to dyscyplina inżynierska, która łączy wszystkie cztery — i wszelkie dodatkowe strumienie — w jedną bazę śladów, która jest dokładniejsza, pełniejsza i bardziej wiarygodna niż jakiekolwiek pojedyncze źródło. Artykuł opisuje, jak ją zbudować: model danych, algorytmy korelacji, mechanikę wyrównania czasowego i przestrzennego oraz wzorce architektoniczne skalujące się od COP na poziomie brygady do krajowego centrum nadzoru morskiego.

Wyzwanie multi-INT: różne sensory, niekompatybilna semantyka

Zasadnicza trudność w wielosensorowej fuzji nie jest obliczeniowa. Jest semantyczna. Każdy typ sensora niesie inny model rzeczywistości, a te modele nie mapują się na siebie w sposób czysty.

Ślad radarowy to obiekt kinematyczny: szacunki pozycji, prędkości i przyspieszenia aktualizowane z szybkością skanowania radaru, ze skojarzonymi elipsami niepewności odzwierciedlającymi szum pomiaru. Radar przypisuje systemowy numer śladu i utrzymuje go między skanami przez korelację. Tożsamość jest wynikiem klasyfikatora — duży kontakt powierzchniowy, mały kontakt powietrzny, śmigłowiec — a nie jednoznaczną etykietą.

Raport EO/IR to zdarzenie wykrycia: obramowanie prostokątne w klatce obrazu z oceną wiarygodności dla każdej klasy w taksonomii sensora. Geolokalizacja tego obramowania wymaga znajomości pozycji i orientacji platformy sensorowej, kąta wskazywania sensora oraz modelu terenu — każdy wnosi własny błąd. Szybkość aktualizacji jest ograniczona opóźnieniem przetwarzania, nie fizyką.

Raport AIS to wiadomość samozgłoszeniowa: MMSI statku, nazwa, typ i pozycja pochodna GPS w czasie raportu, transmitowana na VHF. Jest kooperatywna, ustrukturyzowana i jawna — co czyni ją też trywialnie sfałszowaną. Odbiornik AIS produkuje raporty jeden na statek na okres; statek może je tłumić, fałszować lub odtwarzać.

Zbiór SIGINT produkuje linie namiarów — lub, przy wielu odbiornikach, triangulowane fiksacje pozycji z charakterystyczną elipsą niepewności wydłużoną wzdłuż linii bazowej. Tożsamość nadajnika pochodzi z porównania bibliotecznego ze znanymi parametrami nadajnika: częstotliwość, modulacja, charakterystyki impulsów. Porównanie to daje rozkład prawdopodobieństwa na typy nadajników, a nie jednoznaczną identyfikację.

Silnik fuzji musi wypełnić lukę między wszystkimi tymi modelami semantycznymi. Nie może ich sprowadzić do jednego wskaźnika zaufania bez zniszczenia jakościowych różnic, które mają znaczenie operacyjne. Ślad potwierdzony przez SIGINT i AIS jest jakościowo różny od śladu potwierdzonego przez dwa przejazdy radaru, nawet jeśli ich numeryczne wartości zaufania są identyczne.

Unifikacja modelu danych: kanoniczny schemat śladu

Kanoniczny schemat śladu to kontrakt między każdym komponentem systemu fuzji. Zdefiniuj go wcześnie, wersjonuj tylko addytywnie i opieraj się pokusie uczynienia go specyficznym dla sensora.

Minimalny schemat klasy produkcyjnej dla śladu wielosensorowego zawiera następujące pola:

Pola tożsamości: UUID śladu przydzielony przez system, złożona ocena tożsamości (rozkład prawdopodobieństwa na typy bytów), etykieta czytelna dla człowieka oraz maska bitowa źródła wskazująca, które dyscypliny sensorowe wniosły dowody (bit 0 = radar, bit 1 = EO/IR, bit 2 = AIS, bit 3 = SIGINT, bit 4 = HUMINT itd.).

Pola kinematyczne: szerokość, długość i wysokość WGS84; prędkość północ, wschód i pionowa; przyspieszenie; macierz kowariancji pozycji 3×3 rejestrująca niepewność we wszystkich trzech wymiarach przestrzennych; identyfikator modelu kinematycznego (stała prędkość, stałe przyspieszenie, skoordynowany zakręt).

Pola klasyfikacji: środowisko (powietrze, powierzchnia, podwodne, naziemne, przestrzeń), kategoria (platforma wojskowa, statek cywilny, nieznana), typ (konkretna klasa platformy, jeśli rozwiązana) i wiarygodność na każdym poziomie klasyfikacji.

Pola proweniencji: lista UUID wnoszących obserwacji, poziom klasyfikacji i etykiety możliwości udostępniania wynikające ze wszystkich wnoszących źródeł oraz identyfikator systemu źródłowego.

Pola czasowe: czas obserwacji (kiedy bazowy sensor zaobserwował zjawisko), czas raportu (kiedy wygenerowano raport) i czas przyjęcia (kiedy platforma fuzji go otrzymała). Wszystkie trzy są konieczne; mieszanie ich powoduje subtelne błędy w fuzji czasowej.

Pola cyklu życia: stan śladu (wstępny, potwierdzony, dojrzały, zanikający, utracony), czas ostatniej aktualizacji i wskaźnik wiarygodności zdegradowany od ostatniej aktualizacji.

Schemat ten jest przechowywany w pamięci dla stanu gorącego, utrwalany w PostGIS do zapytań geoprzestrzennych i publikowany na szynie komunikatów jako zdarzenie niezmienne przy każdej aktualizacji. Konsumenci niższego szczebla — wyświetlacz COP, stacje robocze analityków, silnik analizy wzorców zachowań — subskrybują strumień zdarzeń i utrzymują własne widoki.

Korelacja ślad-ślad: bramkowanie, przydzielanie i niejednoznaczność

Korelacja ślad-ślad to algorytmicznie gęste jądro każdego silnika fuzji. Przychodząca obserwacja musi być przypisana do istniejącego śladu, użyta do stworzenia nowego śladu lub oznaczona jako szum. Problem przypisania skaluje się z liczbą śladów i obserwacji na cykl skanowania.

Bramkowanie odległością Mahalanobisa. Pierwszym krokiem jest grube filtrowanie. Dla każdej przychodzącej obserwacji oblicz odległość Mahalanobisa między pozycją obserwacji a przewidywaną pozycją każdego kandydującego śladu. Odległość Mahalanobisa normalizuje przez połączoną macierz kowariancji niepewności predykcji i niepewności pomiaru — ślad z wysoką niepewnością pozycji ma szerszą bramkę. Obserwacje poza bramką nie są kandydatami dla tego śladu. Redukuje to problem kombinatoryczny z N×M do rzadkiego grafu wykonalnych przypisań.

Przypisanie algorytmem węgierskim. Dla jednoznacznych scenariuszy — dobrze rozdzielone ślady, niska gęstość, jeden sensor — algorytm węgierski znajduje globalnie optymalne wzajemnie jednoznaczne przypisanie między obserwacjami a śladami w czasie O(n³). Minimalizuje łączny koszt przypisania, typowo obliczany jako ważona suma odległości Mahalanobisa. Algorytm węgierski jest szybki, deterministyczny i łatwy do debugowania. Jest właściwym wyborem dla 80% scenariuszy, które nie są sporne.

JPDA dla środowisk o dużej gęstości. W środowiskach o dużej gęstości — ruchliwa cieśnina morska, zatłoczony sektor przestrzeni powietrznej — wiele obserwacji jednocześnie wpada do wielu bramek śladu. Przypisanie do najbliższego sąsiada i węgierskie generują systematyczne błędy: dwa przecinające się ślady zamieniają tożsamości, lub powoli poruszający się kontakt w gęstym klastrze gromadzi obserwacje przeznaczone dla sąsiadów. Wspólne probabilistyczne kojarzenie danych (JPDA) rozwiązuje to, obliczając prawdopodobieństwo, że każda obserwacja należy do każdego kandydującego śladu, biorąc pod uwagę pełną wspólną wiarygodność w oknie bramkowania. Stan śladu jest aktualizowany ważoną kombinacją wszystkich bramkowanych obserwacji, ważonych ich prawdopodobieństwami kojarzenia. JPDA jest droższa, ale produkuje mierzalnie lepszą ciągłość śladu przez okluzje i zdarzenia przekraczania.

Śledzenie wielohipotezowe. MHT odracza twarde decyzje o przypisaniu, utrzymując równolegle wiele hipotez śladu — ślad A jest kontynuacją obserwacji 1, lub ślad A jest nowym kontaktem, a obserwacja 1 należy do śladu B. Hipotezy są oceniane i przycinane w miarę napływu nowych obserwacji; drzewo hipotez zapada się do przypisania wysokiej wiarygodności, gdy niejednoznaczność zostaje rozwiązana. MHT daje najlepsze wyniki w warunkach adversarialnych, ale wymaga zdyscyplinowanego zarządzania hipotezami, aby zapobiec wykładniczemu wzrostowi drzewa. Przycinanie N-skanów — odrzucanie hipotez starszych niż N skanów — jest standardowym podejściem.

W praktyce produkcyjne silniki fuzji używają hybrydy: korelacji opartej na regułach do najbliższego sąsiada dla dobrze rozdzielonych śladów o wysokiej wiarygodności; JPDA dla spornego podzbioru; i MHT dla scenariuszy, gdzie system jest specjalnie skonfigurowany do obsługi niejednoznaczności o wysokich konsekwencjach (np. śledzenie wielu kontaktów w punkcie przesmyku).

Ważenie jakości sensorów: dynamiczne ocenianie wiarygodności

Nie wszystkie raporty sensorów zasługują na równą wagę w aktualizacji fuzji. Radar działający na krawędzi swojego zasięgu detekcji w warunkach silnego zamgłowienia morskiego ma wyższą niepewność pomiaru niż ten sam radar w idealnych warunkach. Sensor EO/IR raportujący przez cienkie zachmurzenie ma obniżoną dokładność geolokalizacji. Raport AIS od statku oznaczonego za historyczne rozbieżności między zgłoszoną a obserwowaną przez radar pozycją powinien mieć zmniejszoną wagę pozycji.

Dynamiczne ocenianie wiarygodności przypisuje wagę każdemu raportowi przy przyjęciu na podstawie trzech czynników:

Stan zdrowia sensora. Każdy interfejs sensora w platformie fuzji publikuje komunikat o stanie wraz z danymi. Pola stanu obejmują stosunek sygnału do szumu, status kalibracji, wynik BIT (wbudowanego testu) i czas pracy od ostatniej konserwacji. Raporty od sensorów w zdegradowanym stanie zdrowia otrzymują zmniejszoną wagę. Sensor w stanie AWARIA jest wykluczany z aktualizacji, ale może nadal przyczyniać się do tworzenia wstępnych śladów, jeśli żadne inne źródło nie jest dostępne.

Warunki środowiskowe. Platforma fuzji przyjmuje meteorologiczne i środowiskowe dane — stan morza, opady, wskaźnik duktingu atmosferycznego, porę dnia (istotną dla kontrastu EO/IR) — i stosuje specyficzne dla sensora modele wydajności do oszacowania bieżącej dokładności pomiaru. Modele te są pochodne danych producenta sensora i walidowane na operacyjnych przebiegach kalibracyjnych. Szacunek dokładności trafia bezpośrednio do kowariancji szumu pomiarowego używanego w kroku aktualizacji filtru Kalmana.

Historyczna dokładność. Dla każdego sensora platforma śledzi rozkład residuów — różnic między przewidywanymi a obserwowanymi pozycjami dla dobrze ustalonych śladów — w ruchomym oknie. Sensor z konsekwentnie dużymi residuami ma powiększoną kowariancję; sensor śledzący ściślej niż jego opublikowana specyfikacja ma zmniejszoną kowariancję. Ten samokalibrationujący mechanizm wyłapuje dryf sensora i błędy kalibracji, których telemetria stanu nie raportuje bezpośrednio.

Fuzja czasowa: wyrównywanie sensorów, które nie zgadzają się co do czasu

Platformy wielosensorowej fuzji przetwarzają dane ze źródeł o zasadniczo różnych charakterystykach czasowych. Radar może aktualizować z szybkością 4 Hz, sensor EO/IR z 1 Hz, AIS z jednym raportem na statek co 10 sekund, a SIGINT w nieregularnych odstępach napędzanych aktywnością nadajnika. Naiwne łączenie tych danych — traktowanie każdego raportu jako współczesnego — wprowadza systematyczne błędy proporcjonalne do prędkości platformy i różnicy opóźnień.

Właściwym wzorcem jest propagacja do wspólnego czasu odniesienia. Dla każdej przychodzącej obserwacji silnik fuzji propaguje istniejący stan śladu w przód (lub wstecz) od jego ostatniej aktualizacji do czasu obserwacji, używając modelu kinematycznego śladu. Krok predykcji filtru Kalmana oblicza oczekiwaną pozycję i jej niepewność w docelowym czasie; krok aktualizacji pomiarów następnie koryguje tę predykcję nową obserwacją.

Pomiary poza sekwencją — obserwacje przybywające po tym, jak nowsza obserwacja z innego sensora już zaktualizowała ślad — wymagają retro-wygładzania lub dedykowanego algorytmu OOSM (pomiar poza sekwencją). Praktyczne podejście dla umiarkowanych opóźnień poza kolejnością (mniej niż jeden cykl skanowania) to zastosowanie opóźnionej obserwacji jako wirtualnego pomiaru we właściwym czasie i ponowna propagacja w przód. Dla większych opóźnień obserwacja jest albo odrzucana, albo przechowywana i stosowana podczas następnego przebiegu wygładzania wsadowego.

Zarządzanie przestarzałymi danymi jest równie ważne. Ślad, który nie otrzymał potwierdzającej obserwacji od żadnego sensora w konfigurowalnym oknie, rozpoczyna zanikanie wiarygodności: elipsa niepewności rośnie z każdym krokiem predykcji bez aktualizacji, a wskaźnik wiarygodności śladu spada. System wyświetlania pokazuje zanikające ślady z wizualnym starzeniem — zmniejszona nieprzezroczystość, przerywana ramka symbolu, wskaźnik czasu, który upłynął. Ślady, których wiarygodność spada poniżej progu usuwania, są archiwizowane do magazynu zdarzeń zamiast usuwania; mogą być wskrzeszone, jeśli nowa obserwacja wpada w ich (teraz dużą) bramkę.

Rejestracja przestrzenna: wyrównywanie sensorów, które nie zgadzają się co do przestrzeni

Każdy sensor raportuje pozycje w swoim własnym układzie współrzędnych z własnymi systematycznymi odchyleniami. Radar zamontowany na statku raportuje względem swojej pozycji pochodnej GPS plus własne błędy wskazywania i offsety dźwigni. Sensor EO/IR zamontowany na UAV raportuje względem pozycji i orientacji platformy pochodnej INS, z błędami geolokalizacji kumulującymi się przez wiele transformacji geometrycznych. Transponder AIS używa GPS i jest generalnie dobrze skalibrowany, ale ma kwantyzację z kodowania NMEA.

Rejestracja przestrzenna koryguje te systematyczne offsety przed fuzją. Standardowe podejście to porównywanie, przez okres szkoleniowy, pozycji obiektów obserwowanych jednocześnie przez wiele sensorów i szacowanie odchylenia dla sensora używając minimalizacji metodą najmniejszych kwadratów. Cele referencyjne klasy geodezyjnej — boje w znanych pozycjach, naziemne punkty kontrolne — dostarczają prawdy do kalibracji; spójność między sensorami na dobrze ustalonych śladach zapewnia bieżącą samokalibację w operacjach.

Błędy rejestracji maskują się jako rozszczepienie śladu. Jeśli sensor A ma odchylenie na północ 50 metrów, a sensor B żadnego, obserwacje tego samego statku produkują dwa sąsiednie ślady. Operatorzy rozpoznają to jako znane zjawisko patologiczne i ręcznie łączą ślady, co jest operacyjnie kosztowne i podatne na błędy. Automatyczna rejestracja przestrzenna działająca ciągle i aktualizująca szacunki odchyleń zmniejsza fałszywe rozszczepienia bez interwencji operatora.

Normalizacja układu współrzędnych jest powiązanym problemem. Kanoniczny schemat śladu przechowuje pozycje w stopniach dziesiętnych WGS84; każdy adapter konwertuje ze swojego natywnego formatu przy przyjęciu. Referencje MGRS, UTM i krajowe siatki muszą być konwertowane spójnie — zaokrąglanie musi być stosowane w jednym punkcie (wyjście adaptera), a nie rozrzucone po łańcuchach transformacji, gdzie skumulowany błąd może osiągnąć dziesiątki metrów.

Fuzja tożsamości: łączenie SIGINT, AIS, przekroju radarowego i kształtu EO

Fuzja kinematyczna — uzyskanie dobrego szacunku pozycji — jest koniecznym fundamentem. Fuzja tożsamości — określenie, czym jest kontakt — to właśnie to, co daje COP wartość operacyjną.

Każdy typ sensora wnosi inny wycinek dowodów tożsamości:

Efektywna powierzchnia rozpraszania radaru (RCS) ogranicza fizyczny rozmiar i skład materiałowy celu. Duży kontakt RCS w sektorze przestrzeni powietrznej jest spójny z szerokokadłubowym transportowcem lub dużym okrętem wojennym, a nie lekkim samolotem lub małą łodzią. RCS jest grubym dyskryminatorem — efekty atmosferyczne i zmienność kąta aspektu wprowadzają znaczny szum — ale tanio eliminuje duże frakcje przestrzeni hipotez.

Klasyfikacja kształtu EO/IR zawęża tożsamość dalej. Klasyfikator splotowy działający na wykryciu EO/IR produkuje rozkłady prawdopodobieństwa na klasy pojazdów: ciężarówka wojskowa, czołg, śmigłowiec, statek powierzchniowy, samochód cywilny. Na dużej wysokości rozdzielczość ogranicza jakość klasyfikacji; z bliska może rozróżniać konkretne modele pojazdów. Silnik fuzji łączy wyjście klasyfikacji kształtu z przestrzenią hipotez ograniczoną RCS używając kombinacji Dempstera-Shafera lub aktualizacji bayesowskiej.

AIS MMSI zapewnia jawną, ustrukturyzowaną tożsamość dla kooperatywnych statków. MMSI rozwiązuje się do rekordu statku w bazie danych ITU: nazwa, typ, bandera, tonaż brutto, znak wywoławczy i zarejestrowany właściciel. Jest to definitywna tożsamość dla celów kooperatywnych; silnik fuzji podnosi złożoną tożsamość do ZNANA z wysoką wiarygodnością, gdy korelacja AIS się powiedzie. Rekord złożonego śladu łączy MMSI i rekord statku jako proweniencję.

Tożsamość nadajnika SIGINT dopasowuje obserwowane parametry nadajnika — częstotliwość, interwał powtórzeń impulsu, modulację — do biblioteki elektronicznego porządku bitewnego (EOB), aby zidentyfikować typ nadajnika i, gdzie EOB obsługuje, konkretną platformę. Typ emisji radarowej unikalnie związany z konkretną klasą okrętów wojennych zawęża tożsamość do tej klasy. W połączeniu z AIS (która daje nazwę i MMSI dla tego samego statku, jeśli nadaje), silnik fuzji może produkować tożsamość konkretnego statku z wysoką wiarygodnością.

Wyjście fuzji tożsamości to uszeregowana lista hipotez tożsamości z prawdopodobieństwami, a nie wymuszona pojedyncza klasyfikacja. COP wyświetla hipotezę o najwyższej wiarygodności z oceną prawdopodobieństwa; analityk może rozwinąć listę hipotez dla niejednoznacznych śladów. Ten projekt zapobiega komunikowaniu przez interfejs fałszywej pewności — krytyczne wymaganie w operacyjnych środowiskach o wysokich konsekwencjach.

Wzorce architektoniczne: fuzja scentralizowana vs. sfederowana

Wybór między scentralizowaną a sfederowaną topologią fuzji ma implikacje dla przeżywalności, opóźnienia, przepustowości sieci i koncepcji operacyjnej.

Scentralizowany serwer fuzji. Wszystkie adaptery sensorów przekazują surowe obserwacje do jednego serwera fuzji. Serwer utrzymuje pełną bazę śladów i wykonuje całą korelację i zarządzanie śladami. Architektura ta jest prosta do rozumowania: jest jedna baza śladów, jeden silnik korelacji i jedno źródło prawdy dla COP. Globalnie optymalne skojarzenia są możliwe, ponieważ silnik widzi wszystkie obserwacje jednocześnie. Tryb awarii jest oczywisty: serwer fuzji jest pojedynczym punktem awarii, a partycja sieciowa między sensorami a serwerem degraduje COP do tego, co serwer ostatnio wiedział. Architektury scentralizowane są odpowiednie dla instalacji stacjonarnych z niezawodną infrastrukturą sieciową — krajowe centra wywiadowcze, centra patrolu morskiego.

Sfederowane węzły fuzji. Sensory są grupowane w klastry, każdy obsługiwany przez lokalny węzeł fuzji. Każdy węzeł produkuje ślady z sensorów swojego klastra. Węzeł wyższego poziomu przyjmuje ślady (nie surowe obserwacje) od wszystkich lokalnych węzłów i wykonuje korelację między węzłami — dopasowując ślady reprezentujące tę samą jednostkę, ale pochodzące z różnych klastrów sensorów. Architektury sfederowane lepiej tolerują partycje sieciowe: każdy lokalny węzeł kontynuuje działanie z lokalnymi sensorami; węzeł wyższego poziomu ponownie synchronizuje się po przywróceniu łączności. Są naturalnym rozwiązaniem dla rozlokowanych formacji wojskowych, gdzie radary i systemy EO/IR są rozłożone po polu walki, a sieć jest sporna.

Model JDL naturalnie mapuje się na tę architekturę. Lokalne węzły fuzji implementują poziom 1 JDL (rafinacja obiektów) z danych klastra sensorów. Węzeł wyższego poziomu implementuje poziom 1 między węzłami (fuzja ślad-ślad wyjść węzłów) i poziom 2 (ocena sytuacji — wykrywanie konwojów, rozpoznawanie formacji, parowanie zagrożenie-cel) z połączonego obrazu śladów. Poziom 3 (ocena wpływu) typowo działa na stacji roboczej analityka lub oddzielnym serwerze oceny zapytującym wyjście poziomu 2.

W obu topologiach szyna komunikatów — Kafka, Pulsar lub NATS JetStream — niesie całą komunikację między komponentami. Adaptery sensorów publikują obserwacje na tematy wejściowe; węzły fuzji subskrybują i publikują wyjścia na tematy wyjściowe; COP subskrybuje temat finalnych fuzji śladów. Szyna rozdziela producentów od konsumentów, buforuje skoki i zapewnia możliwość odtwarzania wymaganą do przeglądu po akcji i testowania algorytmów. Szczegółową analizę kompromisów między substratami komunikatów znajdziesz w artykule Kolejki komunikatów dla obronnych potoków danych.

Powiązane lektury

Architektura wielosensorowej fuzji jest jedną warstwą w większym stosie obronnej inteligencji. Poniższe artykuły traktują powiązane komponenty szczegółowo.

Podstawy fuzji: Kompletny przewodnik po obronnej fuzji danych, Wyjaśnienie wojskowej fuzji danych, Model fuzji danych JDL, Algorytmy korelacji śladów.

Integracja specyficzna dla sensora: Integracja AIS i ADS-B w obraz wojskowy, Budowanie obronnego potoku fuzji: źródła i schematy.

Inżynieria danych: Kolejki komunikatów dla obronnych potoków danych, Event Sourcing dla obronnych śladów audytu, PostGIS dla obronnych danych geoprzestrzennych, Indeksowanie geoprzestrzenne dla obrony.

Integracja COP i C2: Wspólny obraz operacyjny: jak jest budowany, Kompletny przewodnik po systemach C2.