亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

這篇調查論文探討了用于軍事指揮與控制（C2）系統的新興網絡方法。文中對以網絡為中心的 C2 系統進行了廣泛的文獻綜述。此外，它還對基于C2概念的范例進行了全面分析，將網絡化C2系統的重要需求與新興方法進行了映射。同樣，文章還探討了如何利用多智能體系統和網絡模擬的支持，真實地模擬網絡化作戰場景。文章分析了結合網絡方法設計創新解決方案的趨勢，以及多智能體系統在現實模擬中的應用前景。最后，文章討論了未來的實施方案，強調了先進的網絡解決方案，以整合不同的技術，推動技術邊界，提高網絡化軍事 C2 系統的效率。

將網絡中心戰的高層次C2要求與網絡服務相匹配

當前的軍事行動場景從戰爭狀態到非戰爭行動（OOTW）不等。后者越來越多地發生在城市，并涉及軍事人員以外的其他行動者（政府和非政府民間機構）。在這兩種情況下，相應的 C2 系統都需要處理高層次的作戰變量，如決策權的分配（在參與作戰的眾多行動者之間）、互動模式的建立（誰與誰溝通）以及信息的傳播（向 C2 中心和網絡邊緣的行動者）。

研究人員對這些變量的相互依存關系進行了研究[84]，測試了戰術網絡并評估了不同組織和方法的性能。作者使用一個名為 ELICIT 的指揮與控制實驗平臺來推斷社會層（人類）在模擬行動中的表現，作為團隊組織和 C2 方法的函數，同時考慮到分層和邊緣拓撲結構。ELICIT 平臺可實現即時共享和完美的數據傳輸。因此，為了在現實場景中評估系統的技術層，使用了名為 EMANE 和 CORE 的網絡模擬平臺。評估結果從帶寬、信息分配和 C2 方法等方面提供了對組織的深入了解。這一基線為網絡設計人員提供了有用的信息，有助于在連續的任務行動中優化網絡參數。

在 IoBT 中，智能物體（用于收集和處理數據）與人類（將接收由此產生的相關信息）之間的復雜互動對傳統（分層）C2 造成了巨大影響，這為松散耦合（邊緣）C2 方法提供了空間[29]。由于沒有一種方法適合所有任務和情況[75]，因此有必要獲得 C2 敏捷性，以確保戰場上的信息優勢。

根據 "網絡中心戰 "的原則，C2 靈活性是指當任務和環境發生變化時，識別、選擇和調整 C2 方法，甚至轉向另一種方法的能力。為實現敏捷性，C2 系統應將應用與網絡服務結合起來，使用能夠修改三個變量的范例，并可擴展到整個軍事云。然而，目前的系統主要是為人與人之間的互動而設計的，并沒有考慮到人與智能物的組合。

可以利用 SDN 原理來應對這些挑戰，如數據低參數的動態自配置和處理可變的交互模式。除 SDN 外，DTN 和 ICN 指南還可用于處理另一個變量： 數據分布。DTN 從間歇連接的角度進一步探索了 IoBT 的解決方案[12]。另一方面，ICN 可通過在軍用 IP 網絡中建立 SDN 管理的 ?ICN islands? 來定位和緩存內容[13]。在這種情況下，除了對網絡層次結構和優先級進行編程外，SDN 還將 ICN 集成到 IP 網絡的其他部分。

使用此類技術的網絡解決方案旨在優化 IoBT 通信參數，如延遲、信道帶寬、間歇和節點故障，以及節點移動導致的拓撲變化。SDN 對網絡進行協調，利用其可編程性，根據當前的運行要求選擇最佳網絡協議，并可根據功能和網絡狀態進行更改。例如，SDN 可以管理不同的網絡片段，根據網絡（和節點）狀態（帶寬、數據大小、信道延遲、信道可用性等）優化數據量。ICN（或 DTN）功能將利用數據平面在每個片段內進行有效的信息分發和人-物互動。

通過控制哪個節點可以發送/接收數據，SDN 可以在 C2 空間的第三個維度（決策權分配）上發揮作用。在執行任務期間，網絡管理員可根據任務或環境的變化修改這種分配，從而為在網絡中實現 C2 敏捷性提供技術手段。表 1 列出了 C2 Agility 變量及其與網絡范例的映射關系，以及采用每種范例提供的功能可改善哪些網絡參數。

表 1. 支持 C2 靈活性的網絡范例比較

支持指揮與控制的新興網絡方法

隨著軍事力量向 "網絡中心戰 "發展，并將決策和行動權力轉移到邊緣，所使用的網絡必須采用最有效、最可靠的網絡架構。因此，指揮與控制結構使用支持其需求的網絡范例是非常直接的。采用新興的網絡方法來幫助指揮與控制機構，旨在改進各種網絡參數，并盡量減少任何不足之處。這種支持既可單獨進行，也可組合使用，因為網絡范例并不相互排斥，可以一起使用。

圖 4 展示了如何在軍事行動中使用網絡范例。從左到右，圖中說明了孤立的 IoBT 設備如何利用 DTN 的原理，向經過的無人機存儲和傳輸數據。然后，由徒步士兵、無人機和裝甲車組成的異構軍事單元可以利用 ICN 加強數據傳播，并通過 SDN 控制器控制網絡路徑和配置參數。

另外，假設由于彼此之間的距離或物理障礙，信息無法中繼到另一個單元。在這種情況下，機載平臺可以存儲、攜帶和傳輸數據（如在 DTN 中）。SDN 控制器可接納新的友好節點進入網絡，而 ICN 則可提供額外保護，防止網絡內交換的信息受到惡意攻擊。最后，在敵后收集信息的偵察單元可以保存數據，直到進入近距離網絡范圍時再安全地傳輸其內容（DTN 的另一種用途）。

圖 4. 目前在 C2 領域使用的網絡范例

深度偽造（DT）技術已經達到了全新的復雜程度。網絡犯罪分子現在有能力修改聲音、圖像和視頻，以誤導個人和企業，傳播虛假信息。這對國際組織和個人構成了日益嚴重的威脅，當務之急是采取措施加以應對。本文概述了深度偽造，討論了其對社會的作用以及 DT 的運作。本文重點探討了深度偽造對世界各國的經濟、政治和法律機構可能造成的危害。此外，本研究還將探討深度偽造問題的各種解決方案，并在最后討論進一步研究的潛在方向。

深度偽造技術（DT）的出現是人工智能（AI）發展的直接結果[1,2]。這些技術給世界各地的機構帶來了巨大風險。深度偽造是一個術語，指的是一種建立在人工智能基礎上的技術，這種技術有能力改變圖像、音頻和視頻內容，以表現實際并未發生的事件。例如，將政客的面孔編輯到其他人的身體上，然后讓他們說一些政客實際上從未說過的話，這種情況越來越常見。這種不斷擴大的現象已被用于政治場合，在各種議題上誤導公眾，而且只會繼續下去。以意大利一檔諷刺電視節目針對意大利現任總理馬泰奧-倫齊（Matteo Renzi）使用 deepfake 視頻為例。在社交媒體上流傳的這段視頻中，可以看到他在貶低其他立法者。隨著這段視頻在網上瘋傳，越來越多的人開始認為它是真實的，這引起了大眾的憤怒[3,4]。網絡犯罪分子還利用 "深度偽造 "冒充公司的首席執行官（CEO），誘騙員工（通常是財務部門的員工）向騙子控制的銀行賬戶轉賬"[5,6]。絕大多數深度偽造篡改都是為了在電影、電子游戲和教學視頻等娛樂媒體中使用[7,8]。另一方面，網絡犯罪分子已經找到了利用這種技術誤導組織和個人并實施欺詐的方法。此外，制作這種深度偽造品除了需要專業的計算機軟件和技術外，還需要知識[9,10]。然而，"FaceSwap "和 "Reface "等免費軟件的存在，使得不懂技術的人也可以出于娛樂或有害的目的參與媒體操縱[10-12]。

深度偽造技術可用于創建令人信服的合成媒體，使人們無法分辨其與真實媒體之間的區別。這是一個相對較新的研究領域，來自學術界和工業界的學者都貢獻了深度偽造數據庫以及合成和檢測算法，所有這些都促進了深度偽造的流行[13,14]。"深度偽造是人工智能（AI）應用的結果，它通過合并、組合、替換和疊加照片和視頻片段，生成看起來合法的虛假視頻"[15]。深度偽造利用了當前深度神經網絡的發展成果，制造出極為逼真的人工媒體[16]。當深度偽造技術應用于電影或靜態照片時，就有可能將一個人的臉替換成另一個人的臉，而幾乎不留下任何操縱的證據[17]。Cho 和 Jeong [18]認為，深度學習的發展使以前建立的假臉檢測系統變得易受攻擊。

"深度偽造數據集以及合成和檢測技術的可用性，使得社區甚至經驗不足的用戶都有可能構建逼真的深度偽造人臉。這反過來又導致深度偽造視頻在野外的受歡迎程度大幅上升"[19]。令人信服的深度偽造視頻可以迅速影響數百萬人，并對我們的社會產生有害影響[20]。社交媒體的傳播范圍和速度使這一切成為可能。

與深度偽造研究相關的學術資料數量的增加也是這種擴張的反映。除了與深度偽造的制作和檢測相關的技術方面，倫理、社會和法律方面的影響也得到了細致的探討。目前已經有一些針對特定領域的綜述，如深度贗品的制作和檢測[21]、法律[22]、取證[23]和社會影響[24]等等。盡管如此，它們都沒有考慮到深度偽造的整個研究領域，而我們認為，這對于打算從事這一研究的學者來說可能非常有價值[25]。盡管深度偽造研究還相對年輕，但它是一個正在迅速擴展的研究領域。在這一領域中，研究課題及其相互關系隨著時間的推移不斷變化，新的趨勢也在不斷涌現[26]。從目前正在進行的眾多子研究領域來看，研究深度偽造的研究人員來自各種不同的學術和專業背景。除了目前的趨勢之外，調查融資機會也很有意義，因為這有助于集中研究力量[27,28]。

近來，物聯網（IoT）技術為農業、工業和醫學等許多學科提供了后勤服務。因此，它已成為最重要的科研領域之一。將物聯網應用于軍事領域有許多挑戰，如容錯和 QoS。本文將物聯網技術應用于軍事領域，創建軍事物聯網（IoMT）系統。本文提出了上述 IoMT 系統的架構。該架構由四個主要層組成： 通信層、信息層、應用層和決策支持層。這些層為 IoMT 物聯網提供了容錯覆蓋通信系統。此外，它還采用了過濾、壓縮、抽象和數據優先級隊列系統等數據縮減方法，以保證傳輸數據的 QoS。此外，它還采用了決策支持技術和物聯網應用統一思想。最后，為了評估 IoMT 系統，使用網絡仿真軟件包 NS3 構建了一個密集的仿真環境。仿真結果證明，所提出的 IoMT 系統在性能指標、丟包率、端到端延遲、吞吐量、能耗比和數據減少率等方面均優于傳統的軍事系統。

提議的IoMT系統架構

IoMT 系統由一組在戰場上應組織良好的軍事設備組成。無人機、作戰基地、艦艇、坦克、士兵和飛機等這些物品應在一個有凝聚力的網絡中進行通信。在 IoMT 網絡中，態勢感知、響應時間和風險評估都會得到提高。此外，IoMT 環境應涉及對普適計算、普適管理、普適傳感和普適通信的全面認識。此外，IoMT 可能會導致傳感器等網絡事物產生超大規模的數據。此外，這類網絡所需的計算量非常大，而這些計算的結果應能實時準確地實現。因此，IoMT 系統架構應考慮上述注意事項。

因此，建議的體系結構由四層組成： 通信層、信息層、應用層和決策支持層（見圖 1）。通信層關注的是事物如何在一個大網絡中相互通信。信息層涉及軍事數據的收集、管理和分析。應用層包括控制不同通信軍事系統的應用程序。最后，決策支持層負責決策支持系統，幫助戰爭管理者做出準確、實時的決策。下文將對每一層進行深入討論。

3.1 通信層

IoMT 系統可視為物聯網的一個特殊例子。因此，IoMT 環境與物聯網環境有些相似，只是在事物類型、通信方式等方面略有不同。根據這一理念，IoMT 環境可定義為一組使用互聯網相互通信的不同網絡。這些網絡應包括軍事任務中的主動和被動事物。IoMT 系統中應構建的主要網絡包括無線傳感器（WSN）、射頻識別（RFID）、移動特設（MANET）、衛星和高空平臺（HAP）網絡。由于 WSN 在許多軍事問題中的重要性，它被納入了 IoMT 系統。WSN 通過快速收集和提供危險數據來協助戰爭行動。然后，將這些數據發送給最合適的人員，以便實時做出正確決策。因此，除了協調自身的軍事活動外，WSN 的主要目標是監測和跟蹤敵方士兵和其他敵方事物的動向。傳感器可以遠距離分布，覆蓋大片區域。這些傳感器通過控制其行為的基站進行通信。由于 RFID 網絡在軍事領域的重要性，它在 IoMT 環境中得到了體現。軍隊中最重要的問題之一就是大部分物品都要貼上標簽。在戰場上使用 RFID 可以為士兵、貨物、小型武器、飛機、射彈、導彈等提供一個具有監控功能的跟蹤系統。例如，定期掃描每個人的醫療情況和效率是戰爭中一個非常重要的問題。城域網在 IoMT 系統中的表現也是一個重要問題，因為它可以用來促進士兵、武器、車輛等的通信。城域網在軍事上有許多特別的應用，如安裝在飛機和地面站之間的網絡或船舶之間的網絡。每種特設網絡的要求都取決于軍事任務的類型。此外，在軍事應用中使用的特設設備都配備了路由場景，可以利用最佳路由路徑自動轉發數據。物聯網依賴互聯網技術來促進通信，這是一個普遍的邏輯。遺憾的是，某些作戰地點可能沒有互聯網技術。因此，尋找替代通信技術非常重要。這就是在覆蓋目標中使用 HAP 網絡的原因。軍用物資分布面積大，因此必須以可靠的方式進行覆蓋，以保證通信效率。HAP 網絡可作為互聯網之外的第二種通信策略選擇。HAP 網絡的高度有限，因此容易成為敵方的攻擊目標，其故障概率可能很高。如果 HAP 網絡出現故障，通信系統將面臨很大問題，可能會影響軍事任務的執行。因此，應構建一個衛星網絡來覆蓋故障的 HAP 網絡，并覆蓋 HAP 網絡或互聯網可能無法覆蓋的軍事事物（見圖 2）。不同網絡之間的通信難題只需使用報頭恢復技術即可解決。在這種技術中，每個網絡之間都應添加一個翻譯器，用目的節點的報頭封裝每個數據包。新的報頭使數據包可以被理解；這可以通過系統路由器來實現（見圖 3）。

圖2: 通信網絡(該圖部分摘自[23])

圖3: 報頭轉換過程

3.2 信息層

這一層非常重要，因為它代表著 IoMT 系統架構的核心。射頻識別（RFID）、傳感器等軍用設備收集的信息應以安全、珍貴、實時的方式進行傳輸、存儲和分析。這一層的首要功能是在信息處理后對收集到的信息進行組織和存儲。IoMT 系統數據的處理被認為是一個具有挑戰性的問題，因為在短時間內可以收集到 TB 級的數據。因此，應在不影響質量的前提下盡量減少這些數據。此外，IoMT 的特殊要求（如實時決策）也不容忽視。在 IoMT 系統架構中，數據處理包括四個步驟： 優先化、過濾、壓縮和抽象。下面將對優先級排序過程進行說明。數據過濾、數據壓縮和數據抽象技術在第 4.1 小節中說明。

確定優先級的步驟包括處理不同優先級的數據。對于戰爭管理者（即軍隊將領）來說，收集到的每項數據都有一定的重要程度。因此，應將數據分為若干優先級，以便在 IoMT 系統饑餓的情況下優先處理和發送高優先級的數據。隊列系統就是用來實現這一優先級劃分步驟的。由于 IoMT 系統數據分類數量龐大，因此采用了六隊列系統。因此，IoMT 系統數據將被分為六個不同的類別。第一類代表最重要的 IoMT 系統數據；第二類代表不太重要的數據，依此類推。分類過程將動態完成，因此每個類別中的數據可能會根據戰爭任務的性質發生變化。為切實實現這一步，下一代路由器應具備對 IoMT 系統數據進行分類的能力。圖 4 說明了優先級排序過程。

圖4: 數據分類過程的簡單視圖

3.3 應用層

IoMT 系統架構中的應用層包括管理、監視等戰爭任務中使用的異構應用。該層應使用一個通用應用程序管理這些應用程序的功能，同時不影響其效率。這些應用程序的統一過程應基于通信數據（信息交換）來實現。在數據通信中，一個應用系統的輸出數據可能是另一個應用系統的輸入數據。因此，確定戰爭應用程序的輸入數據和輸出數據被認為是這一層最重要的目標之一。例如，飛機或發射器的火箭發射應用的輸入需要衛星監控應用的輸出數據，而衛星監控應用可能需要 WSN 應用的數據。信息層和應用層之間的通信非常重要，因為作為輸入和輸出的數據應首先在信息層處理。因此，在設計用于管理軍事應用程序的通用應用程序時，應首先確定每個應用程序的輸入和輸出數據。然后，應確定數據處理的時間（硬、實或軟）。例如，在戰斗停止期間，某個目標的坐標突然發生變化，三個應用程序應實時交互，以完成任務并擊中新位置上的目標。這些相互作用的應用程序構成了 WSN、戰爭管理以及執行任務的飛機機艙。還應確定應用特殊應用程序的優先順序。例如，在敵方多次攻擊特定目標的情況下，防御應用程序將優先啟動。

根據上述討論，一般管理應用程序應有一個專門的數據庫。該數據庫存儲有關單個軍事應用程序的動態變化數據。這些數據與以下主題有關： 輸入和輸出、單個應用程序之間的數據流方向、硬時間軍事情況、實時軍事情況、軟時間軍事情況以及每個應用程序的優先級。這些優先級應根據戰爭形勢來確定。根據綜合管理 IoMT 應用程序的性質，IoMT 系統數據庫的設計可以是分布式的，也可以是集中式的。在分布式數據庫中，應注意數據庫服務器之間交互的復雜性，特別是在需要硬時間或實時交互的事件中（見圖 6）。 、

3.4 決策支持層

戰爭中最重要的問題之一是決策過程。在技術戰爭中，決策應具備準確性、實時性、清晰性、安全性和快速分發等諸多規格。所有這些指標都應與信息層收集的數據相關。雖然信息與軍事決策之間關系密切，但所提出的 IoMT 系統架構在信息層和決策支持層之間還有一個中間層，即應用層。短時間內收集到的大量 TB 信息需要進行分析、過濾、優先排序和壓縮。這些過程已經在信息層中完成。但是，信息層沒有能力確定信息在應用層之間的移動方向（即信息的正常順序）。這種信息順序意味著，每個數據段都應指向一個合適的應用程序，以便實現互補和平衡。這些信息將用于決策過程。例如，假設戰爭管理者有一個目標，要求以特定的安排和特定的順序處理信息，直到軍事偵察之旅取得一定的結果。該目標的完成將通過步兵和防空來實現。因此，應用層和決策支持層之間的聯系將對高精度規格的決策產生良好的影響，這將在關鍵的戰爭事件中發揮作用。

簡單地說，本文概述的決策支持流程包括五個步驟： 事件權重、解決方案識別、選擇一種解決方案、行動和輸出評估（見圖 7）。戰爭管理者可根據自身經驗水平提取事件權重。一旦對事件有了充分了解，就該確定解決方案了。在準備決策時，有許多不同的備選方案。因此，確定可用行動的范圍非常重要。接下來，應選擇備選方案，并確定每個備選方案的風險。然后，就該采取行動了。應確定實施計劃，并提供實施所選解決方案所需的資源。應預先確定執行時間，然后開始執行。最后，應對選定解決方案的執行結果進行評估。請注意，有許多決策支持系統在經過實際測試（如 [24,25]）后，可在 IoMT 中實施。

決策支持層可能面臨三大挑戰。第一個挑戰是數據過多或不足。這意味著決策支持層的輸出會延遲或不準確，這可能會造成災難，因為在大多數戰爭時期都需要實時決策。第二個挑戰是問題識別錯誤。在大多數戰爭任務中，圍繞一項決策會有許多問題。然而，有時卻無法確認這些問題的真實性。第三個挑戰是對結果過于自信。即使決策過程得到了準確執行，實際產出也可能與預期產出不完全一致。應用層將通過確定決策構建所需的準確信息、對問題的準確定義以及輸出調整來應對這些挑戰。因此，決策支持層將使用應用層的輸出。因此，在擬議的 IoMT 架構中，這些層之間的分離是一個需要考慮的重要問題。

仿真

首先，應構建一個軍事模擬環境，以測試所提議的 IoMT 架構的性能。網絡模擬器 3（NS3）是最廣泛使用的網絡模擬軟件包之一，將用于實現這一目標。軍事模擬環境由五種不同類型的網絡組成，其中包括分布在大片區域的大量節點。這五種網絡分別是 WSN、RFID、MANET、HAP 和衛星網絡。這些網絡是根據戰場需求確定的。文獻[26]中的仿真用于評估所提出的 IoMT 架構。在 WSN 仿真中，成千上萬的傳感器分布并部署在戰爭環境中。一個或多個基站將這些傳感器相互連接起來，并從中收集信息。在突發事件中，傳感器能夠向基站發送陷阱信息。然后，如果情況緊急，需要迅速做出決定，基站將直接把信息發送給執行者，如戰士、管理人員等。不過，在正常情況下，基站會將收集到的信息（詳細信息或摘要）重新發送給負責決策的管理人員。基站應該是智能的，并通過編程來實現這一目標。為了在 IoMT 中準確呈現 WSN，傳感器應具有不同的傳輸范圍。對于 RFID，美國軍方在第二次海灣戰爭中使用了最佳方案[27]。每個士兵身上都應貼有一個 RFID 標簽，以便在戰場上進行追蹤。此外，商業貨運和航空托盤等戰爭工具也應貼上 RFID 標簽，以便了解坦克和計劃等關鍵工具的最新狀態。此外，為了挽救士兵的生命，建議的模擬系統考慮了專門用于戰爭的移動醫院，并應配備 RFID 技術。此外，還利用 RFID 技術觀察軍隊的小型庫存物品，以實現更嚴格的庫存控制。對于城域網仿真，它包含戰場對象（如車輛、士兵和信息提供者）之間的臨時通信。在某些軍事情況下，很難通過數據采集中心傳遞或發送信息。因此，城域網仿真的一個考慮因素就是在數據傳輸中使用這種網絡。文獻[28]中所述的架構用于 HAP 和衛星網絡的通信。互聯網仿真使用了 [29] 中介紹的路由算法和 [30] 中介紹的物聯網混合組播架構。多媒體傳輸使用[31]，但傳統軍事系統的模擬則使用[32,33]中所述的準則。

在信息層模擬中，將隨機、動態地創建 IoMT 數據。然后，這些數據將被分類并進入隊列，每個隊列將作為一個數據類別。動態數據的創建取決于存儲在特殊數據庫中的戰爭任務。本模擬場景中使用了 [34] 中所述的壓縮技術和數據過濾技術來減少數據，這是信息層的主要目標之一。應用層模擬也取決于戰爭任務，其中包括許多模擬網絡場景。每個網絡應用程序的輸入和輸出數據都在模擬文件中預先確定。網絡應用程序與綜合管理應用程序之間的通信是通過信息傳輸實現的。文獻[35]中的仿真用于決策支持層。戰爭任務的部分建模和仿真來自文獻[36]，仿真中使用的武器的一般規格來自文獻[37]。圖 8 顯示了擬議的 IoMT 系統模擬環境的全貌。

美國執法部門在很大程度上依靠開源情報（OSINT）來有效保護他們所服務的公民和社區。由于技術的進步，這種形式的情報已經迅速發展，使得執法部門難以有效地收集、分析和傳播這種信息。本論文回顧了當前執法部門對開源情報的使用情況，并對俄烏戰爭之前和期間開源情報的使用情況進行了案例研究。研究發現，社交媒體開源情報是最被依賴的形式，而缺乏收集標準、公眾情緒低落和執法文化則是充分使用其潛力的障礙。空前的眾包和入侵期間公眾對烏克蘭的高度積極情緒被強調為成功抵御入侵的俄羅斯軍隊的關鍵因素。成立國家開放源碼情報標準委員會，改善公眾情緒以鼓勵公眾眾包，并建立國家開放源碼情報數據庫，將提高執法部門開放源碼情報的有效性。

執法機構有責任利用一切可以利用的工具來保護和服務他們的社區和公民。主動預防暴力犯罪的情報是一種重要的資源，必須有效優化以完成這一任務。開放源碼情報（OSINT）被各地的執法機構嚴重依賴，以提供準確、實時的信息，幫助官員預防暴力犯罪。盡管幾個世紀以來，執法部門一直在使用這種情報，但互聯網和社交媒體平臺的快速發展和擴張，增加了信息量和對開源情報的依賴性。

這篇論文研究了開放源碼情報（OSINT）的背景和目前執法部門對OSINT的使用，并對俄烏行動之前和期間OSINT的使用進行了案例研究。在2022年2月的烏克蘭入侵期間，開放源碼情報的使用在針對俄羅斯軍隊的準備工作中產生了前所未有的有益結果。雖然這次入侵是一場國際軍事沖突，但它被選為案例研究，因為它展示了對不斷發展的現代社交媒體開源情報的有效利用。圍繞沖突的大量數據被詳細分析，積極主動的防御性演習可能歸功于這些情報。

美國政府在戰爭中使用開源情報的歷史可以追溯到第一次世界大戰。傳統來源包括報紙、雜志和印刷媒體，在美國的各種沖突中被用來對付敵人的軍事戰術。互聯網的誕生改變了開源情報，它創造了在世界各地即時和無限制地分享信息的平臺。2009年伊朗總統選舉抗議期間，社交媒體的影響在全球范圍內得到了強調。由于推特的存在，伊朗公民仍然能夠與世界溝通，盡管他們的政府試圖關閉國外的通信。

2021年12月，數以千計的俄羅斯軍隊開始在與烏克蘭接壤的俄羅斯土地和俄羅斯占領的克里米亞移動和駐扎。到2022年1月和2月，全球新聞機構都在報道這場即將發生的沖突，并強調普京總統的行動和講話。烏克蘭-俄羅斯的沖突已經聚集了全世界的注意力，并在社交媒體平臺上成為 "趨勢"，這導致數百萬公民觀看和 "分享 "相關帖子。俄羅斯和烏克蘭公民在社交媒體上發布圖片、視頻和其他信息，并由世界各地的其他人進行分析。衛星圖像和谷歌地圖被用來確定俄羅斯軍事資產的集結地點，反駁俄羅斯的錯誤信息，并對抗俄羅斯的軍事戰術。

美國執法部門有幾個已確定的障礙，阻礙了OSINT的充分利用，包括需要分析的大量數據、公眾對執法技術的低落情緒、囤積信息的文化，以及缺乏國家收集標準。該案例研究表明，由于烏克蘭的公眾情緒很高，世界上很多地方都愿意協助傳播和分析社會媒體的帖子。對烏克蘭的支持很高，眾包如此猖獗，以至于形成了許多OSINT數據庫，幫助在中心位置收集情報。公眾情緒、眾包和這些新穎的OSINT數據庫對于烏克蘭準備應對俄羅斯的入侵至關重要。

本論文通過研究當前執法部門OSINT的使用和烏克蘭的案例研究提出了幾個建議。第一個建議是通過提高公眾對執法技術的信任和情感來吸引公眾眾包。突出和展示OSINT的成功使用，展示預防大規模槍擊事件等暴力行為的積極措施，將有助于這一努力。第二個建議是建立一個類似于其他國家執法數據庫的國家OSINT數據庫。這將集中重要的情報，協助全國的執法安全措施。

第三項建議是建立一個開源的情報國家收集標準委員會。該委員會將形成收集標準并傳播 "最佳做法"，以指導情報分析員采用最高效和有效的收集方法。研究表明，如果正確實施，這些建議將提高執法部門改善公共安全和預防暴力犯罪的能力。總之，這項研究意味著要提高執法部門使用開源情報的能力，以保護他們所服務社區的公民。通過向執法人員增加可靠的、實時的開源情報，他們可以更有效地保護人的生命，防止對平民的傷害。

隨著信息技術的發展以及軍隊信息化水平的不斷提高，復雜多變的戰場形勢對軍隊的海量數據處理能力提出了巨大挑戰。本文介紹了知識圖譜在軍事領域構建的相關技術框架，總結了知識圖譜在軍事領域應用的不同方面，并針對知識圖譜在軍事領域的應用現狀，揭示了其改進方向。

軍事領域知識本體構建

知識圖譜的構建有兩種方式，即自上而下和自下而上的方法。自上而下的方法通常從定義知識圖譜的數據模式開始，從最頂層的概念開始構建，逐步向下細化，形成結構良好的分類層次，然后將實體加入到概念中。自下而上的方法將實體歸納組織起來，形成底層的概念，然后逐漸向上抽象，形成頂層的概念。

軍事領域是一個典型的特定領域，具有明確的概念層次，然而，部分專業知識存在于領域專家的頭腦中，可能無法從數據中歸納和抽象出來。由于軍事數據的保密性和軍事裝備的特殊性，許多文件和信息對知識圖譜的建立表現出絕對的阻礙，導致數據結構化程度較低，數據收集困難。因此，該領域的知識圖譜在構建之初，更適合采用自上而下的方式。在知識圖譜的基本結構（或概念層次）建立后，其類別節點或關系的數量達到一定規模后，又可以采用自下而上的方法來擴展圖譜的實例和屬性數據。通過以上分析，由于軍事裝備知識圖譜的特殊性，應首先構建本體。

本體構建方法

本體建設的方法主要有三種，人工建設、重用現有本體（半自動建設）和自動建設[15]。手工構建方法主要是通過領域專家來確定知識內容和關系，這樣本體的質量和準確性都比較高。軍事領域對知識的完整性和準確性要求較高，因此人工構建方法適用于軍事知識本體的構建。采用一般本體人工構建的思路，軍事本體可以采用自上而下的人工構建，首先構建軍事知識的頂層本體，在此基礎上開始構建各子領域的知識框架，逐步完成整個軍事知識本體的構建[16]。

目前國內外有五種比較有影響的本體手冊構建方法[17][18]：骨架法、TOVE法、IDEF5法、Methontology法和七步法。與其他方法相比，七步法相對成熟。它包括七個步驟，即確定專業領域和范圍，檢查重復使用現有本體的可能性，列出領域中的重要術語，定義類和類的層次結構，定義類的屬性，定義屬性面，以及創建實例[19]。然而，七步法也有一些局限性；這種方法沒有一個完整的生命周期[20]，也缺乏一個模型修訂過程，以應對開發后期的需求調整或功能增加。

軍事領域本體結構

在軍事裝備領域，文獻[13]將軍事裝備分為八大類，如火炮、艦船、飛行器等，并對裝備實體的殺傷力、最大速度等屬性進行了定義。這種裝備知識體系偏重于軍事裝備的科學描述，忽視了面向軍事作戰需求的知識表達。Liu等人[21]設計了一種基于需求的螺旋式反饋方法來構建軍事裝備知識模型，定義了1個頂層核心概念軍事裝備，4個相關概念如作戰活動，7個通用概念如國家，其中裝備分為8大類148小類。該模型包括202個實體屬性，6個實體關系，涵蓋了5800個武器類實體，18個作戰活動，86個國家。從以上分類可以看出，軍事領域不同任務的本體建設重點各不相同，但基本上可以分為以下幾個方面。

表1 軍事領域知識圖譜實體和關系的一般分類。

軍事領域知識圖譜的構建

在知識本體的基礎上，可以構建知識圖譜。軍事領域知識圖譜的構建和應用是一個系統工程，其構建過程分為六個階段，可以稱為領域知識圖譜的全生命周期，其設計的關鍵技術過程主要包含知識表示、知識存儲、知識提取、知識融合、知識演化、知識應用[22]。

軍事領域知識圖譜的知識服務

信息服務

基于知識圖譜，可以提供數據可視化和智能問答等基本信息服務。Zhao等[39]利用Javanese、Tomcat圖形顯示和Bootstrap技術，以區域分區和關注話題為聚合點，分層設計了話題→事件→實體的知識圖譜檢索和顯示服務，提高了分領域相關熱點檢索、分析和整理的效率。在構建軍事裝備知識圖譜的基礎上, Dou等人[44] 實現了基于模板匹配的知識問答[46] 。

情報偵察與挖掘

基于知識圖譜支持快速檢索、高效存儲、長鏈推理的特點，知識圖譜可以在情報偵察挖掘中完成情報收集、整理等工作[47]。

Palantir公司是第一家在國防領域使用知識圖譜技術，為反恐和作戰行動提供情報分析服務的公司，在政府和軍隊的決策和指揮中都發揮了重要作用。美國國防部高級研究計劃局（DARPA）[48]于2012年3月啟動了XDATA計劃，開發用于分析大量半結構化和非結構化數據的計算技術和軟件工具，同年啟動的文本深度探索和過濾（DEFT）計劃。更明確地提出利用深度學習技術發掘大量結構化文本的隱性、實用特征，以及進一步整合處理后的信息的能力，并在此基礎上將這些技術用于作戰評估、計劃和預測，以支持決策。DARPA在2017年發布的 "AIDA "項目研究了將自動獲取的知識從多個媒體來源映射到共同的語義表征、已知的本體擴展技術以及其他技術，以改造零散的信息，實現深度知識挖掘。

戰場態勢感知

基于知識圖譜強大的信息整合和知識挖掘能力，在戰場態勢感知中，知識圖譜可以通過提高知識融合算法的性能和提升知識處理工具的運行效率，促進軍事決策者更好地理解戰場態勢感知。

Yi等人[49]提出了一個智能識別推理框架，首先利用知識圖譜和圖譜數據庫技術構建知識圖譜數據庫，然后構建具有領域知識推理能力的多個智能體，并利用分類器推理技術進行綜合識別推理，可以實現智能目標識別的功能。

作戰指控

基于知識圖譜強大的知識表達能力、知識提取的準確性和快速性，在作戰指揮與控制方面，知識圖譜可以幫助實現高效指揮和快速決策。

2012年，美國陸軍的數據到決策（D2D）項目利用知識圖譜等關鍵技術，從數據中高效提煉知識，獲得作戰人員和決策者指導作戰所需的信息，并通過強化數據融合，將其與相關的背景信息和態勢信息整合在一起，提供清晰的威脅、選擇和后果[47]。模擬推演是指在執行行動之前或期間，根據行動方案中規定的行動意圖、順序和過程，對行動方案中不同階段的部署、行動目標或結果進行演練和分析的過程。知識圖譜還為模擬演練提供了知識和數據支持，并為海量異構數據提供結構化存儲，從而提高模擬演練系統的效率[35]。

網絡空間安全

基于知識圖譜的數據檢索、數據管理、知識推理等功能，在網絡空間安全的背景下，知識圖譜在增強網絡態勢感知、提高網絡攻防能力、維護國家網絡空間安全方面具有重要意義[49]。

美國國家安全局（NSA）的 "棱鏡計劃 "每天從電信公司提取數百萬用戶的通話記錄，并從微軟、谷歌、雅虎、Facebook、蘋果等九大網絡巨頭的中央服務器獲取信息，通過信息融合和知識獲取技術進行關聯分析和推理，生成高質量的情報產品。通過信息融合和知識獲取技術進行關聯分析和推理，產生高質量的情報產品，對其他國家的網絡空間安全構成巨大威脅[50]。美國陸軍的 "網絡攻擊自動化非常規傳感環境 "項目旨在開發網絡攻擊行為的預測方法和檢測即將發生的網絡現象的有效方法，以幫助網絡防御者應對網絡攻擊，開發和驗證能夠預測網絡攻擊的非常規、多學科傳感技術，并執行現有的先進入侵檢測能力[51]。

本文總結了關于自主軍事系統的測試、評估、驗證和確認（TEV&V）的挑戰和建議的部分文獻。本文獻綜述僅用于提供信息，并不提出任何建議。

對文獻的綜合分析確定了以下幾類TEV&V挑戰：

1.自主系統的復雜性產生的問題。

2.當前采購系統的結構所帶來的挑戰。

3.缺少測試的方法、工具和基礎設施。

4.新的安全和保障問題。

5.在政策、標準和衡量標準方面缺乏共識。

6.圍繞如何將人類融入這些系統的操作和測試的問題。

關于如何測試自主軍事系統的建議可以分為五大類：

1.使用某些程序來編寫需求，或設計和開發系統。

2.進行有針對性的投資，以開發方法或工具，改善我們的測試基礎設施，或提高我們勞動力的人工智能技能組合。

3.使用特定的擬議測試框架。

4.采用新的方法來實現系統安全或網絡安全。

5.采用具體的建議政策、標準或衡量標準。

在過去的十年中，計算和機器學習的進步導致了工業、民用和學術應用中人工智能（AI）能力的激增（例如，Gil & Selman，2019；Narla, Kuprel, Sarin, Novoa, & Ko, 2018；Silver等人，2016；Templeton，2019）。由人工智能促成的系統往往在某種意義上表現得很自主：它們可能會接管傳統上由人類做出的決定，或者在較少的監督下執行任務。然而，與武裝沖突期間的錯誤決定相比，一個真空機器人、一個高頻股票交易系統，甚至一輛自主汽車做出錯誤的選擇是可以通過糾正措施相對恢復的。軍事系統將面臨與民用系統相同的大部分挑戰，但更多地是在結構化程度較低的環境中運作，所需的反應時間較短，而且是在對手積極尋求利用錯誤的情況下。人工智能和自主軍事系統將需要強有力的測試，以保證不理想的結果，如自相殘殺、附帶損害和糟糕的任務表現是不太可能的，并且在可接受的風險參數范圍內。

為了自信地投入使用自主軍事系統（AMS），必須相信它們會對設計時可預見的問題和它們必須適應的不可預見的情況做出適當的決定。簡而言之，這些系統必須是熟練的、靈活的和值得信賴的。 當AMS要在狹義的情況下運行時（例如，要求一個 "智能"地雷在一天中的特定時間內施加特定的壓力時爆炸），要保證系統的行為符合要求就容易多了。它能遇到的相關不同情況的數量和它的行為反應（即其決策的狀態空間）都是有限的。擴大這個狀態空間會使保證更加困難。例如，一個自主的基地防御系統旨在根據目前的ROE用適當的武力來應對任何可能的威脅，預計會遇到更多的情況，包括設計的和不可預見的。要在這種情況下適當地運作，需要更多的靈活性，這反過來又要求系統更加熟練，允許它運作的人類更加信任。這些需求的相互作用是這些系統的許多T&E困難的一個核心驅動因素。

人工智能技術為美國防部（DoD）內的采購項目的測試和評估過程帶來了一系列的挑戰。首先，這些系統純粹的技術復雜性和新穎性可能難以駕馭。此外，美國防部的采購流程是在假設的基礎上進行優化的，而自主權可能不再成立（Tate & Sparrow, 2018）。例如，將承包商、開發和操作測試分開，假設我們有離散的、相對線性的開發階段，導致系統的 "生產代表 "版本。對于AMS來說，這可能不是真的，特別是如果它們在整個生命周期中繼續學習。此外，在我們擁有一個系統之前就寫需求，是假設我們事先了解它將如何被使用。因為AMS的熟練度、靈活性和可信度會隨著時間的推移而發展，并會影響人類如何使用或與系統互動，所以與標準系統相比，作戰概念（CONOPS）和戰術、技術和程序（TTPs）將需要與系統共同開發，其程度更高（Haugh, Sparrow, & Tate, 2018; Hill & Thompson, 2016; Porter, McAnally, Bieber, & Wojton, 2020; Zacharias, 2019b）。

然而，即使美國防部的采購流程被更新，美國防部員工用于測試和評估（T&E）的具體方法、工具和基礎設施將無法保證系統的性能達到預期。開發和設計工作包含了測試，通過內部儀器建立可測試性；提高軟件的透明度、可追溯性或可解釋性；對培訓和其他數據進行良好的管理和驗證，可以改善開發過程，同時也為測試和評估鋪平道路，但它們沒有被普遍采用。此外，能夠幫助項目克服所有這些挑戰的政策和標準要么缺乏，要么不存在。

什么是自主性？

自主性的定義繁雜眾多，有些定義對美國防部來說不如其他定義有用。許多定義包含了獨立、不受外部控制或監督、或與其他實體分離的概念（例如，牛津英語詞典，2020年）。然而，假設任何參與者將在沒有控制或監督的情況下運作，甚至是人類作戰人員，這與美國防部的政策和指揮與控制（C2）的思想相悖。不希望自主系統擁有選擇行動路線的完全自由，而是在其分配的任務中擁有一些受約束的自由。

與作戰人員一樣，可能希望與自主系統有一個C2或智能體關系。希望：1. 明確具體任務和/或整體任務的目標或目的，可能還有這些目標的更大原因，如指揮官的意圖（即做什么和為什么）。2.明確與任務相關的約束，如交戰規則（ROE，即不能做什么）。3. 不指定使用的方法或對每一種情況給出明確的應急措施，如對對手的反應做出反應（即如何完成任務）。

一個系統是否被授權為一項任務做出這些 "如何 "的決定，是本文將區分自主系統和非自主系統的方法。

在 "是什么"、"不是什么 "和 "為什么 "的限制下，為 "如何 "做出有用的、理想的選擇，假定了某種程度的智能。因為這些是機器，這就意味著存在某種程度的人工智能。需要人工智能來實現對非瑣碎任務的有用的自主性，這可能解釋了為什么人工智能和自主性經常被混為一談。在本文件中，我們將自主性稱為系統在其操作環境中的行為，而人工智能則是與該環境進行有意義的互動的 "內在 "促成因素。

本研究報告分析了當前利益相關者對軍事自主系統的人為輸入或控制的想法。作者首先定義了關鍵術語，如 "機器學習"、"自主系統"、"人在回路中"以及軍事背景下的 "有意義的人為控制"，然后討論了當代利益相關者的文獻對無人駕駛軍事系統的人的輸入/控制的說明。然后，報告討論了各利益攸關方是否對進攻性和防御性系統中所需要或期望的人類控制水平達成了共識，以及是否因系統具有致命性和非致命性能力或西方和非西方國家之間的意見不同而有所不同。報告最后從政策和操作的角度闡述了利益相關者的想法對加拿大國防部/空軍的可能影響。

主要研究結果

• 在與自主系統有關的關鍵術語的定義方面存在著相當多的爭論。

• 在國家對自主武器應采取何種監管手段的問題上，各利益攸關方一直存在分歧。

• 參加這些討論的締約國已就自主武器的一系列指導原則達成共識，包括 "必須保留人類對使用武器系統決定的責任"。

• 在近30個表示支持禁止致命性自主武器系統（LAWS）的國家中，沒有一個是主要的軍事大國或機器人開發商，主要的軍事大國似乎都在對沖自己的賭注。

• 許多民主國家認為，他們打算保留人類對使用武力的控制/判斷，不需要禁止，因為現有的國際人道主義法律（IHL）足以解決圍繞自主武器的問題。

• 加拿大擁有重要的人工智能（AI）能力，該能力被用于民用而非軍事用途。

• 如果在國防領域不接受至少某種程度的（人工智能支持的）自主性，可能會降低與盟國的互操作性，給加拿大武裝部隊（CAF）的行動帶來風險，并且隨著時間的推移，使CAF對國際和平與安全的貢獻失去意義。

人工智能（AI）系統很可能會改變軍事行動。本文探討了人工智能系統如何影響準備和進行軍事行動的主要工具，并受其影響。因此，本文在戰略、理論、計劃、交戰規則和命令的背景下分析和討論了人工智能，以確定機會、挑戰和開放性問題的位置，并提出總體意見。本文采取了一個廣泛的分析角度，能夠根據新的政策和技術發展以及對政治、軍事、法律和道德觀點的考慮，對這一問題進行總體審查。因此，本文提供了一些見解和途徑，以推動對人工智能在軍事行動中的適當整合、管理和使用的進一步思考、研究和決策。

題目： Machine learning and the physical sciences

摘要：

機器學習(ML)包含廣泛的算法和建模工具，用于大量的數據處理任務，這些任務近年來已經進入大多數科學學科。本文有選擇地回顧了機器學習與物理科學接口的最新研究進展。這包括由物理洞察力驅動的ML的概念發展，機器學習技術在物理中的幾個領域的應用以及這兩個領域之間的交叉。在介紹了機器學習方法和原理的基本概念之后，舉例說明了如何用統計物理來理解ML中的方法，然后介紹了ML方法在粒子物理和宇宙學、量子多體物理、量子計算、化學和材料物理中的應用。此外，還強調了針對加速ML的新型計算體系結構的研究和開發。每個部分都描述了最近的成功以及特定領域的方法和挑戰。

作者簡介：

Giuseppe Carleo于2018年加入了位于美國計算量子物理中心的Flatiron研究所。2007年，他在羅馬大學獲得物理學學士學位;2011年，他在意大利國際高等研究學院獲得凝聚態理論博士學位。他在法國光學研究所和瑞士蘇黎世聯邦理工學院獲得博士后。他也是蘇黎世聯邦理工學院計算量子物理學的講師。Carleo的主要研究方向是發展先進的數值算法來研究強相互作用量子系統的挑戰性問題。他的研究應用范圍包括凝聚態物質、超冷原子和量子計算。他對量子蒙特卡羅方法的發展做出了貢獻，包括平衡和動態特性，包括時變蒙特卡羅和神經網絡量子態。在CCQ，他正在開發和推廣基于人工智能的新技術來解決量子問題。他是開源項目NetKet的創始人和開發負責人。