隨著必須考慮的大規模作戰行動環境的廣泛性，美國陸軍網絡作戰的重要性也在不斷增加。傳統上，網絡作戰支持被視為一種戰略資產。美國陸軍網絡司令部（ARCYBER）認識到戰術指揮官需要利用網絡效應，并發布了最新政策，允許戰術指揮官提交網絡支持請求。由于網絡目標的影響深遠，而網絡支持資源的能力有限，因此有效處理這些請求非常重要。效率是衡量有效性的主要標準，體現為處理請求的及時性。計算建模提供了一種在幾分鐘內生成和處理超過一百萬個請求的途徑，同時還能比較流程的不同變體，而不是等待在現場吸取經驗教訓。本文創建了一個仿真模型來表示這一請求流程，同時在支持團隊的熟練程度和學習行為中加入隨機變化，然后通過設計的實驗進行結構化測試，以深入了解流程的性能。請求服務時間、到達率、起始熟練程度和學習曲線對整體效率起著重要作用。建議在收集到更多數據后進行進一步實驗。此方法為類似研究中的人類行為效果建模奠定了基礎。

在訓練中，從演習文件中獲取背景信息可增強真實感。在真實世界行動中創建的文件必須為訓練演習而制作，這是一個耗時耗力的過程，產生的文件無法用于海軍陸戰隊的模擬演習。海軍陸戰隊正在制作 "實時、虛擬、建設性訓練環境"（LVC-TE），使分離的部隊能夠與模擬演習相結合。LVC-TE 包括演習設計工具，但不包括演習文件制作工具。本論文的重點是為直接空中支援中心（DASC）使用 FLAMES 自動仿真訓練器（FAST）進行的指揮與控制（C2）演習制作空中任務指令（ATO）。DASC 部隊無法獲得真實世界的 ATO 進行演習，這意味著 ATO 必須從檔案中提取或手工創建。存檔的 ATO 包括過時的飛機和彈藥，而手工輸入的 ATO 極易出錯。FAST 提供了上傳 ATO 的選項，如果文件正確，系統就會填充航空場景。本論文表明，可以設計和實施一種工具，以方便為任何空中 C2 演習創建 ATO 文件，FAST 可以正確攝取這些文件，從而加快場景生成。通過這一概念驗證，對擴展這一能力進行了初步調查，以簡化所有作戰功能的演習文件創建，并與 LVC-TE 的演習設計工具套件集成。

這項研究的目的是定義對手作戰方案支持數據模型，以及它與自動白方（TAWC）的關系，后者是一種理論上的先進規劃輔助結構。新提出的作戰概念依賴于較小規模的集中式兵力，需要處理的信息可能更多。這種模式迫使兵力領導者依靠更直觀的決策和/或使用技術來支持傳統上由人類完成的分析功能。要使新技術為規劃做出重要而可靠的貢獻，軟件開發人員必須考慮到條令流程，如 "作戰空間情報準備"（IPB）。軍事出版物中蘊含著無數年的經驗，而將減少不確定性的條令模型映射到領先技術的文獻卻很少。本論文探討了流程如何導致發現，從而減少戰斗空間中的意外情況。

這項工作得到了美國陸軍作戰能力發展司令部（DEVCOM）分析中心（DAC）的支持。

美國陸軍對人工智能和輔助自動化（AI/AA）技術在戰場上的應用有著濃厚的興趣，以幫助整理、分類和澄清多種形勢和傳感器數據流，為指揮官提供清晰、準確的作戰圖景，從而實現快速和適當的決策。本文提供了一種與作戰模擬輸出數據相結合的分析評估框架方法。該框架有助于評估AI/AA輔助指揮和控制的任務有效性。該方法是通過一個真實世界的作戰小故事來證明的，這個小故事是指一個AI/AA輔助的營被指派去清理戰場的一個區域。結果表明，具有AI/AA優勢的模擬場景促進了更高的預期任務有效性得分。

引言

美國陸軍目前正在開發決策輔助系統，將人工智能和輔助自動化（AI/AA）技術納入作戰空間。根據美國陸軍機動中心的說法，士兵在決策輔助系統等人工智能/自動化系統的協助下，戰斗效率可提高10倍（Aliotta，2022）。決策援助是一種工具，旨在協助指揮官在戰斗場景中減少他們的決策時間，同時提高決策質量和任務效率（Shaneman, George, & Busart, 2022）；這些工具有助于整理作戰數據流，協助指揮官進行戰場感知，以幫助他們做出明智、實時的決策。與使用AI/AA決策輔助工具相關的一個問題是，陸軍目前缺乏一個有效的框架來評估工具在作戰環境中的使用。因此，在本文中，我們描述了我們的研究、設計和開發的分析框架，并結合建模和仿真，以評估AI/AA決策輔助工具在任務有效性方面的情況。

作為分析框架發展的一部分，進行了廣泛的文獻審查，并對30多個利益相關者進行了分析，這些利益相關者在AI/AA、決策輔助工具、指揮和控制以及建模和仿真等領域具有豐富的知識。這些利益相關者根據他們對上述主題的熟悉程度被安排到焦點小組。我們與每個小組進行了虛擬的焦點小組會議，收集反饋意見，并利用它來推動我們的發現、結論和建議（FCR）。同時，我們開發了一個現實的戰場小故事和場景。利用這個場景和我們的FCR輸出，我們與美國陸軍發展部分析中心（DAC）合作，通過建模和模擬，開發了一個目標的功能層次，以衡量。我們將假設的戰斗場景轉移到One Semi-Automated Forces（OneSAF）中，這是一個利用計算機生成的部隊的模擬軟件，提供部分或完全自動化的實體和行為的模型，旨在支持軍隊的準備工作（PEOSTRI，2023）。利用分析層次過程，我們激發了評估決策者的偏好，計算了功能層次中目標的權重，并創建了一個電子表格模型，納入OneSAF的輸出數據，并提供一個量化的價值分數。通過A-B測試，我們收集了基線模擬和模擬AI/AA效果的分數。我們比較了A和B方案的結果，評估了AI/AA對模擬中友軍的任務有效性的影響。

在購置海軍平臺的資本有限的限制下，需要應對海上挑戰。像波浪滑翔機這樣的無人平臺可能有助于解決這個問題。波浪滑翔機是一種無人水下航行器，它可以配備一個被動陣列，并可以在感興趣的區域（AOI）保持長時間的部署。它們能夠提供分層防御，防止對手在不被發現的情況下穿越該區域，從而提供低成本、持久性的反潛戰（ASW）解決方案。在2016年由英國皇家海軍領導的 "無人勇士 "演習中，展示了反潛波浪滑翔機成功追蹤一艘載人潛艇的能力。然而，如何部署一定數量的波浪滑翔機來探測一艘過境的對手潛艇的問題仍然相對沒有被探索。本論文旨在開發一個模型，以確定部署的波浪滑翔機的探測能力，該模型考慮了與探測水下接觸有關的變量，在具有聲學挑戰性的水下環境中使用被動聲納，并在部署無人資產方面受到限制。該模型規定了實現特定探測概率所需的波浪滑翔機的最佳數量，并為其在AOI中的位置提供了參考，以盡量減少對手潛艇穿越該區域而不被發現的概率。

為了利用無人系統提供的無數優勢，近年來，它們在軍事行動中的地位越來越突出。無人系統，在這里是指無人水下航行器（UUV），被用于各種任務，如海洋學、反地雷、情報、監視和偵察（ISR），僅舉幾例。最近，UUV在反潛戰（ASW）領域的使用也有所發展。本論文探討了在反潛戰中使用 "波浪滑翔機"--一種配備了被動陣列的UUV。該方案圍繞著反潛波浪滑翔機在AUO中的最佳位置發展，以最大限度地提高探測到穿越該地區的敵方潛艇的概率。開發了一個模型來計算具有特定估計聲納范圍（ESR）的特定數量的波浪滑翔機所累積的探測概率。

為了開發這個模型，使用被動聲納方程闡明了裝有被動聲納的波浪滑翔機的水下探測特性。諸如設備、目標和環境特征等方面的因素被考慮到方程中。還考慮了影響聲音在水下傳播的各種因素，如傳輸損耗和水下噪聲的存在，它阻礙了從目標接收的整體聲音。被動聲納方程和其中涉及的參數被用來計算聲納的性能，稱為優點數字（FOM）和信號過剩（SE），它告訴我們目標發出的信號是否會被波浪滑翔機上的傳感器檢測到（Urick，1967）。此后，Poisson掃描模型（Washburn，2014年），它將探測模擬成一個Poisson過程，被用來制定探測的累積概率的表達。該表達式為橫向范圍函數鋪平了道路，該函數描述了在給定的環境條件下，波浪滑翔機在特定范圍內探測目標的能力。

為了最大限度地提高總體探測概率，探索了將波浪滑翔機置于不同的編隊中--即AOO中的障礙物、扇形、圓形和多障礙物。實驗是通過模擬潛艇穿越該地區周邊的隨機點來進行的。然后改變不同編隊中的ESR和波浪滑翔機的數量，以深入了解特定情況下的最佳位置。通過改變關鍵參數，如目標速度、泊松過程的檢測率和模擬中的FOM，也進行了敏感性分析，以分析它們對總體檢測概率的影響。模擬結果表明，將波浪滑翔機放置在AOO的障礙物陣中，可以最大限度地探測到穿越該區域的海底接觸物的概率。盡管屏障編隊總是比多屏障編隊提供更高的探測概率，但它可以作為一種戰術選擇，使潛艇在較長的時間內處于防御狀態，因為潛艇必須穿越穿插在一起的波浪滑翔機層。探測的概率隨著ESR探測率的增加而增加，而保持所有其他因素不變，則隨著目標速度的增加而減少。

2021年1月，美國防部發布了第一個反小型無人機系統戰略，以應對小型無人機系統的快速技術進步和擴散給軍事人員、設施和資產帶來的日益增長的風險。現有的反無人機能力--嚴重依賴電子戰來破壞用戶和設備之間的通信聯系--不再能解決不斷變化的威脅，包括自主無人機、COTS技術以及空域中越來越多的無人機，這些都能使C-sUAS操作者不知所措。為了應對日益復雜的小型無人機威脅，由陸軍領導的聯合反無人機系統辦公室正在為其新的系統方法尋求物資和非物資解決方案。一個令人困擾的C-UAS挑戰涉及到雷達探測系統將一些SUAS與其他飛行物體（如鳥類）區分開來，因為它們的尺寸相當，運動緩慢，高度較低。由于電子光學傳感器和人類操作員在規模上的分類數量有限，使用雷達數據進行不準確或低效的sUAS分類可能是一種武力保護威脅。本論文使用來自兩個不同訓練環境的鳥類和無人機雷達軌跡數據，探索數據中的隱藏結構，使用這兩個數據集開發獨立的無監督和監督學習模型，并試驗數據采樣和特征工程，以提高模型對不同環境和動態環境條件的魯棒性。

圖. 本論文方法包括兩個迭代，每個迭代都涉及不同的數據采樣技術（第3.4節）的兩階段統計學習方法（第3.5節）。然后，通過比較兩個迭代中各自的表現來分析和評估每個訓練算法，通過使用訓練算法的訓練地點的整個數據集和備用訓練地點的整個數據集來驗證每個算法的預測準確性。

無人機技術的快速發展--包括傳感器小型化、電池壽命、飛行效率和改進的控制機制--再加上無人機越來越便宜和商業用途，使其在社會中無處不在。然而，隨著無人機可用于越來越多的善意目的，有責任對無人機的使用進行適當的監管，以盡量減少高風險的意外事件和惡意行為者（包括恐怖分子和敵對政權）的邪惡活動的可能性。雖然無人駕駛飛機系統（UAS）已經存在了幾十年，但小型無人駕駛飛機系統（sUAS）的全球擴散給美國國防部（DOD）帶來了特別棘手的挑戰，因為不僅需要保護美國的領空、設施和關鍵基礎設施免受這種日益強大的新威脅，還需要將這種力量保護擴展到前沿作戰基地（FOB）或臨時任務支持點（MSS），此外還需要在戰斗中提供移動力量保護（MFP）。2020年，在納戈爾諾-卡拉巴赫44天的戰爭中，阿塞拜疆對其鄰國亞美尼亞的一系列攻擊（使用低成本的土耳其Baykar Bayraktar [TB2]無人機），以及烏克蘭堅韌不拔的防御和反擊。 在2022年俄烏戰爭初期，烏克蘭（在[TB2]無人機和數以千計的其他無人機系統的幫助下）進行了頑強的防御和反擊，以抵消俄羅斯前進的壓倒性軍事優勢，這提供了兩個引人注目的例子，說明傳統作戰系統在大規模無人機的不對稱威脅面前的脆弱性。

雖然反小型無人機系統（C-sUAS）的問題集有多個方面--從探測到動能或非動能威脅反應--國防工業正在努力解決，但數據科學家已經特別被雷達系統快速有效地從鳥類和其他大氣雜波中分辨出sUAS的挑戰吸引。雷達系統在探測和分類無人機系統方面通常有兩個主要問題。第一個問題涉及它們的尺寸（容易與鳥類混淆）和速度（非常快或慢，包括它們的懸停能力）的組合。第二，涉及到對具有各種飛行現象、雷達截面（RCS）、光學發射、反射特性和材料結構的多樣化的sUAS類型（介于兩個一般的旋轉翼和固定翼類別之間）的描述。盡管這一領域的一些研究致力于探索一種包括其他傳感器類型的系統方法--如光電/紅外(IR)、聲學和人員監視--以減少雷達系統的脆弱性，但這種解決方案假設了當今有這樣一個傳感器套件在一個固定地點協同工作的奢侈。然而，追求這種 "黃金標準 "的解決方案對于有效地從探測到分類空中物體的重要性，并不否認改進雷達系統的鑒別性能的持續重要性，無論是獨立的還是在不同傳感器類型的總體系統中。

經與Anduril工業公司協商，并使用來自兩種截然不同的訓練環境的鳥類和無人機的雷達跟蹤數據，本論文旨在實現兩個目標。首先，試圖用獨立的無監督和有監督的學習方法來驗證（或改進）來自國防工業的現有分類算法的性能，并在這兩種環境中分別訓練模型。第二，試圖加強模型對兩種不同環境和動態環境條件（即降水和風）的穩健性，目前在每個新環境中都需要一個漫長而昂貴的系統校準過程。

為了實現這兩個目標，本研究通過開發、測試和驗證各種無監督和有監督學習模型對來自訓練模型的環境和替代環境的鳥類和無人機的判別性能，對兩個訓練環境中的數百只鳥類和無人機的雷達軌跡數據（由Anduril Industries提供）進行了實驗。通過采用獨立方法，在兩個訓練環境中表現最好的模型成功地驗證了Anduril的分類器（由數據贊助商提供）的性能，該模型在同一環境中訓練和驗證的準確率分別達到97%和98%。然而，觀察到在另一個環境下驗證的準確率下降了20-25%（表現最好的模型），以及對兩種環境下的數據集和模型的明顯差異的直覺，促使對方法的第二次迭代進行了修改，在模型的穩健性方面取得了邊際改善。本論文最后提出了四項建議，即繼續使用這種方法進行統計和機器學習研究，但要探索收集更多的雷達軌跡數據特征，以便更好地捕捉鳥類和不同類型無人機之間的飛行現象學差異。

合成孔徑雷達（SAR）圖像中基于人類的目標檢測是復雜的、技術性的、費力的、緩慢的，但時間很關鍵，是機器學習（ML）的完美應用。訓練一個用于目標檢測的ML網絡需要非常大的圖像數據集，這些數據集中嵌入了準確和精確標記的目標。不幸的是，不存在這樣的SAR數據集。因此，本文提出一種方法，通過結合兩個現有的數據集來合成寬視場（FOV）SAR圖像： SAMPLE，由真實和合成的單物體芯片組成，以及MSTAR雜波，由真實的寬視場SAR圖像組成。合成目標使用基于閾值的分割從SAMPLE中提取，然后再與MSTAR雜波中的斑塊進行α-混合。為了驗證新的合成方法，使用一個簡單的卷積神經網絡（CNN）創建了單個物體芯片并進行了分類；針對測量的SAMPLE子集進行測試。還開發了一種新穎的技術來研究深層的訓練活動。擬議的數據增強技術使測量的SAR圖像分類的準確性增加了17%。這一改進表明，來自分割和混合的任何殘余偽影都不會對ML產生負面影響，這對于未來在廣域SAR合成中的使用是很有希望的。

"在MSTAR數據收集期間拍攝的M1的EO圖像（a，c）和同一車輛的真實CAD模型（b，d）從兩個角度進行了比較。請注意，即使是小的細節，如火炮的位置、艙門和車輛側面的電纜，在兩張圖像之間也很一致。提供CAD模型的顏色是為了識別零件組裝，并不表示任何影響電磁模擬的具體屬性" [10]。

"SAMPLE數據集中每個飛行器的一個圖像的例子。測量的MSTAR圖像在最上面一行，相應的合成圖像在最下面一行....，我們看到諸如陰影、方向和相對回波幅度等細節都很一致"[10]。

立方衛星（CubeSats）處于國防部和商業航天業低成本、快速創新的前沿。目前，在組件和任務兼容性方面，只有有限的方法來提高CubeSats的任務成功率。由美國空軍技術學院（AFIT）學生開發的有效載荷分析工具（PAT）結合了MathWorks公司的MatLab（Simulink和Stateflow）、AGI公司的系統工具包（STK）和Dassault System公司的CATIA Magic System of Systems Architect的力量，分析單個CubeSat總線上的有效載荷兼容性。PAT模擬了帶有各種有效載荷的CubeSat任務，以更好地了解有效載荷與總線在功率、數據速率和內存方面的互動情況，但它缺少一個推進系統。本論文的研究通過包括一個推進系統來推進PAT，這使得任務時間增加，并說明了CubeSats在延長任務時間線時面臨的潛在電力問題。推進器子系統是通過基于模型的系統工程（MBSE）框架添加的，包括CATIA、STK和Simulink，所有必要的步驟在論文中都有明確的記錄，以幫助未來類似的改進。這項研究特別關注AFIT的Grissom-2任務，并以PAT中使用的現有MBSE工具為基礎，提供了一個進行推進系統交易研究的環境，以及對CubeSat在推進演習期間的功率進行進一步分析。結果表明，各種推進方案的交易研究可以很容易地被評估。這項研究還展示了如何通過改變衛星的姿態來克服發電問題。在這項研究中發現并解決了可能困擾衛星的潛在的長期電力問題。

最近小型無人駕駛飛行器（UAV）技術的進步重新激發了對民用和軍用廣域搜索（WAS）算法的額外研究需求。但由于無人機環境和設計的差異性極大，利用數字工程（DE）來減少推進這項技術所需的時間、成本和精力。數字工程還允許快速設計和評估利用和支持WAS算法的自主系統。現代WAS算法可以大致分為基于決策的算法、統計算法和人工智能（AI）/機器學習（ML）算法。這項研究繼續了Hatzinger和Gertsman的工作，創建了一個基于決策的算法，該算法將搜索區域細分為被稱為單元的子區域，決定一個最佳的下一個單元進行搜索，并將搜索結果分配給其他合作搜索資產。每個合作搜索資產將存儲以下四個關鍵數組，以決定搜索哪個單元：每個單元的當前估計目標密度；一個單元中的當前資產數量；每個合作資產的下一個搜索單元；以及任何資產在一個單元中的總時間。一個基于軟件的模擬環境，即模擬、集成和建模高級框架（AFSIM），被用來完成驗證過程，創建測試環境和被測系統（SUT）。此外，該算法針對各種分布的威脅進行了測試，以模擬目標的集群。最后，從人工智能和ML中引入了新的有效性措施（MOEs），包括精確度、召回率和F分數。使用方差分析（ANOVA）和協方差矩陣對Hatzinger和Gertsman的新的和原始的MOEs進行了分析。這項研究的結果顯示，該算法對原始MOEs或新MOEs沒有明顯的影響，這可能是由于與Hatzinger和Gertsman相比，網絡化協作自主彈藥（NCAM）的傳播情況相似。該結果與目標分布標準差的減少即目標聚類呈負相關。這第二個結果更令人驚訝，因為更緊密的目標分布可能會導致更少的搜索區域，但NCAM繼續分布它們的位置，而不管確定的集群。

未來的戰場是一個將受到近鄰對手快速變化的技術能力嚴重影響的戰場。在這種環境下的成功將需要簡單易用的系統，它能適應各種情況，并能與其他部隊和系統整合。多域作戰指揮、控制、計算機、通信、作戰系統和情報（MDOC5i）旨在為海軍陸戰隊準備未來的戰場。由于傳統的機器學習技術存在某些缺點，MDOC5i使用矢量關系數據建模（VRDM），為海軍陸戰隊提供適合動態部署的系統。MDOC5i使用全球信息網絡架構（GINA）作為其VRDM平臺。這項研究使用GINA創建了一個無處不在的決策模型，可以根據美國海軍陸戰隊的場景進行配置。該研究實現了無處不在的模型，并通過一個網絡分析用例證明了其功能。這個決策模型將作為所有GINA實施的基礎模型。快速構建和調整基于場景的GINA模型并將這些模型整合到一個共同的框架中的能力將為海軍陸戰隊提供對抗未來對手的信息優勢。

圖. 超圖描繪了構成 GINA 決策模型的關鍵實體。這是圖 3.2 中描述的“決策者信息”部分的細分。影響力的三個主要領域是現實世界、網絡和網絡。本論文中的模型將僅包含網絡類別的一部分，特別是 XMPP 流量。這三個領域應被視為為大規模網絡診斷設計的決策模型的起點。

引言

在最近的沖突中，美國能夠承擔對其敵人的技術優勢[1]。然而，由于美國已經將重點從反叛亂（COIN）行動轉移到與近距離對手的沖突上，這是一種不能再假設的奢侈。美國和國防部必須不斷尋求獲得并保持對近距離對手的技術優勢。所有軍種的指揮官都強調了這一點，包括司令部的規劃指南[2]。網絡戰場是一個日益復雜和快速發展的領域，在戰爭中從來沒有出現過像現在這樣的能力。目前的對手既有掌握該空間的愿望，也有掌握該空間的能力[1]。人機交互（HCI）將是在未來沖突中實現信息主導的關鍵。人機交互融合了計算機科學、認知科學和人因工程，以 "專注于技術的設計，特別是用戶和計算機之間的互動"[3]。我們必須掌握人機交互，以協助指揮官并保持對敵人的優勢

美國海軍陸戰隊（USMC）沒有很好的裝備來在網絡領域取得成功。美國海軍陸戰隊訓練和教育司令部（TECOM）已經將這一能力差距確定為一個主要的問題聲明："海軍陸戰隊沒有接受過應對同行威脅的訓練，在這種情況下，我們不再享有數量或技術優勢的歷史優勢。為了在未來的戰場上取勝，我們必須提供一個學習框架，以發展適應性和決定性的海軍陸戰隊，并提供訓練環境，以產生能夠產生決定性效果的互操作單位"［4］。

信息技術的進步產生了一個以網絡為中心的應用框架[5]，可以幫助縮小能力差距，使美國海軍陸戰隊保持對對手的網絡優勢。

1.1 MDOC5i

在為滿足指揮官的指導并使美國海軍陸戰隊為網絡戰場做好準備而采取的舉措中，海軍陸戰隊已經建立了多域作戰指揮、控制、計算機、通信、作戰系統和情報（MDOC5i）。MDOC5i是一個基于陸軍網絡信息管理環境（ANIME）的系統，提供了一個以網絡為中心的因果動態數字孿生環境。利用基于實體的模擬，MDOC5i提供以網絡為中心的互操作性和決策模型，可以增強多域作戰（MDO）[6]。MDOC5i計劃 "提供基層開發的技術，使操作人員能夠'推斷和適應'不斷變化的戰斗空間的需求" [7]。MDOC5i確定了需要改進的三個問題領域：互操作性、信息處理和利用，以及文化轉變[7]。

隨著戰場的不斷發展，聯合解決方案將是獲得優勢的關鍵。這些互操作性的解決方案將依賴于網絡和通信能力。互操作性是指與整個服務的各種通信系統相關的所有設備之間的通信能力。因此，目前在互操作性方面的差距需要被彌補，以進行聯合行動。系統之間的互操作性還沒有通過一個標準化的通用方法來實現[7]。MDOC5i認為這個問題的根源在于，當前系統所使用的所有網絡都被認為是彼此獨立的領域，而不是一個統一的作戰指揮和控制（C2）系統[7]。

MDOC5i解決的下一個問題是信息處理和利用。這個問題指的是目前整個海軍陸戰隊沒有能力處理大量的信息。數據通常很豐富，而且隨著傳感器能力的增長，數據會越來越豐富，但很難分析所有的數據并從噪音中分出有用的數據。鋪天蓋地的數據如果不進行適當的分析，對決策過程是無用的，甚至是有害的。這個問題被具體描述為："當前行動和數據收集的速度超過了我們處理、識別和獲取可操作情報的能力，以快速評估、調整和修改計劃和實時COA，從而優化部隊投射、殺傷力，并實現持久的超額配給"[7]。

為了提高處理越來越多的數據和跟上快速發展的戰場的能力，作戰人員需要關注人機互動。這種關系對于能夠在可操作的時間范圍內將大量的數據轉化為有用的信息，從而做出更好的決定至關重要。更好的人機交互可以幫助確保 "數據處理和決策的速度與行動的速度相稱" [7]。

解決的最后一個問題，即文化轉變，涉及美國防部需要調整其在數據整合和聯合行動方面的重點。雖然國防部致力于為作戰人員提供可操作的情報，但其方法是無效的和低效的[7]。此外，各個軍種制定了自己的就業方法和情報方式，這往往會導致聯合行動的無效性。為了在目前存在的動態戰場上作戰，各軍種必須共同努力，"使能力與任務、標準操作程序、訓練戰術和協議、采購和部署政策以及作戰部隊的整體文化相一致" [7]。

1.2 MDOC5i應用于海軍陸戰隊

5月9日至5月13日，MDOC5i在海軍陸戰隊空地作戰中心（MCAGCC）二十九棕櫚島與第七海軍陸戰隊進行了演示。這次初步測試的目的是展示MDOC5i所帶來的增強的火力能力，并確定MDOC5i通過提供共同情報圖像（CIP）--共同作戰圖像（COP）和決策支持來增強整個海軍陸戰隊空地特遣部隊（MAGTF）的MDO的可行性。

在MCAGCC Twenty-Nine Palms進行的MDOC5i演習成功地描述了該系統的防火能力。MDOC5i系統使用最先進的掃描機制和瞄準系統，將標準裝備的區域射擊武器轉變為精確射擊武器平臺，能夠在幾乎沒有歸零的情況下有效地攻擊目標。雖然這本身就大大增加了海軍陸戰隊的殺傷力，但增強的火力能力僅僅是MDOC5i概念所提供的效用的開始。底層系統使用全球信息網絡架構（GINA），一個矢量關系數據建模（VRDM）平臺，以使所有通過網絡連接的單位都能獲得準確的COP和CIP。這在戰場上提供了一個優勢，因為所有單位都獲得了意識，并將能夠為共享系統提供輸入，從而產生最準確的CIP-COP。

這些投入可以用來幫助決策和影響有利于沖突空間競爭的活動。

這一過程的關鍵使能部分之一是GINA內的決策模型，它能使人采取行動。在二十九棵樹的演示中，海軍陸戰隊員被展示了使用標準武器系統對選定目標進行第一輪射擊的能力。選定的目標出現在通過網絡連接的所有信息顯示器上。為了實現目標定位，GINA模型接受目標的輸入并將信息傳遞給所有用戶。系統首先決定該目標是一個有效的目標還是一個重復的目標。它通過一個專門設計的決策模型來實現這一目標，該模型將確定的目標與其他繪圖的目標進行比較。如果新的目標在指定的距離內，程序會認為它是重復的。這可以防止信息過載，使指揮官對現有的威脅有最準確的描述，以便更好地決定如何使用武器系統來對付敵人的目標。因此，在這個特定的例子中，輸入的是確定的目標位置，決定的是該目標是合法的還是重復的，決定的標準是確定與其他已經繪制的目標的距離，結果是對威脅的準確描述，使海軍陸戰隊能夠最好地與敵人作戰。

在演示中，決策與識別目標有關，而影響的行動與射擊有關。然而，如前所述，增強射擊能力只是MDOC5i通過基于VRDM的GINA平臺所能提供的好處的開始。創建和采用為指揮官提供最新的CIP-COP并幫助決策的模型將對海軍陸戰隊和國防部（DOD）的所有方面都有用。按照目前的情況，每次實施新的模型時，都需要從頭開始創建新的決策模型。

1.3 論文重點和MDOC5i的聯系

海軍研究生院（NPS）論文的目的是在GINA平臺上使用VRDM建立一個不可知的決策模型。重點是該模型的普遍性，以便它可以很容易地被塑造為未來的情景。該決策模型擴展了無處不在的數據表概念，以包含關于數據的信息屬性，并允許通過基于屬性的真值表關系實現來自數據屬性和信息屬性（邏輯類型）的知識屬性。因此，模型將數據轉化為信息，然后從已知的真值（既定協議）中獲取狀態和規定過程的知識，然后模型執行相應的過程。這表明了該方法的普遍性，并使任何數據任務的數據轉化為行動。本論文驗證了使用基于模型的配置方法，該方法由數據、真值表和狀態的概念對象組成，可用于人在/在環的自動數據決定-行動，并可在知識管理圖框架內為任何任務進行管理。

建議的模型在通過分析可擴展消息和存在協議（XMPP）消息來確定網絡健康狀況的情況下進行測試。該模型的輸入是可擴展標記語言（XML）消息，旨在復制大規模戰術網絡的數據包捕獲（PCAP）中捕獲的XMPP消息。雖然網絡診斷分類本身很重要，并證明了功能，但主要的效用將在于決策模型的普遍性。因為該模型是不可知的，它可以很容易地被修改以適應一系列所需的場景。務實地說，它可以作為所有其他GINA實施的基礎模型，使海軍陸戰隊實現信息超配。

1.4 假設和研究問題

本論文的假設是，GINA將被證明是一個高效的平臺，在這個平臺上實現一個可以輕松配置的泛在決策模型，以應對多種情況。在這個假設的核心，主要目標是利用GINA架構成功地設計和實現一個無所不在的決策模型。這項任務已經完成，證明了主要假說的正確性。

本論文的問題包括。

1.無處不在的決策模型能否在GINA的界面中實現？

2.GINA是否為機器學習（ML）提供了一個可行的、可操作的替代方案，該模型是否達到了與傳統機器學習技術相同的效果？

3.該模型是否有切實的方面證明比傳統機器學習技術優越？

4.該模型和GINA平臺能否用于大規模網絡流量分析？

與假設一致，第一個問題是最重要的，并且被證明是正確的。所實施的決策模型應該能夠促進并推動未來的工作。其余的問題涉及模型的可擴展性和與傳統技術相比的性能。雖然這兩個概念都沒有直接解決，但該模型提供了肯定的機會來測試這些概念。

1.5 使用的工具

為了成功地理解決策模型的實施和它可以應用的規模，有必要了解所涉及的工具。其中一些應用在本論文中直接使用。其他的是在MDOC5i中使用的，對于理解這個模型如何推導到多種情況下是很有用的。這些工具也提供了很好的背景，對未來的工作有好處。

1.5.1 全球信息網絡架構

GINA 是一個基于云的、提供可執行建模環境的 VRDM 平臺，該平臺產生的模型能夠進行推理和適應[7], [8]。該架構通過其反思性的、可執行的、基于組件的、與平臺無關的和模型驅動的構造，提供先進的數據、信息和知識的互操作性[9]. 該平臺使用一種語義結構，使應用領域的用戶能夠理解組成的模型組件，并形成具有半知覺行為的系統，這對動態任務需求的適應性和可配置的靈活性至關重要。該創新平臺是松散耦合的，這意味著它可以通過配置創建模型，使用來自遺留系統、現有系統或未來系統的各種輸入[8]，而不會破壞或重新編譯。由于概念性的信息對象構造可以臨時引入，并可能存在于任何領域，GINA提供了誘人的可能性，美國防部正在探索這種可能性[2]。

GINA技術由方法論、開發工具和可執行模型的部署平臺組成，可作為軟件程序使用。這些模型不需要被編譯，而是在元數據中定義并實時編譯。該平臺使用通過配置實現的行為、環境和因果的建模概念，以提供定義、操作和互操作性[10]。GINA可以通過其名稱的組成部分進一步理解。"全球 "指的是該平臺通過多層抽象包含了所有的數字表示。"信息 "指的是可以被建模和管理的靜態和動態數據以及互動關系。"網絡 "指的是可以通過模型和圖表顯示、參考和管理的所有互聯關系的數字表示。"架構 "意味著GINA是被使用的系統，專門用于制作行為、背景和因果關系的可執行模型[10]。

第二章將深入討論GINA的優點和特點。

1.5.2 ANIME Dark Stax

Dark Stax是一個由ANIME開發和使用的工具，能夠以接近實時的速度創建復雜系統的數字孿生體。這些數字孿生體可以用來操作克隆的系統進行數據操作和決策分析。這種聯合有助于數據驅動的決策過程。這個工具能夠創建戰術網絡的克隆，并過濾PCAP數據，為網絡診斷模型創建輸入[10]。Dark Stax工具由Ad Hoc維護和運行。他們對該工具的掌握為首要的人工智能（AI）技術和VRDM技術的結合提供了巨大的效用。

1.5.3 StarUML

StarUML是一個開源的軟件建模平臺，支持統一建模語言（UML）[11]。它被設計為支持簡明和敏捷的建模，并提供系統疊加的可視化描述[12]。本文使用UML圖來描述實現的VRDM模型的靜態和動態方面。UML并沒有捕捉到VRDM模型中包含的所有細節，但它確實捕捉到了最重要的信息，并提供了模型中連接的清晰疊加。

在這個項目中，它只被用于GINA模型的可視化和文檔化。然而，我們的意圖是使GINA能夠接受UML設計作為輸入。因此，一個系統可以用UML建模并輸入到GINA中，以放棄配置。

1.5.4 目標光標仿真器

Cursor On Target（COT）"是一個互聯網協議和一個基于XML的機器對機器模式，可以被任何系統讀取和理解，使專有和開放源碼系統能夠相互通信"[13]。模擬器在GINA模型中被用來模擬XMPP流量。XMPP消息的樣本在一個文本文件中生成。然后，Cursor On Target Simulator（COTS）模擬器將文本文檔的內容作為XML輸入到GINA。這個XML是決策模型的輸入。