認知或完全自適應雷達（FAR）是一個受生物系統啟發的研究領域，其重點是開發一個能夠自主適應其特性的雷達系統，以實現各種不同的任務，如改進環境感知和光譜靈活性。FAR框架在一個軟件定義的雷達（SDR）系統和模擬感知行動周期（PAC）的環境中實現了一個動態反饋回路（感知、學習、適應）。FAR框架在SDRs上的實現依賴于基于求解器的優化技術，用于其行動選擇。然而，隨著優化復雜性的增加，對解決方案收斂的時間產生了嚴重影響，這限制了實時實驗。此外，許多 "認知雷達 "缺乏記憶組件，導致對類似/熟悉的感知進行重復的優化程序。

利用現有的FAR框架模型，在神經網絡的啟發下進行了完善。通過使用神經網絡、機器學習的一個子集和其他機器學習的概念，對應用于單一目標跟蹤的FAR框架基于求解器的優化組件進行了替換。靜態前饋神經網絡和動態神經網絡在模擬和實驗環境中被訓練和實施。神經網絡和基于求解器的優化方法之間的性能比較表明，基于靜態神經網絡的方法具有更快的運行時間，這導致了更多的感知，有時通過較低的資源消耗獲得更好的性能。還對靜態前饋神經網絡、動態遞歸神經網絡和求解器的模擬結果進行了比較。這些比較進一步支持了神經網絡能夠通過納入學習為認知雷達提供記憶組件的概念，從而走向真正的認知雷達。還進行了額外的研究，以進一步顯示神經網絡在雷達快速生成波形的應用中的優勢。

FAR框架也從單目標跟蹤FAR框架擴展到多目標跟蹤。FAR框架的多目標實現顯示了自適應雷達技術在多目標環境中的優勢，由于場景中存在的目標數量增加以及需要解決所有目標，復雜性也隨之增加。由于多目標環境，對現有的成本函數和探測/跟蹤框架進行了改進和補充。實驗和模擬結果證明了FAR框架的好處，它使一個穩健的自適應算法能夠在多目標環境下改善跟蹤和有效的資源管理。

除此之外，分層完全自適應雷達（HFAR）框架也被應用于需要執行多個任務系統的資源分配問題。分層完全自適應雷達的任務靈活性（HFAR-TF）/自主決策（ADM）工作將HFAR框架應用于一個需要參與平衡多項任務的系統：目標跟蹤、分類和目標意圖辨別（"朋友"、"可能的敵人 "和 "敵人"）。

本博士論文的目標是將這些目標結合起來，形成一個建立改進當前認知雷達系統的方法的基礎。這是通過融合機器學習概念和完全自適應雷達理論來實現的，以實現真正的認知雷達的實時操作，同時也將自適應雷達概念推進到新的應用中。

第一章：簡介

1.1 概述

現代雷達系統的發展促進了軟件定義雷達（SDR）系統能夠實現動態反饋回路行為，與傳統雷達不同。傳統雷達的前饋性質依賴于感知環境的假設特性，產生固定的參數設置，以保證預定的信號干擾加噪聲比（SINR）或雷達任務性能。然而，動態/變化的環境會導致任務性能下降或系統資源的管理不善。缺乏對雷達前端特性的自適應控制會導致雷達后端的信號處理工作增加，嚴重依賴雷達操作員或根據最壞情況設置靜態的雷達系統參數。

完全自適應雷達（FAR）框架旨在利用現代SDR系統實現的傳感器參數多樣性，允許自主適應雷達波形特征，以實現更好的環境感知和雷達任務性能。FAR框架的自主性質也轉向將雷達操作員的角色轉變為咨詢角色，以及減少用于目標信息提取的額外信號處理負擔。

FAR框架通過試圖模仿動物和人類中存在的認知的神經科學概念來實現自主適應。正如[2,3,4,5]所討論的，認知過程必須包括五個主要元素：感知、注意和分析（智能）、行動和記憶。在[6]中，Haykin討論了傳統主動雷達、FAR和認知雷達之間的區別。 雖然FAR能夠通過反饋鏈路將接收機感知的環境與發射機的波形探測聯系起來，實現對環境的更好感知，但由于缺乏 "真正"學習所需的長期記憶，它的智能受到限制。

為了在認知雷達處理中進行優化，經常使用非線性函數。這些非線性函數在優化塊中實現，可以通過非線性約束目標函數的最小化進行雷達參數選擇和更新。對于FAR框架，這種 "執行優化"是在一個 "執行處理器塊 "中實現的，它試圖在服務質量（QoS）方法中平衡捕捉雷達系統基于任務的性能（性能成本）和傳感器資源消耗（測量成本）的成本函數。

在FAR框架中，執行優化被視為最關鍵的組成部分。在FAR框架中，通過結合注意力和分析，利用目標狀態的跟蹤和過去觀察的先驗知識（記憶）來選擇最佳參數指數選擇，執行處理器實現了"有限學習"。由于執行處理器中調用的傳感器參數選擇的性質，雷達波形參數被映射到雷達任務和目標性能上，給定的是先驗知識。此外，由于這種基于優化的適應性，隨著優化的復雜性增加，解決收斂的時間也在增加，因此限制了實時能力。

在概念上與FAR相似，機器學習是人工智能下的一個研究領域，它研究人類如何獲得知識，或學習，并在機器中表示這些概念。機器學習的一個子課題是神經網絡，通過它們的能力來模擬和實現學習過程，關聯、模式識別和關系建模都是神經網絡的有效任務，它可以用來提供對系統處理的較低影響，并通過識別/記憶開始學習。

1.2 動機和貢獻

學習被證明是認知系統中的一個關鍵組成部分，導致人們相信學習是認知雷達的一個主要組成部分。在[5]中，學習被定義為使用過去的信息來提高一個人的局部成功度。 然而，為了充分地從記憶和行動中學習，實時能力和性能必須是可行的。正如前面所討論的，由于用于行動選擇的優化，可以看出，隨著問題的復雜性增加，優化的計算成本也在增加。高計算成本和缺乏記憶對實現 "正式 "認知系統構成挑戰。

在FAR和認知雷達研究領域已經取得了許多進展：然而，大多數集中在缺乏長期記憶和聯想的自適應系統上。同樣，在基于神經網絡和機器學習的雷達研究方面也取得了許多進展，但大多數集中在基于分類和圖像識別的問題上。 本博士研究將著重于展示包括基于回歸的神經網絡如何通過降低對系統處理的影響來改善FAR的現有性能，并通過包括更強的記憶概念和將其擴展到展示學習來幫助認知雷達任務的執行，從而促成開發一個 "真正 "的認知系統。

這里討論的工作對認知雷達領域的貢獻如下：

• 通過用前饋神經網絡取代執行處理器中的優化組件，以降低對系統處理的影響并整合其固有的識別/記憶組件，開發了一個神經網絡啟發的FAR框架，即基于神經網絡控制的全適應雷達（FAR-NN）。

• 收集了不同參數適應情況下的模擬和實時實驗結果，并對局部解算器的實施和神經網絡進行了比較，結果表明靜態前饋神經網絡能夠實現較低的測量成本、更快的優化時間和類似的執行成本性能。

• 通過在每個傳感器感知行動周期（PAC）的 "執行處理器 "中模擬傳感器參數選擇，在分層全自適應雷達（HFAR）框架中實施靜態前饋神經網絡，以降低由于執行多個優化而對系統處理的影響。

• 通過對傳感器參數選擇的模擬，在FAR框架中實施了一個動態長短期記憶遞歸神經網絡（LSTM-RNN），將基于狀態的對不斷變化的環境的適應性和更強的記憶概念納入神經網絡激勵的FAR框架的優化部分，FAR-NN。

• 開發了一個LSTM-RNN，用于在動態頻譜擁擠的環境中生成低延遲、接近最佳的雷達頻率缺口波形。

• 將LSTM-RNN與現有的專門解算器 "減少誤差算法"（ERA）進行比較，其波形生成的仿真結果表明，網絡和算法的波形設計結果相似，LSTM-RNN生成波形的時間減少。

• 將現有的全適應雷達單目標跟蹤（FAR-STT）框架擴展到全適應雷達多目標跟蹤（FAR-MTT）的實現中，修改了目標函數和擴大了多目標環境的Fisher信息矩陣/Cramer Rao Bound度量。

• 收集了模擬和實驗結果，以證明將完全自適應雷達方法應用于多個目標跟蹤的好處，即能夠實現目標分離并保持單個目標的跟蹤，同時消耗較少的測量資源。

• 為一個需要執行多種任務[例如：目標跟蹤、分類和目標意圖辨別（朋友、可能的敵人和敵人）并自主分配雷達資源的雷達系統開發一個HFAR框架。

• 收集的模擬結果表明，通過使用自適應波形參數與固定參數集，將完全自適應的雷達方法應用于一個從事多種任務的系統的好處。

• 突出了使用完全自適應雷達概念的模擬和實驗演示，以證明認知雷達概念的可行實現。

1.3 概要

本論文的其余部分組織如下。

第二章討論了基礎雷達、全自適應雷達、優化、神經網絡和統計學等與論文中提出的工作相關的背景。

第三章對認知雷達和神經網絡領域的類似工作進行了調查。

第四章討論了本工作中使用的全自適應雷達建模和模擬（FARMS）環境和算法，以及用于驗證模擬結果和實驗集合的實驗測試平臺的簡要概述。

第五章討論了神經網絡啟發的FAR框架的實現，以及與以前FAR和HFAR實現中使用的局部求解器的比較結果。

第六章回顧了一種用于快速生成缺口波形的神經網絡方法，并與現有的專門求解器進行了比較。

第七章討論了將FAR框架擴展到多目標環境中。模擬和實驗結果都被收集起來，以證明自適應雷達在多目標跟蹤環境中的優勢。

第八章討論了全適應性雷達的發展，即多功能雷達系統的問題，其中HFAR框架被應用于需要參與平衡多種任務的雷達系統：目標跟蹤、分類和目標意圖的辨別（朋友、可能的敵人或敵人）。

第九章總結了論文的結果，并給出了基于這項工作的未來研究領域。

附錄A介紹了FAR框架中使用的局部求解器與全局求解器程序的可靠性的進一步細節。

附錄B介紹了第七章介紹的FAR-MTT工作中使用的Fisher信息矩陣推導和預白化推導的進一步細節。

多域作戰與空軍之間的互操作性

在多域作戰（MDO）概念的影響下，空中力量界的戰略思維正在發生巨大的變化。20世紀90年代，武裝部隊廣泛進行了 "轉型 "工作，目的是改善各軍種之間的協調。到了2000年，轉型工作的目標和目的發生了變化，改善協調的愿望促使各軍種和聯盟伙伴之間進行更深入的行動整合。MDO將轉型目標推向了最終融合各作戰領域的能力，以便能夠以更快的行動速度實現同步效果（Jamieson和Calabrese，2015）。然而，并非所有國家都清楚如何準確地將美國的MDO愿景納入他們自己的理論和作戰概念，或如何解決可能產生的整合和互操作性挑戰（Townsend，2019）。

MDO的預期目標是加快軍事行動的步伐，并允許在作戰環境中產生更多的協同效應。多領域整合有望優化作戰優勢，以便對敵對部隊的決策環路施加壓力。同時，MDO也意味著聯合作戰方法需要相當大的演變和必要的改變，因此它的影響將隨時對友好部隊產生同樣深刻的影響。正如法國防空和空中作戰司令部（CDOA）副司令路易斯-佩納少將所指出的，MDO代表了 "思考空軍在未來如何規劃和進行空中作戰的機會"（Pena，2020）。可以肯定的是，MDO將是塑造未來空中作戰和作戰概念的一個強有力的因素，然而需要克服一些復雜的概念、技術和戰略挑戰。

連接性和未來的空戰

未來的作戰飛機被設想為 "連接中心 "和 "機載數據融合服務器"，與作戰云相連，為聯合或聯盟部隊的分布式單位提供實時多領域信息。這些下一代作戰飛機被預先部署，以承擔目前空軍分配給機載預警和控制（AWAC）飛機的相同角色。自從Link 16的到來，AWACS已經成為空中作戰的一個關鍵節點功能，在最近幾十年里，通過在聯合和聯盟戰役中實現徹底改善的態勢感知和指揮、控制和通信（C3）能力，AWACS被證明對西方的空中優勢很有幫助。

聯盟環境下的互操作性挑戰正在被重新規劃，并將隨著新的作戰飛機和平臺的引入而出現新的方向，但目前還沒有明確或現成的解決方案來彌合理論和作戰概念的差異，或在聯盟環境下進行技術整合，因為聯盟中的空軍部隊各自帶來自己的能力、工具和平臺。

在未來，數據融合和中繼功能將變得更加分散，并越來越多地轉移到作戰飛機本身，它們將能夠協調無人機群，例如，穿透敵人的防空設施或提供動能效應。通過新一代數據和通信網絡的新工具和更快的決策，作戰飛機將作為關鍵的指揮和控制（C2）節點，在多領域空間內運作。因此，空戰行動將不再與一組有順序的任務相關聯，而是與基于對方部隊活動并對其作出高度響應的單一連續的非分割化機動和效果相關聯。

圖：信息系統互操作性層次（LISI）模型

空戰的特點是更加明智地應用武力經濟，利用速度、飽和度和隱身性（"V2S"--速度、飽和度、隱身性）的結合來壓倒對方的部隊，以實現戰斗空間的優勢。這些未來的概念依賴于一個系統的方法，其核心是指揮、控制、通信、計算機、情報、監視和偵察（C4ISTAR），每個單獨的軍力矢量同時作為傳感器和效應器發揮作用。與數據融合、自動化、機器人和人工智能（AI）有關的能力對于實現 "頻譜優勢"--在整個作戰范圍內的優勢至關重要。

空戰將逐漸變得更加依賴多領域態勢感知和信息主導權。然而，作為中央庫或大腦單一的、總體性的作戰的前景在聯盟環境中帶來了復雜的問題。與這種作戰云的永久連接會給聯盟部隊的組成部分帶來明顯的脆弱性。雖然在力量集中和效率方面有優勢，但同樣的權力集中和對一個中央云的依賴會產生災難性的行動自由損失。敵對勢力的目的是阻礙通信并對傳感器網絡使用誘餌，在這樣一個良性的網絡空間和電磁戰的背景下，"一環 "作戰云可能導致其使用用戶群的行動癱瘓。

在考慮這些風險時，圍繞作戰云概念的關鍵使能技術的成熟度存在著嚴重的問題。收集、分析、存儲和傳輸數據的信息系統和技術都會受到敵對勢力的入侵威脅和復制，以提高其反介入/區域拒止（A2AD）的有效性（Orlin, 2021）。大數據是分布式C2要素之間作戰圖像（CROP）的基本必要條件，如果沒有人工智能，就無法適當地加以利用，由于人工智能容易被操縱和欺騙，其使用仍然存在問題。

預測性維護是未來空戰平臺的本源，并將通過網絡不斷進行交流，它在戰爭空間中提供了一個新的攻擊漏洞，并有可能成為嚴重的目標（Hitchens, 2020）。對潛在的軟件缺陷和限制的利用將為敵對勢力在欺騙、規避和突襲行動方面創造機會。針對通信和傳感器網絡的先進干擾，針對作戰云的進攻性網絡戰行動（Gros，2019年），以及對空間資產的依賴，在地面或空間資產被摧毀或關鍵數據鏈被破壞的情況下，會帶來嚴重的風險（法國國防和國家安全戰略評論，2017年）。

無人機技術的擴散和作戰系統的數字化已經迫使歐洲的空軍和他們的姐妹服務部門集中投資于網絡空間對抗措施，并 "加固 "平臺、資產和操作基礎設施，以確保通信節點和發射器不被破壞。這種努力將加速和加強，因為軍事競爭者的目標是數據和數據連接能力，跨越更廣泛的攻擊面，擴展到所有連接到同一云的聯盟或盟國部隊。因此，多域作戰網格的這種內在風險強調需要考慮在 "一環 "設計之外的聯盟環境中開發用于MDO的未來作戰云。

歐洲的作戰機隊：當前和未來的形勢

在歐洲，空軍之間的行動整合一直在穩步推進--北約因素是一個重要因素，但絕不是在加強歐洲空軍之間互操作性方面取得進展的唯一驅動力。然而，歐洲空軍的格局仍然具有相當大的多樣性，目前服役的1,900多架作戰飛機的不同類型就說明了這一點。

由美國主導的F-35項目匯集了包括英國、荷蘭、丹麥、挪威、比利時和意大利在內的一些歐洲國家。F-35作為第五代作戰飛機為歐洲引入了一個新的模式和互操作性標準，這將與它的運營商一起，在未來幾年內對整個歐洲空軍的互操作性努力和計劃起到強有力的作用。然而，大多數F-35用戶繼續保持更廣泛的戰斗機隊--例如，由于F-35在空中優勢任務中的局限性，歐洲臺風戰斗機（Eurofighter Typhoon）可能仍然是英國不可或缺的。出于類似的原因，"臺風 "可能將繼續由意大利、德國和西班牙運營，類似的考慮可能延伸至F-16的運營商，如比利時、丹麥、希臘、荷蘭、挪威、葡萄牙和土耳其。

圖：未來網絡化多域作戰中的互操作性要素

其他歐洲空軍已經獲得了諸如 "鷹獅"-E和 "陣風 "等作戰飛機，"陣風 "具有AESA雷達和數據融合能力，可以被視為事實上的未來歐洲互操作性的標準。芬蘭正在推行其HX戰斗機計劃，有五個作戰飛機平臺積極參與競爭。2040年及以后，歐洲可能會繼續看到下一代作戰飛機的本土化發展，并且隨著它們的發展，新的互操作性標準被插入到采購和作戰計劃框架中。考慮到FCAS（未來戰斗航空系統）和英國 "暴風雪 "的發展，作為例子--這兩個平臺將與遙控和自主系統及中繼器結合，并在基于云的多域數據交換網絡內運行。

因此，空戰行動將不再與一套有順序的任務相關聯，而是與基于敵對部隊活動并對其作出高度響應的單一連續的非分割化機動和效果相關聯。

歐洲空戰機隊現有的和未來可能的多樣性，表面上看可能意味著不必要的能力重復，然而這些方法和能力的同樣差異也在作戰和戰略層面上提供了更大的彈性。在聯盟環境中，目前還不清楚歐洲的空戰機隊將在多大程度上與例如現在進入歐洲作戰服役的F35戰斗機進行互操作。同樣的問題在理論上也適用于FCAS或 "暴風雪"，這些圍繞兼容性和互操作性的問題將延伸到未來，特別是與MDO有關的問題。

聯盟環境下的互操作性挑戰正在被重新規劃，并將隨著新的作戰飛機和平臺的引入而出現新的方向，但目前還沒有明確或現成的解決方案來彌合一方面的理論和作戰概念的差異，或在聯盟環境下的技術整合，即組成空軍各自帶來自己的一套能力、工具和平臺進行戰斗。具有諷刺意味的是，多領域整合的基本前提和目的是解決不同領域的不同類型的平臺之間缺乏或低兼容性和協同性的問題，而這些平臺是使用不同的技術標準和系統工程方法開發的。

關于整合和互操作性的政治層面

向MDO的演變意味著空軍面臨新的挑戰，在聯盟環境中為聯合平行規劃引入新的動力。它還提出了調整或取代現有機制的需要，這些機制是為了使聯盟伙伴之間的整合和互操作性達到必要的水平，使他們能夠有效地共同運作。隨著朝向MDO的運動的加速，它提出了一個基本問題。當屬于聯盟和同盟的空軍由于不同的工業和政治考慮而在系統和網絡設計中采用不同的標準時，互操作性是否可能？

這個問題突出了與2040年及以后未來時間框架中的互操作性有關的不確定性，以及在歐洲范圍內已經面臨類似挑戰的當前空戰機隊。歐洲空軍將需要應對作戰層面的聯合整合和融合的要求，這將需要與延伸到國家戰略領域的更高層次的政策考慮相平衡，包括行動自由和戰略自主權。在這種情況下，歐洲空軍將需要根據國家或歐洲的政策方向，與能力項目和互操作性目標進行互動和規劃，這些政策方向是由復雜的體制因素和議程形成的。

一個合理的論點是，在聯盟環境中，空軍之間的分布性和數據融合可能帶來的好處超過了共享作戰云所造成的相關風險或發生作戰癱瘓的可能性。然而，除了純粹的作戰考慮，還有重要的政策問題，這些問題由大戰略和政治前景決定。即使在世界觀相似、經常在聯盟和聯合作戰密切合作的盟友和伙伴之間，國家政策也會有分歧--特別是在危機情況下的軍事活動方面。

繼續努力實現聯盟和盟國伙伴之間的互操作性是有歷史緣由的，包括在作戰云的背景下所暗示的。然而，這些努力必須與維護戰略自主權和獨立評估或軍事活動能力的需要相平衡（Binnendjik和Vershbow，2021）。有時被視為導致 "能力重復 "和浪費財政資源的不同方法以另一種方式提供了優勢，即為國家和聯盟的聯合作戰建立自然的防火墻和復原力。

考慮到聯盟空戰模式的當前和未來的發展，保持一定程度的自主性可能與確保新興作戰云本身一樣重要。這在歐洲尤其如此，因為聯合作戰機隊可能由一系列的平臺類型組成，每個平臺都是根據不同的系統工程、技術和互操作性標準開發的，這與工業和政治考慮有關。同樣的基線挑戰可能會被移植到世界其他地區，如中東或亞洲。與其試圖將空戰機隊劃分為 "第一 "和 "第二 "層次的能力，聯盟和盟國伙伴將需要集中精力克服挑戰，并為傳統聯盟環境中的MDO提供整合能力和互操作性解決方案（Binnendjik等人，2021）。

作者

奧利維爾-扎耶克（Olivier Zajec），畢業于圣西爾軍事學院和巴黎政治學院，是里昂讓-穆蘭大學的政治學教授以及戰略與防務研究所（IESD）的主任。他是EA 4586實驗室和巴黎比較戰略研究所（ISC）的研究員。他還在法國聯合戰爭學院講授戰略理論。他目前的研究興趣集中在國際關系的現實主義理論、跨大西洋防御政策、核政策和戰略以及地緣政治理論。他經常為各種國防和國際關系出版物撰稿：《世界外交》、《國防與國際安全》（DSI）、《軍事資源》、《中國世界》、《沖突》、《國防評論》。

摘要

指揮與控制是聯合軍事行動的核心內容之一，然而，現代安全威脅性質、全球技術民主化以及信息流動速度和范圍都對傳統的作戰范式造成了壓力，需要進行根本性的轉變，以便更好地在多個物理和虛擬領域進行同步整合和操作。在本文中，我們旨在通過提出三個概念來應對這些挑戰，這些概念將指導人類-人工智能綜合指揮與控制系統的創建，其靈感來自于商業部門和學術界的最新進展和成功。第一個概念是一個將人工智能能力整合到事業的框架，優化勞動力中的信任和性能。第二個概念是通過對信息抽象、團隊合作和風險控制的動態管理，實時創建多組織多領域的任務團隊，從而促進多領域的運作。第三種是多級數據安全和多組織數據共享的新范式，這將是未來聯合和聯盟多域作戰的一個關鍵推動因素。最后，我們提出了一系列建議，以研究、開發和實例化這些指揮與控制能力方面的變革性進展。

關鍵詞--人與人工智能系統，多域指揮與控制，分布式貝葉斯組合分析，信任網絡

I. 前言

在聯合軍事行動中，聯合部隊指揮官承擔的最關鍵角色之一是指揮和控制（C2），即對指定的部隊行使指揮權力，以實現集體目標[1]。在現代軍事環境中，C2增強了指揮官做出知情和及時決策的能力，并得到了提供態勢感知的分布式信息和通信系統的復雜企業的支持。傳統上，通過政策和技術，C2被限制在單個物理領域，如空中、陸地和空間，以及虛擬領域，如網絡，導致不同領域的信息整合面臨挑戰。然而，現代同行和跨國安全威脅的復雜性要求有能力在多個領域進行整合和聯合行動，美國政府目前正在調查技術和方法，以實現和加強多領域的C2[2]。

遷移到一個多域的作戰結構，在技術、人力、理論和文化方面有許多挑戰。現有的武器和信息系統是建立在使用專有數據交換機制的傳統硬件和軟件上的，抑制了現代化和更廣泛的整合。來自各種來源和組織的人類和傳感器產生的數據以臨時的方式結合在一起，并在多個網絡的多個安全級別上進行存儲和分隔，往往抑制了多組織的聯合信息共享和決策。此外，這些系統幾乎沒有自動化，操作起來也是人力密集型的，隨著人力的固定以及任務范圍和責任的增加，這些系統將無法擴展。在自動化和分析系統存在的地方，由于缺乏培訓、透明度和衡量的性能（包括真實的和感知的），它們受到了濫用和不良的信任校準。同時，美國政府高級領導層評估說，技術的民主化已經使戰場變得平坦，美國未來的戰略優勢取決于利用人工智能（AI）的能力，如機器學習、計算機視覺和自主系統，并將其與勞動力結合起來，創建共生的人機團隊[3]。

在本文中，我們研究了在美國武裝部隊中實現綜合多域作戰結構的挑戰，并比較和對比了商業部門和學術界的類似既定方法。我們提出三個概念來應對這些挑戰。首先，我們開發了一個框架，以幫助人工智能（AI）能力的發展、成熟和擴散到業務中，并將優化員工隊伍中的信任和表現的過程制度化。其次，我們探討了如何通過平衡的信息管理和動態管理的風險，使多域作戰得以創建。最后，我們描述了一個多級數據安全和多組織數據共享的新范式，這將是未來聯合和聯盟多域作戰的一個關鍵推動因素。

一般來說，區塊鏈是一種數據庫技術，它以鏈接或 "鏈 "在一起的數據塊記錄和存儲信息。存儲在區塊鏈上的數據在網絡中的各個節點之間不斷共享、復制和同步，這些節點是相互通信并存儲和處理信息的單個計算機系統或專門硬件。這個系統可以在沒有中央機構或中介的情況下實現防篡改的記錄。

有多種類型的區塊鏈，根據不同的類型，記錄的數據可能被所有用戶訪問，也可能只有指定的子集。所有區塊鏈都有共同的特點，包括去中心化（即沒有中心化的權威）、不可更改性（即區塊鏈記錄是不可更改的）和假名性（即如何處理用戶的真實世界身份）。某些區塊鏈類型可能比其他類型提供更多的去中心化和假名性。新的區塊鏈應用，如智能合約、不可偽造的代幣和去中心化的自治組織，可能會在各種領域實現流程自動化或取代中介機構。區塊鏈治理協議和共識機制的最新發展，引起了人們對區塊鏈網絡的環境影響、監督和問責的關注。

自2008年創建以來，區塊鏈最常與加密貨幣聯系在一起--用戶通過去中心化的計算機網絡交換的數字貨幣。最近，公共和私營部門的行為者已經在供應鏈管理、身份管理和資產登記等領域使用區塊鏈應用。區塊鏈技術可以確定貨物的來源，并跟蹤其在供應鏈中的進展情況；用數字證書進行身份管理；記錄數字和實物的所有權；以及在沒有第三方中介的情況下轉讓財產、權利或貨物。美國是私營部門區塊鏈發展的中心，許多州和聯邦機構正在試驗新的區塊鏈出處應用，包括食品和藥物管理局和財政部。

支持者聲稱，區塊鏈可以通過實現可審計和不可更改的記錄來提高許多領域的透明度和效率。然而，反對者有很大的擔憂。區塊鏈技術正在成熟，金融領域以外的完全開發的用例相對有限。在一些應用中，與使用傳統數據庫或其他替代品相比，區塊鏈技術可能會增加不必要的復雜性。如果敏感信息被永久地記錄在區塊鏈上，加密算法被破壞，智能合約發生故障，或者數字錢包和其他區塊鏈應用被黑客攻擊，該技術也可能帶來安全和隱私風險。一些區塊鏈還使用能源密集型程序來驗證交易，其消耗的能源可能與小國一樣多。

各個州已經通過立法或建立倡議，以發展、激勵和監管區塊鏈技術。一些州對區塊鏈技術采取了截然不同的方法，因此現有的州級法規差異很大。少數聯邦機構發布了關于金融等特定領域區塊鏈技術的指導意見，但對于其他領域的區塊鏈應用，如供應鏈物流、身份認證或知識產權和資產登記，幾乎沒有指導意見。同時，中國和歐盟對區塊鏈技術進行了大量投資，并制定了各自的監管框架，因此國際法規也可能相互沖突。

國會可以考慮美國政府在區塊鏈技術和應用的發展或監管方面可能發揮的適當作用（如果有的話）。國會可以考慮資助區塊鏈技術的研究，支持標準的制定，或指導聯邦機構制定關于某些區塊鏈應用的指南，以及其他選擇。國會還可以考慮公共和私營部門在解決與區塊鏈技術相關的潛在風險方面的作用，以及在特定部門和特定應用中的作用。例如，國會可以考慮現有的隱私法規是否足以解決因使用區塊鏈技術和區塊鏈啟用的證明應用而產生的潛在問題。

區塊鏈新型應用來源

支持者聲稱，區塊鏈技術可用于確保實物和數字物品的出處，而不需要一個集中的權威機構或中介機構。例如，了解一件物品的來源可以證明其歷史，從而確保物品的安全或合法性。由于交易必須通過共識機制批準，區塊隨后被散列，試圖改變數字或實物物品的出處記錄將留下可審計的痕跡，從而提醒用戶注意潛在的篡改。區塊鏈的新型應用可能與以下情況最為相關：

1.各方之間不完全信任的交易。

2.以錯誤、延遲或欺詐為特征的市場。

3.與現有數字基礎設施有關的情況。

引言

本文件是北約 IST-151 研究任務組 (RTG) 活動的最終報告，題為“軍事系統的網絡安全”。該 RTG 專注于研究軍事系統和平臺的網絡安全風險評估方法。 RTG 的目標如下：

? 協作評估軍事系統的網絡安全，并在 RTG 的北約成員國之間共享訪問權限；

? 在 RTG 的北約成員國之間共享風險評估方法和結果；

? 將 RTG 的北約成員國使用的評估方法整合到一個連貫的網絡安全風險評估方法中，以使北約國家受益。

軍事平臺比以往任何時候都更加計算機化、網絡化和受處理器驅動。他們大量使用數據總線，如 MIL-STD-1553A/B、CAN/MilCAN、RS-422/RS-485、AFDX 甚至普通以太網，以及戰術通信的舊標準，如 MIL-STD-188C 和 Link 16。此外，捕獲器、傳感器、執行器和許多嵌入式系統是擴展攻擊面的額外無人保護的潛在輸入。結果是增加了網絡攻擊的風險。然而，這些平臺的持續穩定運行對于軍事任務的成功和公共安全至關重要。

軍事系統和平臺是網絡攻擊的首選目標，不是因為它們像消費電子產品那樣普遍，而是因為它們潛在的戰略影響。一旦受到影響，就可以實現各種短期和長期影響，從拒絕能力到秘密降低其有效性或效率。因此，軍隊必須在各個層面解決網絡安全問題：戰略層面，同時獲取平臺和系統；作戰層面，同時規劃軍事任務和戰術。

北約國家擁有大量可能面臨網絡攻擊的軍事平臺和系統。因此，北約將受益于利用當前的流程和方法來設計更安全的系統并評估當前系統的網絡安全。

本報告介紹了針對軍事系統和平臺量身定制的網絡安全評估方法，該方法由 RTG 團隊成員合作開發，并建立在他們的經驗和專業知識之上。團隊成員已經使用的流程被共享、分析、集成和擴充，以產生本報告中描述的流程。本報告的目標受眾是愿意評估和減輕其軍事系統的網絡安全風險的決策者。

圖一：網絡安全評估過程的五個主要步驟。

報告結構

第 2 節介紹了 RTG 團隊在其存在的三年中用于開發流程的方法。第 3 節列出了可以應用該過程的系統的一些特征。最后，第 4 節描述了評估流程，而第 5 節總結本報告。

執行總結

軍事平臺比以往任何時候都更加計算機化、網絡化和受處理器驅動。這導致增加了網絡攻擊的風險。然而，這些平臺的持續穩定運行對于軍事任務和公共安全的成功至關重要。

絕對的網絡安全是不存在的。必須通過迭代風險評估持續管理網絡安全。傳統 IT 系統存在許多網絡安全風險管理框架和流程。然而，在軍事平臺和系統方面，情況遠非如此。本文檔介紹了針對軍事系統量身定制的網絡安全風險評估流程。該流程由北約 IST-151 研究任務組 (RTG) 活動的團隊成員開發，該活動名為“軍事系統的網絡安全”。該過程可以應用于傳統的 IT 和基于固件的嵌入式系統，這些系統在軍事平臺和系統中無處不在。

美國國防部(DOD)報告稱，人工智能(AI)是一項革命性的技術，有望改變未來的戰場和美國面臨的威脅的速度。人工智能能力將使機器能夠執行通常需要人類智能的任務，如得出結論和做出預測此外，人工智能機器可以以人類操作員無法企及的速度操縱和改變戰術。由于AI具有廣泛用途的潛力，國防部將其指定為頂級現代化領域，并投入大量精力和資金開發和獲取AI工具和能力，以支持作戰人員。在2022財年，國防部為科學和技術項目申請了147億美元，以及8.74億美元用于直接支持其人工智能努力。根據國防部2018年的人工智能戰略，未能將人工智能能力納入武器系統可能會阻礙戰士保護我們的國家抵御近同行對手的能力其他國家正在這一領域進行大量投資，這可能會削弱美國的軍事技術和作戰優勢。

美國國防部(DOD)正在積極追求人工智能(AI)能力。人工智能指的是旨在復制一系列人類功能，并不斷在分配的任務上做得更好的計算機系統。GAO之前確定了三種AI類型，如下圖所示。

國防部認識到開發和使用人工智能不同于傳統軟件。傳統軟件的編程是根據靜態指令執行任務，而人工智能的編程則是學習如何改進給定的任務。這需要大量的數據集、計算能力和持續監控，以確保功能按預期執行。支持國防部作戰任務的大部分人工智能能力仍在開發中。這些能力主要集中在分析情報，增強武器系統平臺，如不需要人工操作的飛機和艦船，并在戰場上提供建議(如將部隊轉移到哪里)。

當獲取依賴于復雜軟件的新能力時，國防部一直面臨著挑戰，例如長時間的獲取過程和熟練工人的短缺。GAO發現，它繼續面臨這些挑戰，同時還面臨人工智能特有的其他挑戰，包括有可用的數據來訓練人工智能。例如，人工智能探測對手的潛艇需要收集各種潛艇的圖像，并標記它們，這樣人工智能就可以學會自己識別。國防部還面臨著將訓練有素的人工智能集成到非為其設計的現有武器系統中的困難，以及在其人員中建立對人工智能的信任。國防部發起了一系列努力，如為人工智能和人工智能特定培訓建立一個跨服務的數字平臺，以應對這些挑戰，并支持其對人工智能的追求，但現在評估有效性還為時過早