想象力和對物理原理不斷發展的理解是未來技術能力的唯一界限，當美國陸軍將自己轉變為一支能夠在多域作戰（MDO）中占主導地位的部隊時，技術在建立和保持對敵手的優勢方面的作用就會增加。美國的政府機構包含了一些組織，負責資助、研究、開發并在新技術增長時將其納入部隊。本專著描述了目前正在開發的能力，這些能力將作為下一代概念的基礎，目前只存在于科幻小說中，但現實中卻有可能實現。它概述了這些進展中的技術所提供的潛在機會，以及它們如何能夠融入所有領域的未來作戰環境。

引言

隨著美國國防部（DoD）從大規模戰斗行動概念向多域作戰（MDO）和聯合全域作戰過渡，對跨領域技術整合的重視程度繼續提高。公共和私營部門的研究和開發組織已經從關注具體的能力轉向提供基本概念的創新，正如陸軍優先研究領域中所概述的那樣（見圖1）。雖然這些優先事項是陸軍特有的，但國防部的其他部門也在為技術創新投入大量資源。

圖 1. 美陸軍優先研究領域。美國陸軍，“2019 年陸軍現代化戰略：投資未來”。

2019年正式成立的美國太空部隊（USSF），在其預算撥款中包括89億美元用于發展天基系統技術。 作為領導將新技術納入空間領域當前和未來擬議戰爭概念的軍事機構，USSF占據了一個不斷發展以滿足作戰環境變化的角色。在短期內，其余領域的更多能力將依賴于空間領域的資產，并推動對技術能力和效率的要求呈指數級增長。美國防部或整個美國政府的任何作戰組織都沒有智力或財政能力來單獨管理這一巨大的任務。與私營企業的緊密合作提供了美國所需的優勢，以保持對其對手的相對優勢。

民用技術的軍事應用和軍用技術的民用應用通過連接兩個平行的研究軌道和匯集關鍵資源如突破、設施和資金來加速發展進程。美國的幾家私營公司已經有專門的部門與政府合作，使雙方受益。作為洛克希德-馬丁公司的一部分，臭鼬工廠負責開發標志性的軍用飛機，如F-117夜鷹和SR-71黑鳥，而雷神技術實驗室創造了愛國者導彈，至今仍是國家防空計劃的基石。私營企業和軍方官員之間的持續合作也改善了技術預測，使規劃者有能力建立起納入仍在開發管道中的概念的途徑，甚至在它們準備投入使用之前。

在本專著中，對未來軍事規劃者來說，最后也是最關鍵的難題是如何在中期和長期將預測能力整合到作戰方法中。等到概念經歷了研究、開發、測試、原型設計和規模生產的完整周期后再考慮其效果，會使美國部隊落后于曲線，并處于持續的反應狀態，特別是在與俄羅斯和中國這樣的全球技術大國競爭時。未來的鑄造過程必須是連續的和迭代的。適應性強的計劃，具有圍繞發展中的突然延遲或進展進行調整的靈活性，比依賴線性進展的概念保持優勢。將 "鞭打 "事件的可能性傳達給高級領導人和政治家，以緩和期望，并減少那些不熟悉技術的細微差別的人的摩擦。

研究問題

美國國防機構如何利用并迅速整合技術進步，以在多域作戰框架內獲得并保持競爭優勢？

論題

負責開發下一代全域聯合作戰概念的戰地級規劃人員需要采用一個反復的、持續的規劃過程，考慮到理論上可能的、但目前還沒有的、與所有領域相互依賴的技術，以集中資源分配和從目前到未來作戰環境的未來預測路徑。

方法論

本專著包括四個不同的研究和思考階段，大致遵循軍隊設計方法學的概念。因此，第一部分試圖了解創新技術的現狀，從而了解軌道和軌道外競爭的技術作戰環境。發展存在于整個美國戰爭機器從概念到原型生產的連續過程中，一些進步來自非軍事應用，如通信、金融和體育產業。第二，研究哪些非保密技術有待于相對迫切的實施。即使在起步階段，新概念的簡單應用也會在多領域的戰場上帶來作戰優勢，而來自真實世界的反饋和數據支持進一步的完善。

在已知的物理學和應用科學的限制下，對現在和可能的空間進行了略微緩和但雄心勃勃的介紹，為未來三十年設定了目標桿。計算能力、材料科學和效率的線性增長阻礙了這些崇高目標的實現。然而，如果能力的增長保持過去幾十年的指數增長（見圖2），本專著中所探討的所有概念都是可以掌握的。最后，本研究以一個簡短的未來戰爭的虛構場景作為結束，該場景展示了戰略和作戰能力在戰術領域的整合，加強了它們與未來戰士在MDO的五個現有領域以及未來可能存在的地外領域的相關性。該方案提出了一個可能的理論終結狀態，以在10到15年的規劃范圍內建立一個作戰方法。然而，這很可能只是物理學和想象力極限競賽中的一個快照。

圖2. 隨著時間的推移，技術能力呈指數增長。

本專著主要關注軌道和軌道外的競爭，包括對所探討的能力有重大影響的地面節點和系統。最終的勝利或失敗，即使是在未來的沖突中，也將極大地影響地面人口，即交戰國的公民。他們將掙扎著在戰爭的附帶影響下生存，同時也會受到氣候變化、人口過剩、食物和水匱乏的日益嚴重的影響。

美國海軍陸戰隊必須以最低的成本用新興技術解決材料準備的挑戰。使用機器學習的預測性維修是一個不斷增長的領域，可以使用免費或商業化的現成軟件來應用。海軍航空組織已經維護了一個數據儲存庫網絡，收集和儲存可維修的飛行關鍵部件的當前和歷史數據。許多部件在其制造商公布的預期結構壽命之前就失效了，這導致了昂貴的非計劃性維修。預測部件故障并計劃其更換或維修的能力可以大大增加操作的準備性。本論文開發并分析了機器學習模型，利用現有的海軍航空資料庫的數據來預測各種MV-22B飛行關鍵部件的故障條件概率。數據預處理、模型訓練和預測使用了現成的商業軟件。這項工作可以幫助提高材料的準備程度，并使軍事-航空人員適應決策中的新興技術。

引言

這篇論文研究了機器學習算法在改進以可靠性為中心的維修（RCM）和基于條件的維修（CBM）以提高海軍航空的飛機可靠性方面的潛力。

A.維修方面的背景

海軍陸戰隊司令說，該部隊收集和保留的許多數據沒有被新興技術充分開發（美國和Berger，2019）。國防部（DOD）的飛機平臺一直在努力實現年度戰備目標，盡管為其項目分配了大量預算（Crusher，2020）。使用新興技術的預測性維護可以利用這些大量的數據，為提高航空準備狀態提供一個具有成本效益的方法。指揮官還強調，由于可用資金有限，解決方案必須使用現有的軍事數據存儲庫。海軍航空系統司令部（NAVAIR）的數據庫--后勤分析和技術評估決策知識編程（DECKPLATE），每月上傳的記錄超過400億條，可以成為機器學習應用的一個良好來源。

雖然在解決飛機準備不足的根本原因方面正在做出重大努力，但指揮官們現在需要部分解決方案來完成他們的任務。幾年來，指揮官們采用了高拆解率（從一架飛機上拆下零件裝到另一架飛機上）以及將完全具備任務能力的飛機從部署后返回的中隊轉移到準備部署的中隊。盡管 "只有在滿足作戰目標的必要情況下才是可接受的管理選擇"（海軍部，2021年），拆解和中隊轉移已經成為常態。在2011年和2017年之間，由于缺乏現成的基本飛機（RBA），海軍陸戰隊在各中隊之間轉移了超過650架MV-22B Ospreys，以滿足飛行時間和行動要求（Eckstein，2017）。同時，需求也在增加。由于個別飛機的過度使用或使用不足，以及轉移和接受飛機所花費的額外工時，這些臨時解決方案損害了未來的準備工作。

維修行動分為計劃內和非計劃內（Susto等人，2015）。計劃內的維護是主動的，在一個部件退化或運行到故障之前完成。一個部件的定期維修頻率通常是基于供應商或原始設備制造商（OEM）公布的結構壽命限制和推薦的維修時間表。非計劃維修是在一個部件退化或失效時進行。圖1比較了海軍陸戰隊MV-22B飛機用于計劃內與非計劃內維修的維修工時（MMH）的數量。在2021年3月至2022年2月期間，計劃外維修比計劃內維修的頻率高5至6倍。這個比率表明飛機部件的嚴重不可靠，以及預測非計劃維修的困難。

圖 1. 計劃與計劃外維護工時。資料來源：NAVAIR 準備分析報告 (2022)。

定期維修是預防性的，或旨在持續檢查和維護部件，使其達到其使用壽命。對于美國海軍航空的 "型號系列"（TMS），部件的檢查和拆卸時間表公布在《檢查要求手冊》（海軍航空部隊指揮官，2021）的相關定期維修信息卡（PMIC）中。所有強制性的檢查、拆除或更換事件都包括在該手冊中，該手冊規定了定期維修計劃。間隔由供應商或工程可靠性和可維護性分析，以及RCM計劃的故障管理策略決定（國防部，2011，國防部，2020a）。由他們制作的PMIC卡規定了機群或部件的預定維修。這樣做的一個問題是，每架飛機或部件的維護間隔是相同的。這些間隔沒有考慮到一個獨特的部件或飛機的使用、服務歷史或歷史數據。

海軍航空業可以從基于需求證據的維修創新實踐中獲益，或對個別部件進行預測。近年來，RCM采用了基于狀態的維修+（CBM+）戰略來提高可靠性。CBM+戰略的一部分是使用機器學習，根據歷史證據預測一個部件何時會失效。由于海軍陸戰隊的航空屬于海軍航空的范疇，任何MV-22B RCM或CBM+活動都屬于艦隊準備中心指揮官（COMFRC）。東部艦隊戰備中心（FRC）的V22艦隊支持小組（FST）一直致力于通過許多舉措提高飛機和部件的可靠性。

其中一項舉措是利用統計模型估計MV-22B部件的故障概率。利用現有的海軍航空企業（NAE）數據庫中的歷史維修記錄，使用Weibull概率密度函數（PDF）來估計一個部件經歷特定故障模式之前的時間。圖2是一個失敗時間（TTF）的例子，顯示了MV-22B塔架轉換執行器（PCA）因密封損壞而失敗的百分比。對于PCA模型，預測機隊庫存的70%在3326個飛行小時前因密封損壞而需要拆除，而80%在3696個飛行小時前會失效。第五章討論了模型的準確性，但這種方法為利用相關故障數據改進預防性維修政策邁出了一步。

圖 2. Pylon 轉換執行器的 Weibull 模型。資料來源：FRC East V22 FST 維護優化 (2022)。

這個統計模型是根據定義的故障模式前的組件群的真實使用壽命來計算可靠性。圖3顯示了FRC East V22 FST所考慮的所有PCA故障模式的Weibull分析結果。

圖 3. 飛行小時數中預測的 PCA 故障率。資料來源：FRC East V22 FST 維護優化 (2022)。

當考慮到所有的故障模式時，一個部件的估計可靠性可以決定一個更好的計劃維修間隔。平均而言，70%的機隊庫存預測在大約3700飛行小時前需要拆除，而80%的機隊預測在大約4500飛行小時前會出現故障。項目領導層可以根據一個置信區間做出決定，以取代PMIC卡中公布的當前計劃維修間隔。這個間隔將適用于機群中的部件，并提高在評估的任何故障模式發生之前更換部件的可能性。通過真實的服務數據來改進預定維修，并且隨著數據的不斷收集，可以很容易地重新計算。

不幸的是，這種方法只提供了組件的累積故障概率。一個更好的方法是估計一個部件隨時間變化的條件性故障概率，也稱為危險率。機器學習模型，如Cox比例危險（CPH）模型和人工神經網絡（ANN）可能是有用的，因為它們最近被用于醫學研究，預測死亡率（Spooner等人，2020）。類似的工作可以使用DECKPLATE中保存的數據。

B.研究問題

本論文將重點討論以下研究問題。

主要問題。什么樣的機器學習算法能夠為飛機部件的預防性維護產生最佳的生存模型？

次要問題。DECKPLATE和其他資源庫中的哪些特征可以在預測部件存活率中得到利用？公布的PMIC要求和生存模型之間的平均故障時間（MTTF）有多大差異？對于適當的數據，Weibull等經典分布是否能很好地適應數據以估計未來的故障？

C.總結

第二章介紹了機器學習和可靠性分析的基本概念，并研究了以前使用機器學習進行預測性維護的嘗試。第三章更精確地描述了本論文所要解決的問題，以及所采用的一般方法。第四章描述了本論文所使用的方法以及其結構的合理性。第五章和第六章討論了本論文的結果和得出的結論。

可部署防空雷達（DADR）和固定防空雷達（FADR）系統提供空中和導彈威脅或入侵的早期預警。盡管這些系統的空中監視模式（AS）被優化以覆蓋主要與ABT（帶噴氣發動機的空中目標）有關的高度，但其波束中心設計和數字波束成形提供的靈活性使它們能夠納入其他次要的操作模式。例如，通過在空中監視波束序列中增加TBM（戰術彈道導彈）專用波束，可以實現更高的仰角覆蓋，從而可以同時探測和跟蹤TBM目標。

通過設計特殊波束和/或操作模式，實現更遠的范圍和更高的海拔覆蓋，可以考慮在低地球軌道（LEO）水平上的空間情況意識（SSA）/空間監視和跟蹤（SST）能力。使用基于調整波束序列的相同操作模式設計方法，這些功能只需通過軟件或輕微的硬件修改就可以獲得。

雷達切換到這種與低地軌道監視行動兼容的工作模式，可以由操作員內部觸發（使用先前加載的空間物體目錄），或通過接收先前定義的功能激活請求進行外部提示。獲得的SST能力，無論是在每個雷達上單獨運行還是在多雷達網絡中連接，都可以補充和加強現有SST專用雷達系統提供的SSA能力。

引言

DADR/FADR三維雷達系統的主要任務是提供預警監視，以行使大陸領土或部署部隊的空中主權。這些類型的雷達還有助于北約綜合防空和導彈防御（NATINAMDS），保障和保護聯盟領土、人口和部隊免受任何空中和導彈威脅和攻擊。

其基本的空中監視（AS）模式的波束模板進行了優化，以覆蓋一個具有較長儀器范圍的區域，方位角為360o，高度為100Kfeet。由自己的雷達搜索算法或外部提示觸發，所應用的雷達波束管理技術允許在正常的波束序列中增加波束，使得在同一方位角的各種類似TBM的目標的探測和跟蹤的仰角覆蓋范圍擴大，而在該方位角的ABT監視性能下降最小。

數字波束成形技術為操作者在能量、照明時間、波束轉向和波形管理方面對此類特殊專用模式的編程和配置帶來了極大的靈活性。因此，基于同樣的原則，具有更遠探測范圍和/或更高海拔覆蓋率的額外模式可以納入此類現有的DADR/FADR雷達系統，用于低地軌道水平的SSA/SST，而不需要或只需對硬件進行少量修改。SST能力可以由內部或外部操作。

• 負責低地軌道任務調度的雷達系統SW模塊，可以對其TLE參數先前已經加載的物體進行軌道傳播。然后，系統可以確定它們中的哪一個，在哪里以及什么時候會在雷達的覆蓋范圍內（考慮到低地軌道的延伸范圍和仰角覆蓋）。對于那些符合上述條件的軌跡，可以根據操作者的要求安排監視行動：系統將使用專用的低地軌道波束，試圖沿著編程的路徑照亮感興趣的目標。如果有編程的目標被照亮，根據回聲的探測和跟蹤啟動過程和標準，然后可以啟動一個低地軌道事件。

• 這一功能可以通過一個通信接口來加強，這樣就可以收到激活該功能的必要信息（外部CUE請求），包括搜索激活請求和系統確定要分析的物體的軌跡以及對監視嘗試進行編程所需的參數。

此外，可以建立一個特定的低地軌道運行模式，使其不強制要求在儀器覆蓋范圍內保持同時進行ABT監視活動。這顯然將提供更大的靈活性和性能，因為更多的系統資源可以專門用于低地軌道模式。

在傳感器層面獲得的能力（單獨運行的DADR/FADR傳感器）也可以通過整合從部署在不同國家的雷達系統收到的物體探測，產生一個傳感器網絡，來大大改善北約的SSA和共同認可的空間圖像。這種網絡可以補充和加強由現有雷達系統提供的SSA骨干能力，如已經在西班牙空軍莫隆空軍基地運行的S3TSR和/或其他類型的光學/光學/測距傳感器。

為了發展這一概念，本文件的其余部分組織如下：在第2節中，簡要介紹了DADR/FADR系統的波束模板適應能力，以及如何利用它們來提供特定的跟蹤能力。在第3節中，介紹了SSA/SST功能的提供，主要集中在一臺雷達上。然后在第4節中描述了雷達網絡的操作概念。最后，主要結論將在第5節中總結。

英國無人機戰爭組織與核裁軍運動(CND)合作發布的新簡報，探討了英國新興的軍事太空計劃，并考慮了所涉及的治理、環境和道德問題。

天基行動影響了現代生活和商業的許多方面。全球經濟嚴重依賴在軌衛星為各種服務提供通信服務，包括移動電話、互聯網、電視和金融交易系統。全球定位系統（GPS）衛星在運輸網絡中發揮著關鍵作用，而地球觀測衛星為天氣預報、氣候監測和作物觀測提供信息。

不幸的是，空間也是軍事行動的一個關鍵領域。現代軍事交戰在很大程度上依賴于天基資產。空間系統被用于全球的指揮和控制；監視、情報和偵察；導彈預警；以及支持部署在海外的部隊。衛星還為軍事和安全部隊提供安全的通信鏈接，包括武裝無人機遠程飛行所需的通信。許多精確制導彈藥使用由天基資產提供的信息來糾正其定位，以擊中目標。

發射小型衛星的成本下降正在推動一場新的 "空間競賽"，許多商業和政府行為者熱衷于利用空間開發帶來的經濟和戰略優勢。然而，這正在為沖突創造條件。衛星軌道有爭議，空間資產面臨各種自然和人工危害和威脅的風險，包括潛在的反衛星能力。 衛星系統不設防，極其脆弱，失去一顆重要的衛星可能產生嚴重后果。在國際緊張局勢下，一顆關鍵的軍事或兩用衛星（如用于導彈攻擊預警的衛星）的損失--通過事故、碎片或隕石的撞擊、技術故障或網絡攻擊或對關鍵地面基礎設施的類似攻擊--可能無意中導致軍事交換，造成重大后果。

雖然英國的太空計劃開始于1952年，但直到最近，它所取得的成功有限。與中國、法國、日本、俄羅斯和美國相比，英國在太空方面是一個相對較小的參與者，這些國家都有更大和更先進的太空計劃。然而，隨著商業航天部門的擴大和發射成本的降低，英國政府現在正將太空作為一個認真關注的領域。2021年9月，政府發布了一項國家太空戰略，旨在發展太空經濟，保護英國的太空利益。 2022年2月，英國防部發布了《國防空間戰略》，概述了"在一個威脅不斷增長的時代，國防部將如何保護英國的國家空間利益"。 該戰略宣布了發展空間資產和基礎設施的一攬子計劃，包括：

• 升級英國的天網軍事通信衛星網絡。
• 開發一個小型衛星網絡，用于情報、監視和偵察，并在未來可能用于目標選擇。
• 發展和加強空間資產的指揮和控制。
• 發展和空間領域感知（SDA）能力，以探測、跟蹤和識別軌道上的物體。

英國航天局目前正在支持開發三個用于從英國發射火箭的太空港址。這些太空港的擬議地點是：

• SaxaVord太空港（以前被稱為設得蘭太空中心）--設得蘭群島的Unst。
• 薩瑟蘭空間中心--薩瑟蘭。
• 康沃爾太空港--康沃爾的紐基機場。

盡管從太空港的發射將由商業公司進行，但其中許多預計將用于軍事或雙重用途。 空間利用已經演變成一種模糊的軍事/商業合作。

引起當地居民對太空港運營擔憂的問題之一是環境影響。火箭的發射開始產生環境問題，用燃料和廢氣污染了地面。在開發和制造火箭以及生產、儲存和燃燒火箭燃料時，會釋放出大量的二氧化碳。

火箭發射一直被認為對全球環境構成有限的威脅，因為直到現在，航天工業一直是小規模和不變的。然而，今天的快速增長和不斷擴大的太空旅游和運輸系統的威脅，再加上缺乏研究和監督，正在引起科學家、環保主義者和公民團體的關注。 到目前為止，對于什么是人類在太空中的負責任的行為，幾乎沒有一致意見，而且太空倫理學領域還處于起步階段。迫切需要在這些領域開展進一步的工作，以便在不考慮環境和道德因素的情況下推進空間的商業開發之前制定出 "基本規則"。

英國無人機大戰和CND提出以下建議，以解決目前空間政策中的一些差距。

• 需要對太空的商業和軍事用途及其好處和壞處進行更多的公開討論和辯論。
• 英國航天局和國防部應該為其空間業務和相關的地面發展制定良好的道德實踐準則。
• 需要進一步研究空間作業的環境影響，包括短期和長期以及在地球和空間的影響。
• 英國航天局不應該為可以預見的高道德和環境風險的項目提供資金或支持。
• 在開發太空港之前，應該進行有意義的環境影響評估，包括空間影響評估。
• 英國政府應繼續在國際上開展工作，促進負責任的空間行為，同時確保其自身的空間行為無可指責。

stateof.ai發布了最新的“人工智能報告”，非常值得關注！

《2022年人工智能狀況報告》由業界和研究領域的領先人工智能從業者撰寫。它考慮以下關鍵方面，包括一個新的安全部分: 研究:技術突破及其能力。 行業:人工智能的商業應用領域及其商業影響。 政治: 人工智能的監管、其經濟影響和人工智能的地緣政治演變。 安全: 識別和減輕未來高能力AI系統可能給我們帶來的災難性風險。 預測: 我們認為會發生的事情，并進行績效評估以保持我們的誠實。 //www.stateof.ai/ 《2022年報告》的主要主題包括:

新的獨立研究實驗室正在迅速開放成果，以前主要由大型實驗室的封閉源輸出。盡管人們普遍認為，人工智能研究將越來越多地集中在少數幾家大型企業中，但計算成本和獲取途徑的降低，已導致規模小得多、以前不為人知的實驗室產生了最先進的研究。與此同時，AI硬件仍與NVIDIA緊密結合。

主要的人工智能研究實體對安全的認識正在提高，據估計，目前有300名安全研究人員在大型人工智能實驗室工作，而在去年的報告中，這一數字還不到100人。當人工智能安全成為主流學科時，主要人工智能安全學者的認可度提高是一個有希望的跡象。

中美人工智能研究的差距繼續擴大，自2010年以來，中國機構發表的論文數量是美國機構的4.5倍，遠遠超過美國、印度、英國和德國的總和。此外，中國在涉及安全和地緣政治的領域處于顯著領先地位，如監視、自治、場景理解和目標探測。

人工智能驅動的科學研究繼續帶來突破，但數據泄露等重大方法論錯誤需要進一步拷問。盡管人工智能在科學上不斷取得突破，但研究人員警告稱，人工智能的方法錯誤可能會泄露給這些學科，導致基于人工智能的科學在一定程度上因數據泄露而引發的再現性危機日益嚴重。

摘要

欺騙技術在網絡防御領域越來越受歡迎。本文試圖將欺騙建模為非合作博弈環境下的戰略決策。我們將網絡安全系統和黑客之間的互動建模為一個攻擊者和防御者的博弈。為攻擊者引入了一個無成本的指數學習方案，其中的博弈是在一個抽象的網絡圖上進行。該博弈在主動目錄用戶網絡上模擬了特權升級攻擊的場景。欺騙，以假用戶的形式，被植入整個網絡。博弈的策略在于在網絡的不同位置放置誘餌，以阻礙攻擊者實現其目標的理想路徑。結果表明，即使是最簡單的基于欺騙的安全系統，也會大大減緩攻擊者實現其目標的速度。此外，結果表明，與節點相關的網絡參數和成本陰影在決定結果方面起著重要作用。

關鍵詞：網絡安全；博弈論；欺騙；模擬；攻擊者與防御者博弈

1 簡介

傳統的網絡安全防御依賴于基于周邊的方法（Zaliva，2008）。這些方法利用異常檢測系統，通過分析安全數據湖來應對我們的可疑事件。數據湖是收集安全網絡內不同系統日志的數據存儲。安全數據湖是巨大的，每秒鐘從各種數據源中獲取數百萬安全事件。任何異常事件都會被檢測到，并顯示給安全分析員，以檢查警報的真實性和準確性。然而，由于以下原因，這些系統并不健全。

1.大量的誤報(Axelsson, 2000)

2.捕獲、存儲和索引數據湖是一個昂貴和復雜的過程。

此外，大量的錯誤警報會給安全分析員帶來損失，導致真正的警報被遺漏的情況發生。這些系統遵循被動的防御策略，其目標是防止攻擊。這很少奏效，因為破壞目標系統的平均時間較短，而且一直在穩步下降（Leversage and Byres, 2008）。傳統的網絡周界--許多這些預防技術通常部署在這里--已經變得松散，并經常被突破。云計算、移動性和自帶設備（BYOD）以及面向互聯網的應用程序的激增，使得這些周邊防御變得無效（inc，2017）。

欺騙技術作為一種積極的網絡安全防御形式正在迅速崛起（Mitnick和Simon，2011；Almeshekah，2015；Yuill等人，2006），并被用于緩解上述情況。欺騙技術的重點是創造陷阱（欺騙/誘餌）和誘餌，并部署在現有的IT基礎設施內。所使用的欺騙手段并不是常規操作的一部分，而只是在網絡攻擊中被揭露。攻擊者或入侵者花費時間和精力來定位和訪問分布在企業網絡中的欺騙行為。他們這樣做是認為欺騙是真實的，但實際上是專門為攻擊而設置的。任何關于欺騙的操作都是對妥協的積極肯定。換句話說，在一個基于欺騙的解決方案中，一個高度積極的異常現象會宣布自己，從而減輕假陽性的泛濫（inc，2017）。

在本文中，我們制定了一個非合作性的攻擊者-防御者博弈，以模擬攻擊者和防御者之間的互動，使用欺騙作為主動防御的工具。將黑客和安全系統之間的互動建模為一個博弈的想法并不新穎（Zhuang等人，2010；Xu和Zhuang，2016）。然而，在一個圖框架內使用欺騙來定義博弈模型，之前還沒有人嘗試過。在我們的框架中，每個原子欺騙單元被認為是由真實服務單元組成的圖中的一個節點。我們把這個圖稱為抽象網絡圖（ANG）。ANG是對真實網絡圖的一種同構抽象。每個原子功能單元都是ANG的一部分。因此，由各個功能單元組成的主機本身就形成了子圖。例如，一個企業的主機有一個網卡（NC），它連接在主板上，由CPU控制。NC、主板和CPU可以被看作是企業ANG的節點。在這個主機上運行的任何應用程序或進程也將是ANG的一部分。圖1中顯示了一個代表不同類型節點的ANG樣本。我們設計了在內部ANG放置欺騙的策略，以最大限度地提高防御者獲勝的機會。不同的攻擊場景被建模和模擬，以列舉攻擊者可能遵循的不同可能性。關鍵的想法是欺騙攻擊者并誤導他，從而耗盡他的資源。

圖1. 一個企業中的抽象網絡圖（ANG）樣本

攻擊者所追求的資源之一是活動目錄（Chadwick, 2005; Metcalf, 2016）。活動目錄服務控制著廣泛的基于目錄的身份相關服務的訪問權。為了使建模更加真實，我們選擇活動目錄攻擊來進行博弈模擬。攻擊者試圖通過不同的策略來控制AD。我們將建模的重點放在使用密碼重置方法Metcalf（2016）的一種特權升級形式上。這種形式的攻擊通常被稱為重置密碼攻擊。其基本思想是利用未經授權的訪問權限授予用戶認證。為了減輕這種攻擊，我們以假用戶和假憑證的形式進行欺騙，以誤導攻擊者。我們提出了我們對這些攻擊的模擬結果和分析。

這項工作的主要貢獻和意見是：

• 使用欺騙手段制定攻擊者-防御者博弈的基于圖的新方法

• 經驗表明，部署欺騙會大大增加攻擊者實現其目標的工作量。

• 表明通過增加欺騙手段來增加圖中的節點數，即用戶數是有益的。

• 確定了圖的屬性在攻擊者和防御者之間的決斗結果中起著重要作用。

盡管我們為主動目錄攻擊建立了博弈模型，但我們的博弈模型是可擴展的，并能穩健地模擬任何基于欺騙的防御策略。本文的其余部分如下：在第2節，我們描述了欺騙和ANG背后的概念。我們在第3節中介紹了我們的工作背景。在第4節中，我們解釋了博弈的制定和包含的模型。第5節解釋我們的實驗設置。在下一節中，將介紹模擬的結果和討論。最后在第7節中對本文進行了總結，并提出了一些未來的指導意見。

圖 3. 特權升級與欺騙之間的部署。在這種情況下，攻擊者被迫探索更大的網絡。

摘要

《不列顛之戰：第一個綜合防空系統 》，作者是LTC Gregory P. Shipper，50頁。

不列顛戰役是唯一一場完全由空中力量進行的戰役，并取得了勝利。本專著所探討的研究問題是：英國的綜合防空系統是如何阻止德國空軍為入侵英國而設定的要求的？英國人之所以取得勝利，是因為他們的分層防御計劃給沒有護衛的德國轟炸機帶來了多個同時存在的問題，使他們無法專注于他們的指定任務。雷達的秘密使用導致英國皇家空軍有能力預先確定其時間地點，并選擇讓英國戰斗機中隊與轟炸機交戰。英國人比德國人更迅速地了解作戰環境的變化的能力，導致他們有能力在德國的決策周期內行動。約翰-博伊德上校的OODA循環概念的設計是為了幫助更好地理解不斷變化的環境，比敵人更快地提出多個問題讓他們解決，阻止他們完成任務。對今天的作戰環境來說，重要的是技術如何幫助以更快的速度處理信息，加快了解戰場的過程，并比敵人更迅速地運作。

簡介

1940年6月5日，德國總理阿道夫-希特勒正處在一個十字路口。德國軍隊剛剛迫使英國遠征軍（BEF）離開歐洲大陸，法國國家政府也已經投降。這意味著德國以相對最小的努力成功地接管了整個歐洲大陸或使之中立化。希特勒有消滅約瑟夫-斯大林和他的共產主義政府的宏偉計劃。但是，他仍然需要讓英國通過談判達成解決方案，結束西部的戰斗，這樣他就可以集中所有的精力來對付蘇聯。德國在戰時沒有能力進行兩線作戰，因為它缺乏必要的原材料資源，無法為德國的戰爭工業提供燃料。如果德國首先攻擊蘇聯，它可以獲得繼續對任何一個國家進行戰爭所需的材料。然而，如果德國先攻打英國，它就不得不犧牲自己的資源來保存戰斗力，以便日后與蘇聯作戰。希特勒選擇先攻打英國，希望能迅速取得勝利。當德國未能取得對英國的勝利時，他們將注意力轉向了東線。他們進攻蘇聯，這將是人類最大規模的軍事行動。在1940年7月1日至10月31日的短暫時間里，英國皇家空軍不畏艱險，將第一次決定性的失敗交給了德國戰爭機器。

英國人在對抗德軍的努力中取得了成功，因為他們的綜合防空系統。本文探討了英國綜合防空系統背后的網絡，它將所有使防空系統獲得成功的各種碎片和組織匯集在一起。綜合防空系統的整體成功歸功于皇家空軍（RAF）戰斗機司令部的指揮官休-道丁（AOC）的工作。他明白，保衛英國本土不受攻擊的唯一方法是將各個司令部整合到一個能夠協調其集體努力的單一控制之下。道丁的計劃基于這樣的信念，即英國人需要在德國飛機到達目標之前將其損失最大化，這是英國人在整個英國天空的戰役中取得成功的關鍵因素。道丁制定并實施了一套針對德國轟炸機編隊的防御系統，降低了他們到達目標的能力。德國戰斗機的燃料限制意味著一旦轟炸機編隊越過英吉利海峽不久，就會有有限的或沒有戰斗機的覆蓋。掌握了這個關鍵的弱點后，道丁指示他的戰斗機中隊集中力量對付沒有護航的轟炸機。德國戰爭機器遭受的損失是不可持續的。最終，德國人將他們的大部分空軍部隊從戰場上撤出，集中精力對付即將到來的蘇聯東部戰役。

道丁系統的綜合防空系統部分的設計是首創的，它使英國人能夠集中精力，減少在分配哪個航空中隊對即將到來的德國威脅發動的冗余。本文要探討的研究問題是：英國的綜合防空系統是如何阻止德國空軍設定德國入侵英國的要求的？證據支持，這場戰役的成功很大程度上屬于休-道丁空軍元帥的概念，以及他如何將各種組織組織在一起的想法，對英國人的成功至關重要。為了使他的計劃可行，道丁不得不爭取必要的資產，當時英國政府的重點是建立和裝備新的戰斗機中隊，以便在歐洲大陸上協助法國的戰爭。道丁的綜合防空計劃的總體概念并不限于對德國編隊的觀察。他還使用了第一次世界大戰期間使用的經驗和技術，將齊柏林飛機引導到高射炮（AAA）的有效射程和英國飛機的飛行路線上。

AOC道丁用來進入德國決策周期的過程從來都不是原創或獨特的。他認識到，德國人在他們所有的編隊中一直使用相同的模式，并沒有改變它們。約翰-博伊德上校觀察到，在朝鮮戰爭期間，他的中隊與共產黨的部隊作戰時，也在使用同樣的觀察方法。博伊德將他的意見總結為一個概念，即OODA（觀察、定位、決策和行動）循環。這個模型可以用來剖析英國人如何戰勝德國空軍的原因。現有的英國防空理論和在空戰開始時部署在關鍵地點的可用設備為防御計劃奠定了基礎，當德國空軍在對該島的早期空襲中展示他們的理論和戰術時，它們得到了擴展。

本研究以博伊德上校的OODA循環為比較模板，說明英國空軍司令部如何對德國的戰術進行調整，以保持他們的能力，防止德國的轟炸行動產生預期效果。在事后看來，博伊德的概念顯示了一個組織如何能夠成功地對新出現的情況作出反應，從而走在德國軍隊的前面。首先要研究的是，英國人是如何根據他們對德國人在整個第一次世界大戰期間如何進行空中作戰的觀察來設計他們的第一個理論和戰術的，以及他們如何在整個戰爭的剩余時間里根據觀察到的變化繼續進行改進。這些觀察為多層次的綜合防空計劃的發展提供了依據。它們幫助英國人將其最初有限的資產沿英國海岸線和重要的人口和戰爭物資生產中心周圍定位，防止德國人實現其戰略目標。英國人如何應對不斷變化的環境，決定了他們如何能夠發展和實施最新的理論和戰術，通過為海上入侵英國創造條件來阻止德國空軍獲得他們的戰略目標。其次，在戰時時期，英國政府讓軍隊接受了幾次大規模的預算削減和裁軍計劃。他們繼續在紙上進行防空計劃的改進，并進行討論，以進一步測試新的想法，而沒有大量預算的好處，也沒有能力實地測試多種新武器。最后，不列顛戰役是對英國人民生存的終極考驗，因為他們必須對抗一支擁有經驗豐富的飛行員的優勢空軍，這些飛行員在短短七個月內對歐洲大陸的淪陷做出了很大貢獻。

為了了解英國人是如何戰勝一支優勢的敵人空軍的，我們將把他們與博伊德上校的概念進行比較。博伊德將他的OODA概念建立在個人與環境不斷互動的基礎上，只有那些適應不斷變化的條件的人才能生存下來。英國證明，盡管德國空軍在裝備和經驗上有許多優勢，但它并不是不可戰勝的。道丁系統是世界上第一個綜合防空系統。它使盟軍的戰爭生產能力得到了保護，使人們的注意力集中在增加戰爭物資的生產上，而不是對設施的不斷維修。最后，它為英國增加了更高程度的保護，戰斗機中隊更接近他們的目標，這延長了他們飛越目標的時間。

美國海軍和國防部（DOD）正在優先考慮在各戰爭領域迅速采用人工智能（AI），以保持對美國有利的技術優勢。機器學習（ML）是最近人工智能發展的基礎，它存在著一個持續的、沒有得到充分解決的關鍵缺陷：對抗性樣本。自2013年發現以來，在深度神經網絡（DNN）分類器中出現了許多新形式的對抗性樣本攻擊，并提出了許多狹義和特殊的防御措施。這些防御措施都沒有經受住反測試。一些研究人員提出，這種易受攻擊性可能是不可避免的。到目前為止，還沒有發現有效的、可計算的、通用的方法，可以加固DNN，使其免受這種和相關的泛化問題的影響。我們的前提是，ML模型對所有對抗性樣本的魯棒性與抵抗力，可以通過將模型分類空間數據密集區之間的數據點稀疏的潛在空間，作為障礙隔離來改進。我們研究了兩種不同的方法來實現這種對基于對抗性樣本的攻擊防御，測試這些防御對最有效的攻擊，并將結果與現有的技術狀態的防御進行比較。

第一章 引言

人工智能（AI）已被提出來作為推進國防部能力的一個關鍵推動因素。人工智能國家安全委員會在其最終報告中寫道："如果我們的武裝部隊不加速采用人工智能，他們的軍事技術競爭優勢可能會在未來十年內喪失"，建議 "美國現在必須采取行動，將人工智能系統投入使用，并在人工智能創新方面投入大量資源，以保護其安全，促進其繁榮，并保障民主的未來" [1]。鑒于人工智能或更具體地說，深度神經網絡（DNN）中的機器學習（ML）最近在科學和工業領域取得了廣泛的突破，這種關注無疑是恰當的。然而，在國防應用中利用ML和其他現代 "深度學習 "方法并非沒有其固有的附加風險。

最近的人工智能主張已經近乎夸大其詞；當然，在與軍事和文職領導層的高層溝通中，也發生了一些夸大其詞的情況。作為這種夸張的例子，參考一下《2019年美國總統經濟報告》是如何向美國領導人介紹機器視覺方面的人工智能狀況的。在第343頁題為 "2010-17年人工智能和人類的圖像分類錯誤率 "的圖表中，它顯示了 "人類分類 "錯誤率與機器分類錯誤率將在2015年超過人類圖像分類能力。對這一說法仔細考慮并對參考研究甚至是當前最先進研究進行檢查，顯示這一特殊的發展仍然是一個遙遠的、尚未達到的里程碑。

1.1 深度學習的突破

即使ML仍然存在挑戰，近年來，機器學習在科學、工業和商業領域的成功應用也在急劇增加。深度神經網絡已經在自然語言處理、天文學、癌癥診斷、蛋白質折疊、語音識別和機器視覺等不同領域取得了巨大的進步[2]-[8]。因此，這類系統的潛在軍事應用同樣比比皆是：分析頻譜上下的聲學和電磁傳感器數據、機器視覺、尋找-修復-跟蹤和瞄準對手的飛機、地下、水面和陸地戰斗人員、人類語言處理、語音識別、自主空中/地面/地下/陸地車輛、信息戰、情報、監視和偵察（ISR）整合、機器人技術、網絡防御、網絡攻擊、戰術決策輔助，等等。

1.2 深度學習的脆弱性

盡管這項技術帶來了巨大進步，但目前的ML分類方法創建的模型在其核心上是有缺陷的，因為它們非常容易受到對抗性樣本攻擊和相關欺騙技術的影響[9]。廣義上講，文獻中定義的這類攻擊有三類：探索性攻擊、逃避性攻擊和中毒性攻擊。在本報告中，我們主要關注防御我們認為最關鍵的需求，即逃避攻擊。為了提供背景，我們簡要地概述了這三種攻擊。探索性攻擊，對手并不試圖實現錯誤分類，而是試圖通過精心設計輸入來獲得模型的知識，這些輸入的結果將提供關于模型內部狀態的信息，其目的是減少模型的不確定性，以支持未來的攻擊。中毒攻擊試圖在訓練期間修改模型，以偷偷地完成模型的一些未被發現的行為變化。最后，在逃避攻擊中，攻擊者不知不覺地修改了人工制定或模型的輸入，以產生分類的變化，從良性的或最初設定的類別到一些其他的、欺騙性的不真實的類別[10]。這最后一類是我們防御的重點，從這一點出發，我們把這些簡單地稱為對抗性樣本攻擊[11]。

自從2013年最初發現DNN分類器中的對抗性攻擊（逃避）以來，已經出現了許多種這樣的攻擊，并且至少提出了同樣多的狹義的特定防御措施作為回應。不幸的是，到目前為止，所提出的防御措施沒有一個能經受住反測試和適應性攻擊[12]。一些研究人員提出，這種易感性可能是空間中問題表述的一個不可避免的特征[13]。目前，還沒有發現一種有效的、計算上可接受的、通用的方法，可以支撐DNN對抗類似的相關的泛化問題[12], [14]。

1.3 國防部（DoD）的影響

在國防部的范圍內，大家都承認欺騙在戰爭中起著核心作用。因此，戰爭系統必須被設計成對欺騙有高度的適應性[15]。馬基雅弗利在“Prince”中寫道："......雖然在任何行動中使用欺騙都是可憎的，但在發動戰爭時，它是值得稱贊的，并能帶來名聲：用欺騙征服敵人與用武力征服敵人一樣受到稱贊。" 對孫子來說，這甚至是更重要的因素，"所有的戰爭都是基于欺騙"。在國防應用中，至關重要的是，不僅系統在戰斗開始時就如設計之處那樣工作，而且它們應該具備有彈性對狡猾的、有同樣資源和動機的對手的潛在計劃。

誠然，ML在民用和科學方面已經取得了巨大的成功。盡管民用工業技術領域與軍事技術需求有很大的內在交集，但應該注意到，后者并不是前者的完美子集。也就是說，戰爭的現實要求其技術必須為虛假信息和故意欺騙的行動、展示和通信做好準備。這兩個領域之間的這些不同假設意味著，在一個領域已經準備好的東西，在另一個領域可能還沒有準備好。在整個國防部，納入這些技術的系統正在被考慮、開發，在某些情況下已經被采用，目的是增強或取代我們一些最關鍵的國家安全能力。在軍事應用中，特別是武器系統和殺傷鏈內的系統，必須消除或至少減少對抗樣本，并對其進行補償，使故障呈現最小的風險。其余的風險必須被明確指出、發現并被作戰人員充分理解。不仔細和充分地解決這個問題是不可想象的，否則我們就有可能采用脆弱性技術，將災難性的漏洞引入我們關鍵戰爭系統。

1.4 增強防御措施

在防御基于機器學習技術的系統不受欺騙的潛在戰略背景下，我們介紹了一種防御措施。我們的前提是，ML模型對所有對抗性樣本的魯棒性與抵抗力，可以在模型分類器的分類空間數據密集區之間的數據點稀疏潛在空間中插入一個 "填充 "或 "屏障 "的方法來提高[13], [16]。我們相信，通過統計學插值或采用變分自動編碼器（VAE）[17]或生成對抗網絡（GAN）[18]來插值和投射到這個空間的模型可以創建人工填充類樣本來增加數據集，所產生的模型將能夠成功地區分合法數據點和對抗性樣本，同時保持與最先進分類方法相稱的準確性。