基于機器的態勢感知是與我們所處的復雜世界進行有意識的智能互動的關鍵因素，無論是對單個單位、復雜的動態系統，甚至是復雜的系統簇。為了建立這種意識，需要經常收集準確和實時的情報數據，以確保及時、準確和可操作的信息。無人駕駛飛行器（UAV）和其他半自主的網絡物理系統越來越多地成為評估我們周圍世界狀況和通過監視和偵察任務收集情報所采用的機制和系統。目前，人道主義和軍事行動的技術水平仍然依賴于人類控制的飛行/資產操作，但隨著自主系統的增加，有機會將其卸載到設備本身。在本文中，我們提出了一種原則性的、可擴展的方法，用于評估各種情況下自主設備集體的相對性能。所提出的方法以無人機群為例進行說明，預計將發展成為一種通用工具，為此類集體的部署提供信息，提供從問題規格、已知約束和目標函數推斷關鍵參數值的方法。

這本技術手冊涵蓋了對抗全方位的無人駕駛飛機及其各自系統組件的所有方面。它應該通過啟動思考和強調北約對打擊無人駕駛飛機系統的全面解決方案的方法，來幫助匯集民間和軍事專家。這本書很有用，是對聯合空軍和空間力量委員會出版的學術著作的寶貴補充。

 圖1.3提供了無人機系統組件及其相對空間排列的概況。根據組件本身、它所處的領域以及它與北約部隊的潛在距離，有不同的攻擊點作為采用反措施的選擇。雖然這些攻擊點可以由以下各節描述的任務來解決，但所有的攻擊點都應相互補充，并有助于全面的、多領域的C-UAS努力。

部隊保護

LSS無人機系統作為COTS產品，任何人都可以輕易獲得，并對關鍵的公共基礎設施和軍事設施構成迫在眉睫的威脅。確保友軍和關鍵基礎設施安全的部隊保護措施通常集中在需要保護的區域。自然和人為的障礙物，如樹木或建筑物，可以覆蓋LSS無人機系統的接近，并大大延遲對該地區這些物體的探測，進一步縮短可用的反應時間。力量保護措施的主要目的應該是拒絕UAS進入保護區域。然而，出于情報目的安全捕獲UAS可能也是可取的。

空中防御

較大的無人機系統可以在高達30,000英尺的高空運行，在某些情況下甚至更高。這些無人機系統的雷達截面（RCS）與任何其他傳統的飛機相當，因此可以被大多數空中和導彈防御（AMD）系統探測到并參與。然而，現代地對空彈藥并不便宜，而且是為打擊高價值目標而設計的。大量或成群的低成本無人機系統可能會迅速顛覆傳統AMD的成本效益比，并使目前的系統效率降低。短程防空（SHORAD）、反火箭炮、火炮和迫擊炮（C-RAM）系統，甚至是傳統的防空炮可能提供有效的，但也是高效的，對無人機系統的防御。

近距離空中支援和空中攔截

大型無人機系統的發射和回收通常從任務區內部或附近的地面控制站（GCS）進行。地面控制站可以是移動的，安裝在卡車上，也可以是固定的，放在地面上，例如靠近機場。在任何情況下，大型無人機系統的發射和回收元件（LRE）是一個高價值的目標，因為它通常負責發射和回收幾個無人機。消除一個LRE可能會使無人機系統的操作在相應的地區停止，因為新的無人機系統不能再被發射，空中的無人機可能無法被安全回收。因此，人工智能可能會在對手的無人駕駛能力甚至可以用來對付友軍之前，破壞、降低、拒絕或摧毀它們。

特別行動

一旦升空，大型系統通常可以從LRE移交給MCE，并通過衛星通信（SATCOM）進行BLOS操作。MCE可以位于任務區以外的地方，可能是在對手的領土深處，并利用一個加固的基礎設施。北約特種作戰部隊（SOF）可能被用作攻擊敵方MCE本身的手段，摧毀對無人機系統BLOS操作至關重要的SATCOM地面節點，甚至在無人機系統機組成員下班后殺死他們的戰斗人員。

網絡戰

無人機系統完全依賴于其計算機系統、信息技術和網絡連接。控制站，特別是在固定裝置（如MCE）內的控制站，有可能通過網絡空間受到攻擊，利用其硬件和軟件的安全漏洞，也可以利用人為的故障、疏忽或易感性。通過GSM網絡運行的COTS無人機系統很可能只能通過網絡空間領域進行訪問，因為電磁頻譜中的對抗措施可能是禁區，例如，如果頻率被公開使用。

電磁戰

無人機系統的C2是通過LOS或BLOS無線電傳輸進行的，通常也依賴于定位、導航和定時（PNT）信號。電磁作戰（EMO）可用于所有層級的UAS，以阻礙和破壞C2和PNT傳輸，甚至欺騙PNT信息以轉移或降落UAS。然而，"傳統 "的電子戰（EW）有其局限性，現代型號的UAS能夠自主飛行，不再依賴連續的數據鏈。然而，即將到來的定向能武器（DEW），如高功率微波（HPM）或高能激光（HEL），可能會給EMO組合增加動能，并可用于使傳感器有效載荷無法使用或摧毀無人機本身。

情報、監視和偵查

檢測飛行中的UA通常是防御它們的第一步。較大的UA甚至可以用傳統的雷達系統探測到，而LSS UA需要更多的專業設備將其與雜波，如樹葉和鳥類區分開來。然而，除了空域監視之外，可靠地識別入侵的無人機系統及其能力，以及識別C2傳輸的來源，對于選擇適當的反措施至關重要。這包括關于UA的能力和自主水平、對手LRE和MCE的位置，以及SATCOM資產和使用的頻率的信息。C-UAS系統必須得到這些信息，最好是實時的，以處理一個合適的目標定位解決方案。

空間領域

SATCOM是BLOS無人機系統操作的一個重要部分。但COTS UAS也利用各自衛星群提供的PNT信號。在 "外空條約 "的限制下，針對天基通信和PNT的反措施可能是一個合法的選擇，以抵御對手UAS的整個艦隊。這不一定需要反衛星武器的動能交戰。事實上，地面或天基干擾能力可能是有效的，而不需要冒產生大量碎片的風險，這些碎片可能使整個軌道無法為人類所用。

在過去的半個世紀中，美國海軍一直是海上的主導力量，但技術的進步使其他國家有能力縮小差距，并在某些情況下威脅到美國的優勢。美國海軍、海軍陸戰隊和海岸警衛隊是保護海洋領域的三位一體力量。一個潛在的脆弱領域是在瀕海環境中。然而，新興的商業技術，如5G，可以擴大該環境中的系統和能力的足跡，供海軍部門使用。私營部門已經在開發5G最先進的資源方面處于領先地位，這使得載人和無人系統能夠完成更多任務。海軍部門實施商業可用系統的一個長期障礙是國防部希望成為其采用的任何系統的所有者和經營者。在海軍行動中利用現有商業系統的一個好處是在不開發全新系統的情況下提高能力。這篇論文探討了美國海軍部門使用商業5G技術的當前和預測能力。本研究對5G毫米波進行了測試。本論文還研究了一個理論上的新系統，它整合了商業系統以滿足海軍的要求。

引言

電信技術的發展速度超過了美國（U.S.）軍隊測試和評估作戰用途的速度。在整個國防部（DOD）中不斷出現的一個流行語是 "5G"，許多人認為第五代蜂窩技術可能被用來加強國家安全。5G技術可以在國防部各部門內開發和運行，但以前的采購和政策減緩了實施的機會。商業部門不受這些相同政策或限制的限制。商業部門收集的專業知識和經驗使他們能夠以更快的速度構建和測試最新技術，使國防部可以隨時利用技術。國防部可以使用5G的一個領域是在沿海地區。

在過去的半個世紀里，美國一直是海上的主導力量，但隨著技術的進步，對手國家已經取得了巨大的進步，擴大了他們的影響力，威脅著美國的主導地位。在《海上優勢的設計》中，海軍作戰部長（CNO）反思了這樣一個事實："自從我們上次爭奪海上控制權、海上交通線、進入世界市場和外交伙伴關系以來，已經過去了幾十年"（海軍作戰部長，2018）。3-32號出版物將 "海洋領域描述為大洋、海洋、海灣、河口、島嶼、沿海地區，以及這些地區上方的空域，包括沿岸地區"（參謀長聯席會議，2013年，第viii頁）。隨著海軍、海軍陸戰隊和海岸警衛隊在海洋領域的近岸地區的責任增加，沿岸地區被認為是一個缺乏適當關注和資源的地區。這是一個問題，因為海軍部門在沒有新的資金來開發新的戰術、技術和程序以應對潛在威脅的情況下，監測和檢測有爭議的環境中的可信威脅是一個挑戰。利用5G的下一代電信，應該能夠增加范圍和數據吞吐量，并具有低延遲率，從而提高海軍行動的海洋領域意識（MDA）能力。

這項研究的目的是開始探索5G在沿岸環境中的能力，并從理論上提出一個作戰概念（CONOPs），即各種商業智能自主系統（IAS）可以利用安全的5G系統網絡（SOS）來應對該領域日益增長的競爭者能力和威脅。這種潛在的游戲規則改變可以減輕海軍部門建立和維護獨立5G系統的心態，根據任務要求利用現有的商業基礎設施。美國防部可以通過轉向這種在沿海地區加強MDA的新方式來潛在地節省資金、時間和資源。本研究針對的研究問題是：

• 沿海環境中的5G互聯商業系統如何影響各種任務集的海洋領域態勢感知？

• 海軍部門如何從5G商業概念的系統中獲益？

• 這個框架是否可以在全球范圍內部署？

• 海軍部門利用商業5G框架所需的要求和條件是什么？

通過這些問題的指導，對沿海環境帶來的挑戰的洞察力浮出水面，并探討了啟用5G的IAS系統可以通過可能的解決方案來彌補差距的方法。

論文提綱

第二章：文獻回顧。第二章提供了國防部的政策概述，包括對當前和未來技術進步的限制以及5G如何從商業方面創造機會。本章最后概述了本論文的主旨，描述了在沿海地區擴展安全的5G網絡的能力，并納入了支持智能自主系統的私營部門解決方案，以潛在地支持海洋領域意識。

第三章：方法論和系統描述。第三章說明了使用AT&T在海軍研究生院（NPS）海陸空軍事研究（SLAMR）設施上的新的5G毫米波（mmW）塔的初步設計，以建立不同地點的吞吐量，幫助促進基線，因為測試增加到沿岸地區。這一章還匯集了一個行業聯盟的CONOP，分解了不同的系統，可以應用于SOS 5G概念。

第四章：測試結果和服務適用性。第四章描述了在SLAMR設施進行的不同應用測試的結果。還包括如何應用先進技術來加強海軍服務，以提高情況意識，并為作戰人員提供改進的決策的細節。

第五章：結論和未來研究。第五章概括了本論文的制作，分析了海軍部門利用商業安全海上5G作為開發和擁有自己的5G網絡架構的替代方案的CONOP的能力。本章還包括了對未來工作的建議，以便從CONOP轉向概念驗證。此外，還討論了國防部內其他潛在的技術研究項目，簡要地描述了國防部的進展方向。

美國國防部（DOD）使用漏洞評估工具來確定其許多網絡系統的必要補丁，以減輕網絡空間的威脅和利用。如果一個組織錯過了一個補丁，或者一個補丁不能及時應用，例如，為了最大限度地減少網絡停機時間，那么測量和識別這種未緩解的漏洞的影響就會被卸載到紅色團隊或滲透測試服務。這些服務大多集中在最初的利用上，沒有實現利用后行動的更大安全影響，而且是一種稀缺資源，無法應用于國防部的所有系統。這種開發后服務的差距導致了對進攻性網絡空間行動（OCO）的易感性增加。本論文在最初由海軍研究生院開發的網絡自動化紅色小組工具（CARTT）的自動化初始開發模型的基礎上，為OCO開發和實施自動化后開發。實施后開發自動化減少了紅色小組和滲透測試人員的工作量，提供了對被利用的漏洞的影響的必要洞察力。彌補這些弱點將使國防部網絡空間系統的可用性、保密性和完整性得到提高。

1.第二章：背景

第二章詳細介紹了CO中后開發的重要性，并通過分類法解釋了后開發的影響。它還研究了現有的后開發框架和工具，它們試圖將后開發自動化。本章還強調了其他工具和框架的不足之處，并討論了本研究如何在以前的工作基礎上進行改進。

2.第三章：設計

第三章介紹了CARTT是如何擴展到包括自動后開發的。這項研究利用了CARTT客戶-服務器架構的集中化和模塊化來擴展后開發行動。本章還詳細討論了發現、持續、特權升級和橫向移動等后剝削行動。

3.第四章：實施

第四章介紹了CARTT中實現的代碼、腳本和工作流程，以實現自動化的后剝削。它詳細描述了Metasploit框架（MSF）資源腳本的重要性，以及CARTT服務器、CARTT客戶端界面和CARTT操作員角色之間的通信。

4.第五章。結論和未來工作

第五章對所進行的研究進行了總結，并討論了研究的結論。它還提供了未來工作的建議，以進一步擴大CARTT的可用性和能力。

當 "伊斯蘭國 "在2014年使用無人機（UAV）襲擊聯軍時，無人機的使用范圍迅速擴大，使弱國和非國家行為者對技術上占優勢的敵人具有不對稱的優勢。這種不對稱性導致美國防部（DOD）和國土安全部（DHS）在反無人機系統（CUAS）上花費大量資金。盡管市場密集，但許多C-UAS技術使用昂貴、笨重和高耗能的電子攻擊方法進行地對空攔截。本論文概述了當前用于C-UAS的技術，并提出了一個深度防御的框架，即使用裝備有網絡攻擊能力的機載C-UAS巡邏隊。利用空中攔截，本論文開發了一種新型的C-UAS設備，稱為可拆卸的無人機劫持器--一種低尺寸、重量和功率的C-UAS設備，旨在利用IEEE 802.11無線通信規范對商業無人機進行網絡攻擊。實驗結果顯示，可拆卸無人機劫持器重400克，耗電1瓦，價格250美元，可以攔截對手的無人機，而且沒有意外的附帶損害。這篇論文建議國防部和國土安全部使用類似于 "可拆卸無人機劫持者 "的技術，納入空中攔截以支持其C-UAS深度防御。

總結

這項工作表明，美國目前打擊無人駕駛系統的框架是不夠的，因為它缺乏打擊敵對集團的多管齊下的攻擊所需的能力。由于應對高空飛行的無人機所需的技術限制，地面的地對空導彈和其他基于地面的反無人機系統（C-UAS）技術如果作為獨立的系統使用是有缺陷的。相反，一個為空中攔截而設計的無人機網絡中隊，盡管其本身技術復雜，但提出了一種新的方法來對抗敵方的無人機。

本論文首先確定了國防部（DOD）和國土安全部（DHS）目前正在使用的C-UAS技術。然后，本論文討論了用于破壞數字通信鏈路的射頻（RF）干擾技術以及可被網絡攻擊利用的通信協議漏洞。接下來，本論文創建了一個理論框架，用于開發可附加在無人機主機上的低尺寸、低重量和低功率（SWaP）的網絡攻擊裝置。利用從現代防御行動和空中攔截中獲得的知識，本論文通過兩個假設的場景來說明無人機到無人機的攔截，其中一個水力發電設施被一個叛亂組織的無人系統攻擊。

最后，本論文進行了三個獨立的實驗，以開發一種名為 "可拆卸無人機劫持者 "的無人機對無人機攔截能力。可拆卸無人機劫持器是由樹莓派4號B型機、Alfa AWUS036ACH無線網卡和(2)18650電池構成的，它被設置為使用虛擬網絡計算（VNC）連接進行遠程訪問[1]。選擇三個商用無人機是基于它們使用IEEE 802.11無線通信標準，以及它們使用帶有預共享密鑰的WPA2加密技術所帶來的安全性。

實驗一包括在地對空和空對空操作中實地測試可拆卸無人機劫持者。同時，實驗二對可拆卸式無人機劫持器在亞冰點環境下進行了臺式測試，實驗三對可拆卸式無人機劫持器進行了熱成像[2]測試。偽證和傳輸控制協議（TCP）/同步（SYN）洪水攻擊被選為網絡攻擊技術。射頻干擾和其他電子攻擊技術方法被排除在外，因為它對在2.4GHz和5GHz頻段運行的其他系統有附帶損害。此外，射頻干擾的功耗要求太高，不適合在本論文中考慮。

為了評估針對802.11 WiFi無人機的網絡攻擊的效果，本論文在每次攻擊過程中測量了以下特征：目標的行為，目標和可拆卸無人機劫持者之間的距離，與每種攻擊方法相關的功耗，以及可拆卸無人機劫持者的熱特征。經過基線測試，首選的攻擊方法被證明是針對Parrot Bebop[3]和Skydio 2+[4]的去認證攻擊。

在第一次實驗中，盡管有適量的環境雜波，可拆卸無人機劫持者在250米外識別和減輕目標無人機造成的威脅沒有問題，導致目標在懸停模式下消耗了額外的電池電量。接下來，研究小組創造了一個場景，一個敵對的無人機攻擊了一個水力發電設施。從距離可拆卸式無人機劫持者250米處開始，以每小時15公里的速度和不斷變化的海拔高度飛行，一旦攻擊開始，目標就在距離其預定目的地80米的地方停下來。最初，目標在原地盤旋，飛回其發射點。然后，無人機在距離可拆卸無人機劫持者100米處最后一次與GCS連接的地方自行降落。在整個測試過程中，事實證明，"可拆卸無人機劫持器 "能有效地識別和減輕目標，而不會對無人機主機或周圍環境造成任何干擾。

零度以下的溫度測試表明，需要在可拆卸式無人機劫持器上安裝更好的溫度傳感器，以確保更準確的讀數。然而，即使暴露在零度以下的溫度下30分鐘，可拆卸式無人機劫持者也切斷了其目標的通信連接。為了使可拆卸式無人機劫持器能夠投入使用，需要進行加固處理，以確保該設備能夠在極端天氣環境下運行，這可能會增加SWaP要求。

在熱成像實驗中，使用FLIR A320溫度屏[5]拍攝靜態圖像，并由研究小組進行分析。靜態圖像是在操作使用前、連續操作5分鐘后和操作5分鐘后，從可拆卸式無人機劫持器的自上而下、正面和自下而上的觀察角度拍攝。熱成像實驗表明，經過五分鐘的操作，可拆卸式無人機劫持器的溫度只增加了3.3℃。

所進行的實驗證明，在將可拆卸式無人機劫持器整合到另一個空中平臺時，是非常有希望的。研究小組不僅證明了該系統將對WPA2加密的無人機起作用，而且這項研究還確定了將目前的原型發展為網絡化系統家族的方法。零度以下的實驗證明，可拆卸無人機劫持器將在多種環境下充分運作。從基線原型開發和空中實驗，到零度以下和熱能測試，可拆式無人機劫持器處于技術準備程度的第六級。這個技術準備程度是將概念發展為能力的一個重要里程碑。

在目前的形式下，可拆卸式無人機劫持器是一個可配置的 "波頓 "解決方案，可在各種平臺上使用。根據主機-無人機，可能會有系統集成方面的問題。具體來說，在運行測試期間，CPU與環境溫度的差異表明，根據主機-無人機的規格，在主機上集成時應考慮到熱特性。此外，在運行網絡攻擊時，與可拆卸式無人機劫持者的VNC連接被切斷，這使得操作者無法控制可拆卸式無人機劫持者進行故障排除。這個問題可以通過使用可拆卸式無人機劫持器上的以太網端口與嵌入式射頻模塊建立一個單獨的連接回到地面站來解決。研究小組對這一功能進行了基線測試，使用Persistent Systems MPU5[6]無線電，這對未來與其他無人駕駛飛機的系統集成很重要。

綜上所述，C-UAS市場仍處于起步階段，破壞的時機已經成熟。高性能計算機模塊越來越小，功耗越來越低，同時能力越來越強。開發C-UAS技術的公司應該重新調整他們的努力，利用高性能和低SWaP來創造更便宜，但更有能力的C-UAS設備。此外，國防部和國土安全部應該為設計空中C-UAS的低SWaP網絡攻擊系統創造要求。本論文和使用可拆卸的無人機劫持者的實驗證明，有可能對多個無人機進行空中網絡攻擊，而對他的設備影響最小。這個框架并不是要取代目前的方法，而是為了增強和提高C-UAS技術的有效性，以滿足操作環境的需要。雖然這項研究的重點是對抗消費型無人機以保護軍事基地和關鍵基礎設施，但過去兩場歐洲戰爭表明，地面短程防空系統無法與具有動能打擊能力的高空無人機相比。因此，未來的工作有很多機會來對抗消費者和政府的無人機，加強理論，并設計一個C-UAS設備的空中網絡。

提綱

盡管戰爭的性質是不變的，但技術在未來幾十年繼續發展，這意味著戰爭方式的個別特征也將改變。最值得注意的是，隨著信息技術的擴展和自主系統在未來戰場上的擴散，美國及其合作伙伴應該適應未來戰爭的發展。本論文的目的是研究目前的C-UAS技術和參謀長聯席會議（JCS）的理論，以確定哪些方面可以改進。這將為C-UAS戰略的轉變和新產品的開發提供信息，如本論文中提出的產品。

• 第2章通過分析當前和未來系統在殺傷鏈處理方面的成功或不足之處，審查了C-UAS技術的能力和局限性。這將有助于確定國防部和國土安全部在哪些方面可以重新設計其C-UAS技術的采購戰略。此外，本章還研究了當前的C-UAS理論、戰術、技術和程序（TTP）以及標準操作程序，以確定國防部可以改進其對抗無人機的戰略。

• 第3章探討了用于干擾數字通信鏈路的非動能射頻緩解措施。這一技術討論的重點是電磁（EM）波傳播、鏈路預算分析、低探測概率（LPD）和低攔截概率（LPI）原則、擴頻通信和射頻干擾原理。

• 第4章以第3章中的信息為基礎，探討利用消費型無人機上的通信協議漏洞的方法。這一章研究了開放系統互連（OSI）模型，它與數字通信的關系，以及如何開發網絡攻擊技術以提供對敵對無人機的精確攻擊。

• 第5章使用海軍陸戰隊的深度防御模式進行防御性作戰[33]，以保持進攻性思維來限制對手對第1-3組無人系統的使用[34]。本章還討論了作戰飛機如何被用作空中攔截來保衛關鍵基礎設施。此外，本章還提供了對比圖來探討當前的C-UAS架構，整合機載網絡攻擊和EW設備可能是什么樣子，以及與擬議架構相關的優點和缺點。最后，本章的結論是兩個假設場景，即叛亂團體使用無人駕駛自殺式無人機群攻擊水電設施。

• 第6章概述了第7章所使用的實驗方法、設置和數據收集方法，其中設計和建造了一個可拆卸的無人機劫持器的原型。

• 第7章描述了用于創建第5章中概述的概念的原型的實驗過程。本章進行的實驗對敵方無人機進行了拒絕服務（DoS）攻擊，該攻擊是由可拆卸無人機劫持器發射的，該劫持器連接在友方無人機上。

• 第8章是本論文的結論。對第5章提出的架構以及第7章的實驗進行了討論。本章最后提出了對未來C-UAS系統采購和理論發展的影響。

巴德學院無人機研究中心2019年12月的一項研究，確定了537個專門用于對抗無人機的系統[32]。雖然現有的反制措施已經滿足了國防部和國土安全部在2010年代末和2020年代初的需求，但它們很可能在多管齊下的攻擊中站不住腳。盡管市場密集，但每個系統都有與其使用相關的技術、社會和法律限制。此外，許多已投入使用的反措施都很昂貴和笨重，而且只會越來越笨重，因此很難采購和維持足夠的C-UAS設備來覆蓋所有潛在的攻擊載體。同時，無人機越來越便宜，越來越小，而且越來越網絡化--導致未來現有的系統可能無法抵御蜂群攻擊。這一現象正在烏克蘭與俄羅斯的戰爭中實時上演，因為烏克蘭已經利用無人機達到了破壞性的效果。也就是說，價值100萬美元的Bayraktar TB-2對俄羅斯軍隊造成了嚴重破壞，在一次空襲中摧毀了價值超過5000萬美元的地對空導彈[35]。這使得我們很容易預見這樣的情景：對手利用無人機群對美國的戰略基礎設施進行多波段、多頻率的攻擊。下一章專門概述了目前的C-UAS技術套件，并了解到目前還沒有一個明確的手段來對抗無人機群，而不會產生嚴重的意外后果。

2019年，美國海軍陸戰隊（USMC）開始進行組織變革，目的是成為西太平洋地區卓越的偵察和反偵察部隊。為了實現這一目標，海軍陸戰隊公布了《2030年部隊設計》，目前正在采購新的作戰系統，并創建一個新的組織表，以便在地理位置偏遠、環境惡劣的地方獲得并保持殺傷力。

《2030年部隊設計》中的主要行動單位之一是海軍陸戰隊濱海團（MLR）。MLR包含步兵、火箭炮、防空、后勤、指揮和控制單位，用海軍陸戰隊司令的話說，是 "為在有爭議的空間進行海軍遠征戰而優化的，專門用于促進海上封鎖和保證進入以支持艦隊"（Berger 2019, p.5）。然而，第一個MLR最近才被激活，因此關于MLR的能力和限制的問題層出不窮。

特別令人感興趣的是在海軍陸戰隊濱海團安全區域內進行偵察和反偵察的海岸警衛隊的使用。這項研究的目的是研究海軍陸戰隊濱海團在各種實際環境中的能力，以及應對當代同行的海軍威脅，以幫助為海軍陸戰隊濱海團的警衛部隊最致命的組成和使用方法提供決策依據。為此，作者試圖回答以下問題：

• 1.將自主和半自主艦艇組成的警衛部隊納入海軍陸戰隊濱海團的縱深防御，是否會提高友軍陸基部隊的殺傷力和生存能力？此外，哪些友好因素有助于警衛部隊的生存能力和殺傷力？
• 2.警衛部隊的哪些因素對海軍陸戰隊濱海團在敵方水面部隊能夠探測和交戰之前探測、報告和交戰的能力影響最大？
• 3.使用自主和半自主艦艇來探測和打擊敵方水面部隊，能否提高海軍陸戰隊濱海團損耗敵艦的能力？

利用海軍水面作戰中心開發的建模與仿真工具箱（MAST），我們使用最先進的實驗設計，有效地執行了27250次海軍陸戰隊濱海團和中國海軍（PLAN）水面行動組（SAG）之間的模擬戰斗。圖1描述了建模環境和模擬中的一些智能體。

圖 1. MLR 警衛部隊和解放軍水面戰斗人員之間的模擬交戰

在每次模擬交戰中，MLR 的任務是執行海上拒止任務，他們試圖在保持戰斗力的同時最大限度地摧毀敵艦數量。 MLR 使用了一支具有以下基線組成的警衛部隊：四艘輕型載人自主作戰能力（LMACC）艦艇、五艘中型無人水面艦艇（MUSV）和 15 艘遠程無人水面艦艇（LRUSV）。在整個實驗過程中，每次數量都不同，以評估不同組合的功效。警衛部隊的任務是“通過戰斗以贏得時間，同時觀察和報告信息，保護主力免受攻擊、直接火力和地面觀察”（MCDP 1-0，第 11-13 頁）。為了評估警衛部隊對友軍生存能力和殺傷力的影響，我們改變了船只類型的數量、每種船只類型的位置以及船只的傳感器能??力。我們使用有效的實驗設計來探索上述因素的各種組合的影響。

從 27,250 次模擬交戰中，觀察到一些趨勢，這些趨勢不僅回答了研究問題，而且提供了為 2030 年部隊設計決策和倡議提供信息的機會：

• 警衛部隊組成：LMACC 數量是預測生存能力和殺傷力的主要因素。LMACC 是一種小型導彈戰艦，載人較少，擁有高度自主的艦船系統。它可能被配置為許多角色，但在這種情況下，攻擊。對實驗輸出的分析表明，警衛部隊應該有不少于六個 LMACC。

• 殺傷力：在更靠近海岸（10-15 海里）的地方使用 LMACC，將 LRUSV 部署在更深的位置（100 海里），導致摧毀的 GBASM 發射器更少，摧毀更多的海軍艦艇。

• 將 LMACC 與可以充當 LMACC 偵察員的較小平臺配對會產生更有利的友好結果。為此，為 LRUSV 配備探測敵艦的能力——使用被動或視覺傳感器——在更遠的范圍內使 LRUSV 能夠更早、更準確地傳達有關對手的組成和部署的信息。

• 現代沖突中的雙方都可能出現高損耗。由于戰斗的固有不確定性，確切百分比的可變性很高，但在實驗中摧毀的 GBASM 發射器的平均數量是 36 個中的 15.62 個。

本研究的目的是進一步討論 MLR 的組成、能力和使用，同時激發新的研究，為未來的部隊設計決策、實彈試驗和戰術提供信息。

本文考慮使用衛星上的傳感器將觀察結果分配到一個離散網格化地理區域的情況。重要的是，至少要在所有網格單元瀏覽一次，以看到整個行動區域；因此，我們希望獲得最大的覆蓋范圍。其次，我們希望通過任何額外的觀察來重新審視高優先級的網格單元。傳感器產生一個二維帶，在每次經過地理區域時，它可以尋找網格單元，我們將其稱為 "掃描"。我們用來觀察網格單元的分辨率決定了觀察的有效性。我們可以選擇使用高分辨率，使我們在更細的細節上有更少的觀察，或者使用低分辨率，使我們在粗略的細節上有更多的觀察。這使我們可以選擇準確地觀察少數地方，或不準確地觀察許多地方。

這篇論文是在與作為五角大樓聯合參謀部一部分的J8局的密切協作下產生和發展的。J8在部隊結構、資源和評估方面向參謀長聯席會議主席（CJCS）提供建議。這個問題已被提煉為一般的情報、監視和偵察（ISR）問題，但延伸到J8在名為STORM的戰區級戰役模型中遇到的真正問題。STORM使用一種啟發式方法來確定哪些網格單元接受觀察。STORM的啟發式方法往往會產生不理想的結果，即大面積的興趣區域被忽略。我們希望改進搜索資產能夠執行的網格單元覆蓋率。

在這篇論文中，我們制定了一個新穎的、大規模的、混合整數的優化模型，以超越STORM的啟發式搜索ISR的表現。該模型被稱為SOM，使用間隙指數對自上次查看每個網格單元以來的掃描次數進行懲罰。我們希望避免收集這些懲罰，這促使我們重新訪問網格單元。目標函數最小化了這種產生間隙的懲罰。我們使用幾個約束條件來維護、重置和跟蹤間隙計數器，一個訪問所有網格單元的軟約束條件，以及一個對網格單元施加最小分辨率的約束條件。SOM的一個獨特的特點是它是事件驅動的，在戰斗空間上掠過，不以時間為基礎。SOM使用實際的STORM數據，有1300多行代碼，包括在R中收集數據，在Pyomo中處理和實現模型。

我們在STORM中未分類的Punic21場景上實現了這個模型。在這個場景中，有兩個戰斗人員。紅方和藍方。我們可以從任何一個角度來實現SOM，每個戰斗人員都產生他們自己的變量和約束。為了說明SOM的大規模，在Punic21中，紅方搜索藍方的網格單元，并在92個區域內進行優化，這相當于48小時的時間，我們有超過2500萬個變量和1500萬個約束。

案例研究以計算和操作結果為中心。計算結果表明，我們可以通過在國際商業機器ILOG CPLEX Optimization Studio（CPLEX）的算法中實施不同的選項來減少運行時間。最重要的選項是提供一個熱啟動，使用沒有外觀發生的最壞可能的解決方案。例如，當我們用默認的CPLEX選項在一個有超過200萬個變量和100萬個約束條件的單處理器上運行SOM時，它需要超過1400分鐘，而且沒有產生一個解決方案。我們確定了定制的CPLEX選項，減少了運行時間，并在不到5分鐘內解決了這個實例。這使我們能夠將問題的規模增加到超過2200萬個變量和1100萬個約束條件，并在不到50分鐘的時間內實現11%的優化差距。業務案例研究結果顯示，與STORM相比，SOM提供了平均54.6%和中位數22.8%的覆蓋率。額外的選項，是SOM原生的，在STORM中不具備的，確保SOM將超過STORM，快速達到最大的覆蓋率，隨后集中精力將目光分配到最重要的網格單元。

我們看到，根據操作結果，優化模型優于STORM的啟發式，并允許我們平衡所有單元的搜索，而啟發式則傾向于集中在重要的單元。與STORM的啟發式方法重復搜索相同的網格單元相比，SOM指導衛星在哪里尋找，以允許訪問每個網格單元并避免大的重訪間隙。

在高度競爭的空域中，反空防行動對人的生命和稀缺物質資源構成了巨大的風險，因此希望減少人員遭受生命損失的風險。因此，在爭奪空中優勢的過程中，用一群低成本的無人駕駛系統取代人類駕駛的空中平臺是一個備受關注的領域。然而，目前還沒有關于蜂群作戰的理論或戰術的最佳實踐。這篇論文記錄了在認知智能體的控制下，利用強化學習方法，為無人駕駛飛行器發現反空防衛戰術而進行的系統性框架研究。傳統上，反空防衛任務的有效性是通過使用具有高數量、低雷達截面、高速度、低高度和/或電子攻擊組合的武器來實現。在沒有任何這些力量倍增器的情況下，可以利用合作性的蜂群戰術來實現任務的有效性。與其他更有約束性的基于規則的游戲相比，這一領域呈現出高度復雜的狀態-行動空間，在這些游戲中，人工智能agent已經成功地學習了游戲策略。本研究采取的方法是開發高度語義化的觀察和行動功能，將認知agent行為功能與游戲環境對接，通過重復游戲進行訓練。對認知agent的觀察和行動功能的各種設計進行了開發和分析，開發的框架被用來促進agent的強化學習以及評估任務的有效性。所提出的框架被證明能夠產生高效的認知agent，學習支持蜂群的戰術行為，使任務效率最大化，并利用傳統的優化，而非認知agent無法做到這一點。

第1章 導言

本章介紹了空中優勢、防空的概念，并討論了現代空軍用來擊敗現代防空網絡的傳統和現代方法。然后闡述了研究的主要假設，接著討論了本論文其他部分的組織。

1.1.問題陳述

1.1.1. 空中優勢

美國空軍（USAF）的主要任務目標是實現空中優勢，作為所有其他聯合戰斗行動的先導[1]。美國聯合部隊將空中優勢定義為[2] ：

• "......一支部隊對空中的控制程度，允許其在特定的時間和地點開展行動而不受空中和導彈威脅的禁止性干擾"。

在被防衛的空域實現空中優勢所產生的沖突對人員的生命帶來了巨大的風險，以及昂貴的物質資源損失的風險。

1.1.2. 進攻性反空襲

壓制（SEAD）或摧毀（DEAD）敵方防空是進攻性反空作戰，試圖通過破壞性（DEAD）或干擾性（SEAD）手段，使敵方地表防空系統失效、被摧毀或暫時退化，以使聯合部隊能夠無爭議地進入受控空域。除了針對AD的傳感器和武器外，DEAD任務通常還針對高價值的固定地點的地面資產，如[2] 。

1）機場和作戰基地

• a) 飛機

• b) 跑道

• c) 空中交通管制

• d) 機庫

• e) 燃料儲存

• f) 庇護所和人員設施

• g) 維修設施

2. 指揮和控制（C2）系統

• a) 預警（EW）系統

• b) 情報收集系統

• c) 通信基礎設施

3. 武器

• a) 發射設施

• b) 儲存設施

4. 支持性基礎設施

• a) 發電和配電

• b) 鐵路和鐵路終端

• c) 港口和海運碼頭

1.1.3. 防御性反空

敵方的防空系統對試圖在有爭議的空域，對實現空中優勢的空降部隊提出了實質性的挑戰。敵方綜合防空系統（IADS）的防衛性反空任務是摧毀、破壞或抵消空中和導彈攻擊、情報、監視和偵察收集，或其他未經授權的對防衛空域的滲透。現代IADS已經變得越來越復雜，在組織、復雜性和操作程序方面可以有很大的不同。現代地對空導彈（SAM）系統在射程和能力方面都得到了極大的提高，并對美國部隊構成了嚴重的威脅。遠程薩姆導彈通常部署在高價值資產附近，以提供點防御覆蓋，同時也有效地拒絕進入廣泛的空域。

反坦克元素的分布、分層和相互連接的性質允許采取深度防御戰略，允許進行多次交戰以增加成功的概率。許多對手采用集中的AD活動的C2，而其他對手可能采用分散的系統，其中多個節點有必要的冗余來指揮部分或整個IADS。數據基礎設施包括無線電、固定電話（電纜/光纖）、微波、蜂窩電話、衛星和互聯網系統[2]。

圖1.1顯示了一個概念性的IADS布局，其中幾個遠程防空導彈（LRS）站點被部署在兩個高價值的受保護資產（PA）的前方，以形成一個受保護的正面。LRS站點由兩個預警雷達和指揮、控制和通信（C3）站點支持，這些站點提供了對防御空域的綜合態勢感知。此外，每個PA都有一個LRS站點，提供點狀防御。圖中的橙色楔形代表了每個LRS的武器交戰區（WEZ）。

圖1.1: 國際防空系統的概念布局

顯然，本例中的防空系統是為了防御預計來自保護前線東南部某處的攻擊而布置的。

成功壓制敵方的防空系統可以通過多種方式實現。干擾通信系統和傳感器可以提供短期的局部壓制，如果足夠的話，或者作為一種臨時措施來實現所需的高階間接效果。破壞C3或EW資源，或迫使敵方反坦克部隊自主行動，有時可以充分降低對友軍的威脅程度，以獲得所需的空中優勢水平。然而，通常情況下，如果一個反坦克基地的自主行動能力繼續對友軍構成重大威脅，那么它本身就必須成為摧毀目標[3]。

1.2. 無人駕駛飛行器（UAV）蜂群

鑒于IADS的相互聯系和分層性質，DEAD任務需要一個作戰概念（CONOPS），以解決在整個有爭議的空域的不同點上具有不同能力的防御性武器。很少有單一的故障點可供利用。事實上，IADS的設計是隨著AD元件由于破壞、性能下降或彈藥耗盡而被關閉而優雅地退化。事實上，反坦克部隊包含先進的技術武器和為防御性反空襲任務而優化的傳感器，并由各級C2的人類決策來支持，這意味著反空襲任務可以以相當難以預測的方式展開。這些因素，再加上人命的高風險和稀缺的物質資源，使得在實現空中優勢的沖突中，減少友軍人員和高成本空中平臺面臨的損耗風險是可取的。因此，在爭奪空中優勢的競賽中，最好是用低成本的無人系統取代人類操作昂貴的載人空中平臺[4] 。

與傳統的機載打擊包相比，無人機群呈現出一系列獨特的特征，使其能夠以不同的方式執行DEAD任務。首先，如果蜂群是由大量的單位組成，它可以實現更大的幾何多樣性。蜂群的規模也允許戰術上的多樣性。蜂群對損耗也很強大：雖然打擊包中單個有人平臺的損失可能會導致人的生命損失，但它也經常導致嚴重的損害。首先，如果蜂群由大量的單位組成，它可以實現更大的幾何多樣性。蜂群的規模也允許戰術上的多樣性。蜂群對損耗也很強大：雖然打擊包中單個載人平臺的損失可能導致人命損失，但它也經常導致任務結果受到嚴重影響。一個無人機群可以通過替換角色、調整戰術和調整目標來適應單個單位的損失。此外，由于蜂群的性質，由大量單位組成的蜂群更能適應不斷變化的條件：可用于執行行動的單位數量越多，可用于實現有利解決方案的自由變量數量就越多。

然而，由大量無人機組成的蜂群將很難由人類操作員協調和控制，除非每個人都由人類操作員單獨遠程駕駛。即使如此，操作者可用的數據的延遲和質量可能不足以完全實現最佳的合作行為，以支持動態DEAD任務。將人類飛行員與遠程控制的無人機裝置聯系起來，大大增加了該裝置的成本，因此也增加了整個任務的成本。一個（半）自主的蜂群的一大優勢是，生產和運營成本可能遠遠低于遙控無人機蜂群。因此，至少在某種程度上，無人機群將從某種類型的自主行為中大大受益。

蜂群中的每個無人機都有可能根據自己從環境中觀察到的信息以及蜂群中其他成員與它共享的信息，執行自主行動。為無人機群自主性開發行為算法的問題，很自然地被歸入多Agent學習領域，特別是合作多Agent學習。文獻中已經考慮了幾種技術來實現合作式多代理學習：團隊學習、混合團隊學習和并發學習[5]。基于代理的建模（ABM）是一種通過模擬相互作用的代理來理解系統的一般方法。

無人機群應用于DEAD任務問題的復雜、動態性質，肯定會導致多Agent系統中眾所周知的 "涌現的復雜性 "現象。這指的是這樣一個概念：隨著大量的Agent相互作用，特別是沖突雙方的Agent，每個團隊的聯合行為都會令人吃驚[5]。本研究沒有將其視為消極的副作用，而是表明這種現象導致了蜂群Agent行為的新穎性和信息量，特別是由于在DEAD任務領域中還沒有關于無人機蜂群作戰CONOPS的理論或戰術最佳實踐。

1.3.假設

除去隱身、電子攻擊、遠距離武器和嚴重不對稱的數量等昂貴的特征，無人機群能夠用來對付IADS的主要武器是它能夠在整個有爭議的空域中動態地擺出其各種成分，采用的戰術主要是調節攻擊時機、節奏和幾何表現。

本研究的假設是，通過使用ABM，可以通過機器學習（ML）發現無人機群代理行為的新型合作行為，產生一種認知Agent，即

1）在DEAD領域展示任務有效性（ME）。

2）等同于或超過由更多單位組成的 "啞巴"群體的有效性，例如一大排常規巡航導彈的有效性

3）對人類控制的對抗性IADS有效

一旦發現無人機群Agent的行為，顯示出對由算法控制的Agent組成的IADS成功執行DEAD任務，將通過實時戰略游戲（RTSG）對人類控制的IADS測試相同的蜂群Agent。這將允許對潛在的微妙的蜂群Agent策略進行定性，并評估蜂群Agent適應不同和變化的IADS防御策略的能力。

對行為學習的ABM的一個重要批評是，行為的學習是使用不能代表現實世界效果的模擬，也就是說，如果模擬環境走了太多的捷徑或做了簡化或不正確的假設，那么學到的行為就不會有現實世界的意義[6]。本研究的一個目標是在無人機DEAD領域開發適用于現實世界的CONOPS，因此對這一批評意見相當重視。為了克服這一潛在的缺陷，ABM學習的模擬環境將采取RTSG的形式。這為無人機群學習行為的結果提供了一個重要的檢查，原因有幾個。

1）基于物理學的DEAD任務模擬具有很高的保真度

• a）無人機飛行動力學、飛行持久性、對各種目標的殺傷概率

• b）AD傳感器探測、跟蹤、測量分辨率、信息共享

• c）AD導彈攔截器飛行動力學、對無人機的殺傷概率

2. 各種程序化的代理可以控制沖突的任何一方。無人機群或IADS

• a) 這提出了不同的戰術、理論和難度水平

3. 人類玩家可以控制沖突的任何一方：無人機群或IADS

• a) 這為對手提供了創新的、不可預知的行為。

4. 游戲玩法（DEAD場景）是高度可配置的

• a) 這提出了不同級別的場景復雜性

5. 實時戰略格式強制執行人類決策的及時性，這是問題領域的一個關鍵特征。

6. 每個游戲環節都會捕獲非常豐富的狀態數據集

RTSG的性質也帶來了各種挑戰，例如取消了傳統的回合制游戲。這意味著代理人的決策必須實時發生，從一組不斷變化的環境輸入數據中工作。

1.4.本學位論文的組織結構

本論文分為13章和5個附錄。

第2章討論了任務有效性的概念，以及預測空中飛行器對由先進防空網絡防御的一組地面目標進行大規模突襲結果的分析方法。

第3章描述了為進行這項研究而采取的基于agent的模擬方法。

第4章記錄了用于訓練認知群agent的方法，描述了環境、agent和實體的模擬，并討論了有關基于agent的機器學習和游戲方法的現有文獻。

第5章描述了用于在強化學習過程中提供獎勵的目標函數的設計背景和發展。

第6章描述了用于蜂群單元的運動學模型。

第7章描述了用于防空傳感器和武器的物理學模型。

第8章描述了基本的非認知性蜂群agent的設計，這些agent被用來了解針對各種防空agent的基線任務有效性。

第9章描述了基本防空agent邏輯的設計，這些agent是認知蜂群agent在游戲訓練課程中競爭的對手。

第10章記錄了通過蒙特卡洛分析編制的基本非認知型蜂群agent的統計任務有效性。

第11章記錄了本研究中探索的各種實驗性認知蜂群agent的設計。

第12章記錄了對選定的認知蜂群agent學到的高效戰術的分析和評估。

第13章是論文的結論，總結了主要和次要的發現，并提出了繼續這項工作可能關注的領域。

對智能高超音速武器（HW）的防御不僅減少了可用的戰術反應時間，而且還要求對戰略態勢進行更深入的思考，以改善對盟國基礎設施和移動資產的成功防御。現有的洲際彈道導彈（ICBM）防御方法可以在一定程度上解決來自高超音速武器的威脅。根據不同的情況，高能武器可以比洲際彈道導彈減少大約10%的飛行路徑長度和到達目標的時間。對于10000公里范圍內的目標，洲際彈道導彈可能需要約25至40分鐘來打擊，而高能武器可能需要22至36分鐘。一個具有挑戰性的方面是HW聲稱有能力躲避導彈防御系統。真正的游戲變化是當HW的發射平臺靠近預定目標時。發射平臺可以是潛艇、船舶或戰機。這種敵對力量的戰略可能會將飛行路線從10000公里減少到1000或100公里，將到達預定目標的時間縮短到約2至4分鐘，或最壞的情況下縮短到13至21秒，使目標/地區防御變得困難。戰略態勢需要盡可能地減少發射平臺過于接近潛在預定目標的可能性。因此，防御新的HW需要解決反對力量發射平臺移動的問題。戰術角度包括在很短的時間內制定行動方案的極端時間壓力，或壓縮傳感器到執行器的環路（StEL）。以前，我們發現，通過使用人工智能和基于認知網絡的增強功能，在這種反應過程中減少人類的干預，可以加速知識的獲取，共享態勢，并及時制定有效的CoAs，以達到預期的目標或最終狀態。我們將此確定為認知性StEL（CSTEL）。因此，為了擊敗HW攻擊，認知StELs可能被證明是一種合適的方法，因為它可以通過自動識別威脅來加速反應時間。

圖9：假設加拿大靜止目標的名義導彈彈道，A-D為遠程洲際彈道導彈或HW彈道，E-H為短程HW彈道

當前的海軍作戰要求水手們根據動態作戰環境中的不確定態勢信息做出時間緊迫和高風險的決策。最近的悲慘事件導致了不必要的傷亡，海軍行動中涉及決策復雜性，并特別突出了 OODA 循環（觀察、定向、決策和評估）中的挑戰。涉及使用武器系統的殺傷鏈決策是 OODA 循環中一個特別緊張的類別——具有難以確定的意外威脅、縮短的決策反應時間和致命的后果。有效的殺傷鏈需要正確設置和使用船上傳感器；未知接觸者的識別和分類；基于運動學和智能的接觸意圖分析；環境意識；以及決策分析和資源選擇。

該項目探索了使用自動化和人工智能 (AI) 來改進海軍殺傷鏈決策。該團隊研究了海軍殺傷鏈功能，并為每個功能制定了特定的評估標準，以確定特定 AI 方法的功效。該團隊確定并研究了 AI 方法，并應用評估標準將特定的 AI 方法映射到特定的殺傷鏈功能。

圖：利用人工智能改進海軍殺傷鏈的作戰概念

總結

當前的海軍行動通常是快節奏的、關鍵的，并且需要做出高風險的決策，這些決策有時基于非常動態的戰區中的不確定信息。許多例子強調了提高決策效率的必要性以及減輕觀察團隊負擔的必要性。缺乏上述情況的例子包括 2017 年的菲茨杰拉德號航空母艦 (DDG 62) 和 MV ACX Crystal相撞，以及 2009 年皇家港口號航空母艦 (CG 73) 的擱淺。一些根本原因是相關人員缺乏經驗、疲勞和壓力.

上述事故展示了軍事行動的難度，并展示了 OODA（觀察、定向、決策和評估）循環中的挑戰（Jones 等人，2020 年）。人為錯誤、人的認知限制和海軍作戰固有的決策復雜性導致了 OODA 循環中的挑戰，更具體地說，是殺傷鏈過程中的挑戰。

現代戰斗空間由來自常規陸地、空中和海洋等多個領域以及來自太空和網絡空間的大量數據組成。決策者需要考慮許多因素，包括交戰規則 (ROE)、要使用的武器、傳感器和意圖評估。發現、修復、跟蹤、瞄準、參與、評估 (F2T2EA) 殺傷鏈模型緩解了該過程的一些困難（參謀長聯席會議，2013 年）。人工智能 (AI) 和機器學習 (ML) 可以通過分析備選方案和使用評估標準將 AI 方法映射到殺傷鏈功能，從而幫助海軍在戰術領域做出殺傷鏈決策。這是在本報告的五個章節中分三個階段完成的。

本報告利用了數百個資源，主要利用了美海軍研究生院 AI-OODA 團隊在其 Capstone 報告（2020 年）中進行的先前研究，“利用人工智能 (AI) 進行空中和導彈防御 (AMD)：以結果為導向的決策援助。”他們將他們的工作與 John Boyd 的觀察、定向、決定和行動決策框架相結合。作為他們分析的初步步驟，AI-OODA 團隊將特定的 OODA 功能明確且緊密地耦合到特定的 F2T2EA 功能。然而，本報告斷言 OODA 循環是一個決策循環，它嵌套在殺傷鏈的每個功能中，而不是在高壓力或低壓力情況下專門映射到一個或多個殺傷鏈功能。團隊基于 F2T2EA 模型開發了一組 28 個殺傷鏈功能。

在制定將 AI 方法映射到殺傷鏈的評估標準時，很難確定一個好的決策，這對于決策評估至關重要。在評估決策時，必須考慮選擇行動時的知識意識狀態以及解釋能力。使用了幾種對決策進行評分的方法，從定義和優先考慮感興趣的“武器-目標”到制定評分標準和報告評估結果，以供其他人審查。

目前，人工智能的狀態非常廣泛，必須對其進行解釋，以了解人工智能對殺傷鏈中功能的適用性。本報告討論了所選 AI 方法的高級概述，并突出顯示了部分最流行的方法。首先，沒有普遍接受的定義，這很難定義人工智能。其次，人工智能與機器學習 (ML) 存在差異。 ML 允許在準確性和可預測性方面取得增量收益； AI 接收數據并通過算法提供輸出。人工智能的歷史從 1940 年代艾倫·圖靈 (Alan Turing) 的加密機器到 1980 年代美國政府在戰略計算計劃中的使用，再到今天在聯合人工智能中心 (JAIC) 中的人工智能戰略五個支柱，從領先的人工智能人力到安全和倫理。美國國防高級研究計劃局 (DARPA) 在 3-wave 框架中描述了 AI 的發展方向，分為手工知識 (Wave 1)、統計學習 (Wave 2) 和上下文推理 (Wave 3) 在 1-4 個維度內情報參數的屬性（Launchbury 2017）。這些屬性包括感知、推理、抽象和學習。

人工智能涉及可以根據輸入值預測結果的監督學習。有幾種使用監督學習進行學習的技術。包括線性回歸和分類。此外，許多數值方法可以分析發生的學習有效性，例如 F-score 和 Accuracy score。人工智能還可以使用無監督學習，它使用算法來發現未標記數據集中的數據模式或分組。在分析未知（y）響應以揭示標記（x）數據中的模式時，無監督學習是有益的。數據分析界的一個著名例子是鳶尾花（Iris flower）數據集。僅使用標記的數據，可以看到響應聚集在一起，并且可以確定響應中存在模式（花的種類）。無監督學習的方法包括聚類和 K-means，但還有其他方法。強化學習有一個代理能夠接收來自環境的反饋并理解基本目標。此外，正如 Sutton 和 Barto 在（2018 年）中解釋的那樣，探索和開發之間存在權衡。最后，生成對抗網絡 (GAN) 利用無監督學習和強化學習，通常用于神經網絡 (NN)。神經網絡是機器學習算法的極好來源，它有大量的輸入，而這些輸入又會產生大量的計算。 NN 非常適合用于模擬、自然語言處理、博弈論和計算機視覺。 NN 只是一種將輸入映射到輸出的簡單方法，可以在此過程中進行學習。然而，NN 可以被描述為一種“黑盒”學習技術，因為很難解釋正在發生的事情，并且通常需要一種可解釋的 AI (XAI) 技術。 XAI 的三個主要組成部分是可解釋模型、解釋界面和解釋心理學（Gunning 2019）。數據安全必須與“大數據”一起考慮，“大數據”是指非結構化、復雜和大型數據集，具有五個 v 特征：數量、速度（數據量隨時間變化的增加）、多樣性、真實性和價值。其他理論包括決策理論、模糊邏輯和效用函數

使用上述文獻綜述，該團隊開發了一個框架，用于將 AI/ML 映射到 AMD（空中導彈防御）殺傷鏈。采取了四個步驟：1) 建立模型框架，2) 確定決策點，3) 應用 AI/ML 方法，以及 4) 分析結果。該團隊確定了以下用于殺傷鏈映射分析的 AI/ML 方法：線性回歸、邏輯回歸、聚類、關聯、隨機森林、神經網絡、GAN 和樸素貝葉斯。評估標準被稱為“決策點”并提出四個問題：（1）所需輸出的類型是什么，（2）所需的學習類型是什么，（3）可解釋性（XAI）是什么水平需要，以及 (4) 需要多少個預測變量？該團隊通過基于一組決策點和評分過程評估每個殺傷鏈功能的每種方法來執行映射。對于被認為非常適合某項任務的方法，得分為+1，如果該方法適合但次優，則為0，如果該方法不適合該任務，則為–1。

該團隊進行了映射分析，根據與殺傷鏈的 28 個功能中的每一個功能相關的評估標準（決策點）分析 AI 方法。該團隊使用評分方法來確定每個殺傷鏈功能的最佳整體 AI/ML 分數。團隊的映射顯示為 0。

該團隊的 AI/ML 映射到殺傷鏈功能為國防部和海軍提供了兩個關鍵好處。首先，映射本身是設計和開發支持殺傷鏈決策的人工智能戰術決策輔助工具的重要起點和基礎。其次，該團隊將 AI 方法映射到殺傷鏈的分析過程可用于了解 AI 在許多其他軍事和非軍事領域的應用。識別適當的人工智能方法、制定評估標準和評分過程以及制定過程功能以進行分析映射的過程對于支持許多不同人工智能系統的工程具有深遠的潛力。

表1：AI/ML方法到殺傷鏈的映射