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

空戰是一個復雜多變的領域，人類飛行員面臨著嚴峻的挑戰。整合人工智能，特別是強化學習（RL），有可能徹底改變空戰行動的有效性。通過利用 RL 技術，自主智能體可以根據不斷變化的戰場條件制定新戰術。在這項研究中，使用先進的 RL 技術訓練了空戰智能體，同時考慮到了不同的初始作戰幾何形狀和相對位置。結果表明，空戰幾何形狀的變化對智能體的能力有顯著影響。為了評估其能力和應變能力，對具有對稱戰斗幾何形狀的相同智能體進行了檢查。任何與預期對稱結果的偏差都會被檢測到，這可能意味著在訓練探索階段遇到了挑戰。在這一框架內對不同的代理進行比較時，它們在特定空戰場景中的優勢就會凸顯出來，從而為加強更多智能代理的開發提供有價值的信息。

圖 7. 根據敵方和空戰幾何圖形選擇智能體的整體視圖

人工智能（AI）在航空航天領域的應用取得了重大進展，尤其是在安全關鍵型系統中，可解釋性和安全性至關重要。隨著無人戰斗飛行器（UCAV）的發展，空戰已成為需要人工智能集成的突出領域之一。

已有多個項目致力于推動這些自主系統（AS）的發展，其中包括 DARPA AlphaDogFight Trial [1]。在這個項目中，人工智能體的任務是在模擬的可視范圍內（WVR）與對方進行斗狗。最終參賽隊與人類飛行員進行了角逐，結果人工智能獲勝。競技團隊是利用深度強化學習（DRL）方法來訓練和發現新穎穩健的空戰戰術。

文獻中對使用 RL 生成空戰戰術進行了廣泛研究。值得注意的是，[2]的一項研究探索了使用深度確定性策略梯度（DDPG）訓練 RL 智能體，結果在視距內（WVR）作戰中大大提高了性能。另一項研究[3]深入研究了多智能體強化學習（MARL），以模擬涉及多架飛機的復雜合作空戰策略，展示了 RL 在復雜場景中的潛力。[4] 采用分層強化學習（HRL）將空戰任務分解為易于管理的子任務，從而簡化了訓練和決策過程。[5]研究了基于模型的 RL 在空戰智能體訓練過程中加速收斂和提高采樣效率的功效，有助于在動態環境中發揮卓越性能。最后，[6] 應用了先進的深度強化技術--近端策略優化（PPO）和軟行為批判（SAC），并比較了它們的性能。

在文獻中，多種 RL 方法都顯示出了優于其他方法的性能。然而，還沒有研究關注如何分析和比較 RL 智能體在所有搜索空間（包括不同方向和距離組合）中不同空戰幾何條件下的勝任能力和魯棒性。

本文提出了一種新穎的分析工具，旨在管理所有訓練參數和獎勵，從而能夠執行智能體對智能體場景進行綜合分析。我們采用最先進的 RL 方法，在不同的初始空戰幾何條件下訓練空戰智能體，如不同的相對位置和方向，使自己的飛機處于優勢、中立或劣勢位置。事實證明，相對空戰幾何形狀的差異是影響智能體能力和魯棒性的主要因素。我們通過啟動具有對稱作戰幾何形狀的相同人工智能代理來測試空戰代理的穩健性，并發現了與對稱結果預期的偏差，這可能表明訓練的探索階段存在問題。我們的分析工具還測試了智能體的泛化能力以及在遇到訓練外情況時的偏離趨勢。此外，在這一框架內對不同代理進行的比較表明了每個智能體在特定空戰場景中的優越性，為開發更智能的空戰代理庫提供了有價值的信息。最終，我們提出的分析工具通過提高空戰場景中的可解釋性、安全性和性能，推動了航空航天領域人工智能的發展。

本文研究了利用同時探測原理的無人飛行器群進行自主監控的模型。該模型可指定探測感興趣區域內感興趣物體所需的傳感器數量；只有指定數量的傳感器同時掃描，才能探測到物體。該模型計劃在監控行動期間部署蜂群中的單個車輛，以保證監控的最高質量；質量以行動期間所覆蓋的感興趣區域的百分比來衡量。此外，假設監控是在復雜的行動區域（包括城市環境、建筑密集區或地形非常不平坦的山區環境）進行的，在這些區域可能會經常出現由障礙物或地形造成的遮擋。為解決問題，提出了基于模擬退火的元啟發式算法。該算法部署了一定數量的航點，從這些航點進行監控，最大限度地提高監控質量，并考慮到同步檢測原則。該算法通過一組基于典型監控場景的實驗進行了驗證。

當代武裝沖突不同于二十多年前的武裝沖突。當代武裝沖突的最大特點之一是戰場局勢多變，來自不同來源的信息不計其數，可靠性也各不相同。此外，當代大多數行動都是在特定環境下進行的，如城市和集結區（西伯利亞、烏克蘭）等，這大大限制了普通的偵察和監視方式。這種環境需要新的方法來收集和處理所有必要信息，以支持軍事決策過程（營級及以上）或部隊領導程序（連級及以下）。

指揮官決策的關鍵步驟之一是監視。可以說，監視是一個持續的過程，始于計劃和決策過程。它為指揮官的決策提供關鍵信息。通常，偵察工作由部署在敵區縱深的特別小組進行。顯然，部署這樣一個或多個小組對他們的訓練和準備要求很高。此外，來自這些小組的信息流是延遲的，而且不必精確，這可能會對任務產生巨大影響。在當代行動中，無人駕駛飛行器（UAV）等新技術被用于收集幾乎在線的信息，為指揮官的決策提供支持。無人飛行器的使用對決策的速度和質量產生了巨大影響。此外，這種信息收集方式還能節省人力資源。有關這一問題的更多信息可參見文獻 [1-7]。

本文提出了使用小型無人機群（sUAV）進行自主監控的模型。目標是通過無人機群中的傳感器覆蓋盡可能大的感興趣區域。每架無人機都部署在行動區的準確位置（航點），監控感興趣區域的一部分。該模型還允許在需要多個傳感器檢測某些感興趣物體的情況下使用（進一步稱為同步檢測）。此外，假設監控是在復雜的行動區（包括城市環境、建筑密集區或地形非常不平坦的山區環境）中進行，障礙物或地形造成的遮擋可能會經常發生。

無數科學著作都在關注如何將無人機群用于多種目的。要解決無人機群進行偵察或監視等復雜問題，有幾個課題非常重要。此類任務的路徑規劃是關鍵問題之一。Yao 等人[8]提出了一種基于 Lyapunov 導向矢量場（LGVF）和改進干擾流體動力學系統（IIFDS）的混合方法，以解決多架無人機三維合作路徑規劃中的目標跟蹤和避障問題。Lamont 等人[9]設計并實現了無人機群的綜合任務規劃系統。該系統集成了多個問題領域，包括路徑規劃、飛行器路由和基于分層架構的蜂群行為。Shanmugavel 等人[10] 研究了同時到達目標的路徑規劃問題。

與無人飛行器有關的另一個關鍵問題是其可靠性和故障保護。軍事指揮官必須做好在任何意外情況下完成任務的準備。使用無人機群執行監視任務是一個非常重要的問題，關系到關鍵信息的精確收集。目前還沒有專門針對這一主題的科學著作，但有幾篇有趣的論文值得考慮。Triharminto 等人[11] 開發了一種三維移動目標攔截避障算法。該算法被稱為 L+Dumo 算法，整合了改進的杜賓斯算法和線性算法。可以對這種方法進行修改，以減少無人機無法完成監視任務的影響。Sampedro 等人[12]重點研究了可擴展的靈活架構，用于無人機群的實時任務規劃和智能體到任務的動態分配。所提出的任務規劃架構包括一個全局任務規劃器（GMP），負責通過一個智能體任務規劃器（AMP）分配和監控不同的高級任務，而智能體任務規劃器則負責向蜂群中的每個無人機提供和監控任務中的每個任務。Sujit 等人[13] 解決了在由靜態、彈出式和移動式障礙物組成的障礙物豐富環境中運行的多架無人機從給定起始位置到目標配置生成可行路徑的問題。彈出式和移動式障礙物環境中的路徑規劃系統為解決無人機群在復雜環境（包括建筑密集區或山區地形）中執行監視任務時出現的故障提供了靈感。

本文探討了在實際戰場場景中增強態勢感知的聯合通信和傳感技術。特別是，提出了一種空中可重構智能表面（ARIS）輔助綜合傳感與通信（ISAC）系統，該系統由單個接入點（AP）、ARIS、多個用戶和一個傳感目標組成。通過深度強化學習（DRL），在信號干擾比（SINR）約束條件下聯合優化了接入點的發射波束成形、RIS 相移和 ARIS 的軌跡。數值結果表明，通過抑制自干擾和雜波回波信號或優化 RIS 相移，所提出的技術優于傳統的基準方案。

隨著設備種類的增加，戰場環境變得更加復雜多變，對先進無線傳感與通信技術的需求也在不斷增加。最近，綜合傳感與通信（ISAC）被認為是未來使用毫米波（mmWave）等高頻段無線網絡的一項有前途的技術[1]。特別是，由于雷達傳感和無線通信共享相同的頻譜和硬件設施，ISAC 有可能提高戰場上的整體作戰效率[2]。

ISAC 下行鏈路系統的整體流程一般是由接入點（AP）向用戶發射 ISAC 信號，并處理目標反射的回波信號。然而，由于鏈路的主要視距（LoS）信道特性，軍事場景中的 ISAC 無法避免被各種障礙物（如山脈）阻擋的問題，并隨著通信距離的增加而造成嚴重的路徑損耗[3]。為了克服 LoS 信道的物理限制，可重構智能表面（RIS）作為一種關鍵技術應運而生，它通過調整相移來重新配置信號傳播，從而擴大目標探測和通信范圍[4]，[5]。作者在文獻[5]中提出了 RIS 輔助單目標多用戶 ISAC 系統中的聯合發射和接收波束成形技術。然而，在接入點和地面節點之間部署地面 RIS 在動態戰場環境中提供足夠的服務質量（QoS）方面存在局限性。另一方面，將 RIS 安裝在無人飛行器（UAV）上的空中 RIS（ARIS）可利用移動性在動態戰場環境中提供更有效的感知和通信性能[6]。文獻[7]考慮了由 ARIS 輔助的 ISAC 系統，以重新配置傳播環境，靈活對抗惡意干擾。

之前的研究[6]、[7]中針對傳感或通信網絡的 ARIS 系統的解決方案大多是通過凸優化提供的，無法快速應用于戰場場景。深度強化學習（DRL）方法因其在通過深度神經網絡與環境交互的同時制定策略的優勢，已被積極采用，作為傳統優化方法的替代方案。在 DRL 算法中，眾所周知，深度確定性策略梯度（DDPG）在連續行動空間（如 ARIS 軌跡）中收斂和運行良好[8]。文獻[9]的作者提出了一種基于 DRL 的 ARIS 軌跡設計，用于與車輛進行通信和定位。然而，從實際角度來看，當 AP 工作在全雙工模式時，自干擾問題 [10] 不可忽視，而且還需要一種抑制雜波回波信號的方法 [3]。

這項工作的重點是軍事場景中基于 DRL 的 ARIS 輔助 ISAC 系統，其中多天線 AP 為地面用戶提供服務并探測目標。我們的目標是通過聯合優化發射波束成形、RIS 相移和 ARIS 軌跡，使目標定位的 Cramer-Rao 約束（CRB）[11] 最小化。此外，為了應對自干擾和雜波回波信號帶來的挑戰，我們采用了一種基于無效空間投影（NSP）的接收波束成形方案[12]來抑制這些信號。為了應對所提問題的非凸性，我們提出了一種基于 DDPG 的算法，在與環境交互的同時尋找最優策略。通過模擬驗證，所提出的方法優于其他基準方法，如固定 RIS 相移或不應用基于 NSP 的接收波束成形方案。

本文的其余部分安排如下： 第二節介紹系統模型，包括 ARIS 輔助 ISAC 系統的信道、通信和雷達傳感模型。第三節介紹了所提出的基于 DRL 的算法，該算法旨在最小化整個系統的 CRB。第四節展示了數值結果，第五節為本文的結論。

本文報告了在使用基于遺傳學的機器學習過程和戰斗模擬發現新型戰斗機機動系統方面的經驗。實際上，這一應用中的遺傳學習系統正在取代測試平臺，從經驗中發現復雜的動作。這項工作的目標與許多其他研究不同，因為創新和發現新穎性本身就是有價值的。這使得目標和技術的細節與其他基于遺傳學的機器學習研究有所不同。

本文討論了應用的細節、動機以及所采用技術的細節。介紹了一個玩家適應固定策略對手的系統和兩個玩家共同適應的系統的結果。論文還討論了這項工作在其他自適應行為應用中的普遍意義。

本文為具有混合狀態空間的多智能體系統提出了一種迭代規劃框架。該框架使用過渡系統在數學上表示規劃任務，并采用多個求解器來迭代改進規劃，直到計算資源耗盡為止。在整合不同求解器進行迭代規劃時，我們建立了數學框架的理論保證，以確保遞歸可行性。所提出的框架能夠持續改進解決方案的最優性，有效利用分配的計算資源。我們將所提出的方法應用于能源感知的 UGV-UAV 合作任務站點分配，對其進行了驗證。結果表明，與文獻中提出的算法相比，該方法在保持實時執行能力的同時，還能不斷改進解決方案。

本研究探討了無人駕駛飛行器（UAV）與有人駕駛飛機合作進行集中任務規劃的發展情況。我們采用經過近端策略優化（PPO）訓練的單一智能體來模擬敵方防空壓制（SEAD）場景。我們的目標是掌握最佳任務策略。我們的模型在各種環境條件下進行了測試，在 100 次測試中，消除敵方防御的成功率達到 78%。我們的模型所取得的巨大成功強調了它在未來戰爭場景中的應用潛力，代表了空戰和強化學習應用領域的重大進展。

方法

集中式任務規劃架構

集中式任務規劃架構是指一種先進的技術架構，能夠在復雜多變的作戰場景中高效協調和管理無人機。該架構從各種信息來源收集數據，實時評估局勢，并規劃和執行最佳戰略，以最大限度地提高整個任務的成功潛力。

該架構的主要組成部分如下：

1. 戰斗信息管理： 該組件持續監控當前的戰斗態勢并跟蹤信息，以提供實時戰場情報。信息來源多種多樣，包括各種傳感器、傳感器網絡和人工觀察，從而能夠深入了解動態復雜的作戰環境。這相當于強化學習中收集環境信息的過程，為有效的學習過程提供了第一步。

2. 戰斗狀態（觀察）： 在這一階段，戰場信息被提供給智能體。在戰場上收集到的各種信息會被實時處理，并傳遞給強化學習智能體。這樣，智能體就能通過綜合戰場態勢感知了解當前形勢，預測未來的可能性，并決定下一步行動。

3）任務規劃器（智能體）： 作為中心的核心要素，這個基于強化學習的智能體根據傳入的實時作戰態勢數據做出最優行動。這一決策過程由一個預訓練的強化學習模型執行，該模型學習如何在復雜環境中實現任務目標。

4. 指揮官： 最后，智能體的決策將交由指揮官執行。智能體決定的行動將作為指令傳遞給實際的無人機，從而實現移動、目標探測和攻擊等具體任務。

因此，集中任務規劃架構實現了從各種信息源收集和處理數據、規劃和調整無人機行動以適應實時戰場條件的戰略。這就實現了實時戰略決策和快速反應，提高了整體作戰效率和生存能力。

強化學習環境的構建

我們為 MUM-T 問題開發了一個量身定制的強化學習環境。在這個環境中，我們部署了一架戰斗機無人機、一個干擾器和一個防空導彈系統，每個系統都有預定義的攻擊范圍和干擾距離。任務的主要目標是協同參與干擾行動，使目標防空導彈系統失效，隨后通過操縱戰斗機無人機將其消滅。任務的成功完成取決于是否到達指定的目標點。

在無人機任務規劃的背景下，我們為 MUM-T 構建了一個定制的強化學習環境。在 MUM-T 環境中，我們部署了一架戰斗機無人機、一個干擾器和防空導彈系統，每個系統都有明確的攻擊范圍和干擾距離。任務的最終目標是與干擾機進行合作干擾，使防空導彈無法攻擊，隨后通過操縱戰斗機無人機摧毀防空導彈。當無人機到達最終目的地（稱為 "目標點"）時，即成功完成任務。

為了開發環境，我們使用了 Gym 庫，這是一個用于強化學習環境的開源框架。無人飛行器可以移動的空間用二維網格表示。由于無人機的航向和速度等低層次控制方面的問題假定由 AFRL ACL 5 級自主處理，因此集中式任務規劃框架側重于負責規劃任務相關值（即航點和任務點）的高層次控制，這些值基于多架無人機的信息和戰場狀態。為促進學習過程，我們將任務空間離散化為 30x30 的網格，共由 900 個單元組成。

每個無人機的行動空間被定義為離散的多行動空間，使每個智能體能夠獨立選擇行動。戰斗機無人機和干擾機有五種可能的行動：向左、向右、向上、向下和攻擊。行動空間的離散化簡化了學習和控制[圖 5、6]。

在每個時間步長內，智能體根據其選擇的行動在網格環境中移動。我們施加了邊界條件（懲罰），以防止無人機在網格邊界外移動。此外，我們還通過檢測碰撞并分配相應的懲罰來處理戰斗機和干擾機之間的潛在碰撞。為了解決無人飛行器之間的協作問題，我們為智能體之間的特定功能和互動建立了模型。當干擾機進行干擾時，如果薩母不在攻擊范圍內，則會產生懲罰。但是，如果防空導彈在攻擊范圍內，干擾成功則會獲得獎勵，使防空導彈無法使用。戰斗機總共有五次攻擊機會，攻擊失敗（當防空導彈不在攻擊范圍內時）會導致失去一次攻擊機會并受到懲罰。另一方面，如果防空導彈在規定的攻擊范圍內，防空導彈就會失效，并獲得獎勵。重要的是，如果戰斗機沒有進行干擾，則無法攻擊，因為戰斗機的攻擊范圍小于干擾距離。

本文介紹了基于元學習概念實現數字孿生的初步研究。邁向建立理想數字孿生的第一步的主要目標是評估適合國防工業環境的適當方法。主要的挑戰是如何在數據稀缺的情況下訓練和驗證模型，這也是國防領域的一個共同主題。目前的用例是先進的水下防御系統中使用的鋰離子電池，旨在創建一個可用于維護和設計目的的數字人工制品。最初的實施采用了循環神經網絡（RNN）和模型診斷元學習（MAML）來實現內部和外部學習循環，以達到學習者能夠快速適應新任務的目的。基礎學習器利用電池退化的開放數據集為元模型生成梯度。研究結果凸顯了數字孿生作為水下防御系統明智決策、提高可靠性和準備狀態的寶貴工具的潛力。

圖：理想情況下，數字孿生可支持系統的整個生命周期，包括設計、制造、使用和服務/維護。

2022 年底，薩伯公司向瑞典國防物資管理局（FMV）和瑞典武裝部隊交付了最先進的魚雷系統薩伯輕型魚雷（SLWT），如圖 所示。該魚雷長約 2.85 米，直徑 0.4 米，總重量約 340 千克。SLWT 的推進系統集成了一個泵噴射驅動裝置、一個帶變速箱的直流電動機和一個可充電鋰離子電池。

國防工業數字孿生的利益與挑戰

國防工業數字孿生技術的數據基礎設施所面臨的挑戰是多方面的，需要仔細考慮。數據收集和整合是重大障礙。數字孿生依賴于來自各種傳感器、平臺和系統的大量異構數據。以標準化格式整合和協調這些數據是一項復雜的任務，尤其是在處理可能具有不同協議和安全要求的遺留系統和機密信息時。顧名思義，數字孿生系統必須使用物理資產記錄的數據來構建，這就聯系到本文的基本研究問題。在人工智能時代，數據顯然至關重要，但航空航天和國防（以及其他領域）需要高度發達的數據保護程序，因此數據隱私和安全保證已成為人工智能發展的重要義務。個人數據和專有數據泄露、誤用和濫用的風險顯然令人擔憂，尤其是基于云的解決方案和其他分布式解決方案，因為這些解決方案的基本基礎設施掌握在第三方手中。要構建防御系統的數字孿生技術，在選擇 ML 技術時必須考慮有限的數據訪問和嚴格的數據處理程序。在國防領域，確保數據的安全性和保密性至關重要。考慮到數據泄露對軍事行動的潛在影響，保護敏感信息免遭未經授權的訪問或網絡威脅至關重要。實施強大的加密、訪問控制和安全數據傳輸機制對于維護數字孿生數據基礎設施的完整性和保密性至關重要。

另一個核心問題是可擴展性和實時數據處理，因為它們構成了重大挑戰。國防應用通常需要實時決策，這就要求數據基礎設施能夠處理大量數據并快速處理這些數據，以支持具有時間敏感性的行動。

同樣明顯的是，在與不同國防機構或盟國（如北約內部）合作時，數據互操作性仍然是一個挑戰。建立通用的數據標準和協議對于確保數字孿生系統之間的無縫數據交換和有效互操作性至關重要。要應對這些挑戰，需要采取整體方法，涉及國防機構、技術提供商和決策者之間的合作，為國防工業中的數字孿生創建穩健、適應性強的數據基礎設施。

在本文中，所需的數字孿生的主要目的是實現對所選 SLWT 資產進行實時監控和預測性維護的工具。通過根據每個資產的高保真模型模擬其電池的行為，可以深入了解每個資產電池的健康、性能和 RUL 方面的情況。通過探索各種運行條件和配置，有望促進優化和性能提升。從長遠來看，這反過來又可對電池參數進行微調，以在不同情況下實現最佳性能，特別是對于未來設計和其他系統概念而言。此外，預計數字孿生技術還將有助于風險評估和緩解。通過將虛擬電池置于模擬的極端條件和故障場景下，有可能找出并解決漏洞，從而提高整個 SLWT 的可靠性和安全性。因此，數字孿生技術有望促進更好地了解電池與系統中其他組件的相互作用，從而提高系統集成和整體效率。

本研究中介紹的數字孿生是一項正在進行中的工作，因此本節的重點是展示迄今為止取得的成果。使用 MAML 以及在牛津電池降解數據集上訓練的基礎學習器構建有效數字孿生的過程仍在進行中，有待進一步完善。盡管如此，所取得的成果為元學習器預測電池行為的潛力提供了寶貴的啟示。本節介紹了數字孿生設計的基本思想，接下來的章節將介紹當前的研究成果，展示數字孿生方法在實際應用中優化電池管理和性能預測的可行性和廣闊前景。

本研究提出了一個基于 MOOS-IvP 中間件的自主水下航行器控制算法構建框架。側掃聲納傳感器（SSS）通常用于生成聲納圖像，在圖像中可以識別類似地雷的物體。這里實施的基站社區可維護 SSS 的覆蓋置信度地圖，并為用戶提供二維和三維模擬以及實施高級控制方案的能力。開發可分三個階段進行： 1) 最簡配置，僅使用必要的應用程序來開發和測試外環控制；2) 包含模擬硬件的配置；3) 包含實際硬件的配置，該配置應從第 2 階段平滑、輕松地擴展而來。這樣做的好處是使用方便、開發速度更快、減少硬件測試和成本。

圖 1. 自動潛航器路徑及其側視聲納覆蓋的相應區域示例。

多智能體框架

在擬議的 MAS 框架中，每個 AUV 和基站分別有一個獨立的社區。每個群落上都運行著幾個應用程序，其中一些包含在 MOOS-IvP 發行版中，另一些則由作者自行開發。

在擬議框架中，有三種可能的配置：1) 加速開發高級控制和規劃策略的簡約配置；2) 在最底層用變量替代實際傳感器和執行器數據的模擬配置[12]；3) 實際硬件實施。

圖 6. 配置 1：2 個自動潛航器群落和 1 個基站群落，應用極少。

圖 8. 配置 2：硬件模擬包括所有傳感器和致動器應用。

這項工作使用來自建設性模擬的可靠數據，比較了有監督的機器學習方法，以估計空戰中發射導彈的最有效時刻。我們采用了重采樣技術來改進預測模型，分析了準確度、精確度、召回率和f1-score。事實上，我們可以發現基于決策樹的模型性能卓越，而其他算法對重采樣技術非常敏感。在未使用重采樣技術和使用重采樣技術的情況下，最佳f1-score模型的值分別為0.378和0.463，提高了22.49%。因此，如果需要，重采樣技術可以提高模型的召回率和f1-score，但準確率和精確度會略有下降。此外，通過創建基于機器學習模型的決策支持工具，有可能提高飛行員在空戰中的表現，這有助于提高攻擊任務命中特定目標的有效性。

本文描述了九個不同機構與海軍信息戰中心研究人員之間的合作成果，在美國海軍2019年三叉戟勇士演習的背景下，利用物聯網（IoT）在海軍艦艇上創建基于傳感器的態勢感知，部署、測試和展示隱私保護技術。在DARPA通過Brandeis項目的資助下，該團隊建立了一個綜合的物聯網數據管理中間件，名為TIPPERS，通過設計支持隱私，并整合了各種隱私增強技術（PET），包括差分隱私、加密數據的計算和細粒度的策略。我們描述了TIPPERS的架構及其在創建智能艦船方面的應用，該艦船提供物聯網支持的服務，如占用分析、跌倒檢測、檢測未經授權進入空間以及其他態勢感知場景。我們描述了創建物聯網空間的隱私影響，這些空間收集的數據可能包括個人數據（如位置），并分析了在這種情況下支持的PETs的隱私和效用之間的權衡。

TIPPERS物聯網平臺

TIPPERS是一個用于智能空間的新型傳感器數據收集和管理系統，它結合了各種智能空間的應用。TIPPERS架構的一個關鍵設計特點是，它與空間、傳感器和任務無關，允許它作為即插即用的技術來創建智能空間。此外，TIPPERS體現了一種隱私設計的架構，它能夠整合不同的隱私增強技術（PET）。特別是，在DARPA Brandeis項目的背景下，各種PET已經被整合，包括安全計算、隱私政策和DP（關于這些PET的更多信息，見附錄1（補充材料））。

TIPPERS設計

如圖 1 所示，TIPPERS 架構包括幾個決策，以支持設計隱私的目標。首先，TIPPERS通過在物聯網設備的世界（即傳感器、執行器、原始觀測值等）和人的世界（即人、空間、現象等的互動）之間進行轉換，提供底層傳感器基礎設施的抽象。該系統基于代表這兩個世界的領域模型，使用戶/開發者能夠與高層次語義的概念進行互動。還包括基于本體的翻譯算法，將高級用戶請求（例如，"降低入住率大于75%的房間的溫度"）轉換成具體的底層設備基礎設施上的行動。其主要優點是，它簡化了智能應用的開發，并促進了它們在不同空間的可移植性，因為它們是建立在高級概念上，而不是建立在物聯網設備上。其次，它簡化了隱私策略的定義，因為用戶可以專注于他們想要保護的東西（例如，"當我在工作時間與約翰在一個私人空間時，不要捕捉我的位置"）。TIPPERS使用這樣的隱私策略來指導其數據收集、存儲和共享行為。

圖1：TIPPERS架構

作為實現這種將原始數據轉化為更高層次的語義解釋的機制，TIPPERS支持虛擬傳感器，其中傳感器數據流可用于創建這種推斷的數據流。例如，虛擬傳感器可以將連接數據（例如，來自WiFi AP的日志，包含關于哪些設備連接到它們的信息）轉化為不同空間沿時間的占用情況。這使TIPPERS能夠納入進一步的PETs。例如，傳感器數據流在傳遞給運營商時，可以洗掉個人身份信息（PII）。

最后，TIPPERS架構包含一個調解模塊，將傳感器數據適當地存儲在相應的數據庫/存儲技術中（例如，允許使用不同的基礎數據庫系統）。這種調解包括三個部分，涉及TIPPERS模式、數據和查詢與數據庫系統之間的具體映射任務。這使得TIPPERS可以根據數據的特點、安全要求以及需要在數據上運行的查詢類型，將數據存儲在不同的系統中。利用這一功能，TIPPERS系統進一步包括安全的數據存儲技術，可以維護加密的數據并對這些加密的數據進行計算。

在TIPPERS中集成隱私增強技術（PET）

TIPPERS支持兩種方式將PETs整合到傳感器數據管理中。首先，TIPPERS支持的虛擬傳感器技術可以被利用來修改/擾亂與應用程序共享的傳感器數據流。這種修改可以包括洗刷敏感數據（例如，從圖像中刪除人臉或從傳感器數據中刪除標識符），添加噪音，取消數據的鏈接等。使用虛擬傳感器的一個很好的例子是整合PGS，使占用的數據流不同程度的私有化。

其次，TIPPERS支持系統和底層存儲機制之間的調解。例如，TIPPERS與PULSAR支持的FSS和MPC技術，以及Jana支持的確定性加密、保序加密和基于秘密共享的技術進行調解。這樣，TIPPERS可以被配置為在PULSAR中存儲低級別的傳感器數據（如WiFi連接），這樣，插入可以是快速的，聚集（例如，占用水平）可以被快速確定。當政策取決于誰在一個特定的空間或有多少人在里面時，這對實時政策執行至關重要。相比之下，可能需要更復雜操作的數據（例如，結構化查詢語言（SQL）連接操作，以結合傳感器數據和元數據）可以存儲在Jana中，它支持不同的加密技術，支持更完整的復雜SQL操作。

圖2說明了TIPPERS中的數據流和在海軍驅逐艦中部署的綜合PET的樣本，附錄1（補充材料）對此有更詳細的描述。

圖2：TIPPERS數據流