執行總結

研究要求

鑒于網絡工作在美陸軍中的重要性日益增加，以及網絡工作所需能力與其他作戰人員工作相比的獨特性，建立一個有效的選拔和分類系統來識別和分配那些有很大潛力在這些工作中取得成功的新兵變得越來越重要。在這個項目中，我們開發了一個創新的評估，稱為通用網絡能力（C^3）測試，以衡量七個被認為與美陸軍多個網絡工作的成功相關的結構：主動學習、解決復雜問題、批判性思維、演繹推理、歸納推理、選擇性注意和排除故障。

程序

為了識別那些目前不具備網絡知識和技能的、在這些工作中具有很大成功潛力的新兵，C^3測試的一個關鍵規定是創建一個不需要網絡或信息技術（IT）知識的評估。因為像復雜問題解決這樣的構架不可能是完全無背景的，應試者需要解決的問題和他們可以利用的信息來解決這些問題。此外，為了測量主動學習，應試者需要一個學習的機會。為了滿足這些需求，我們為C^3測試創建了一個虛構的情境，在這個情境中，應試者開始了一份新的工作，并得到了關于這份工作的信息。在開始他們的新工作時，應試者通過 "學習階段"和 "應用階段 "進行。這種兩階段的結構使應試者能夠在評估的第一階段學習相關信息，然后在評估的第二階段應用這些信息來解決問題。

在C^3測試中，應試者扮演一個虛構的未來運輸公司的新雇員，該公司使用真空管進行運輸。在評估中，應試者必須首先通過一系列的培訓模塊來學習與工作相關的知識，這些模塊描述了公司、真空管旅行的發展以及與他們的虛構工作相關的具體部件和設備。然后，應試者開始新的工作，并將這些知識應用于測試的應用階段出現的問題。在這個整體評估的背景下，每一個C^3構架都是根據構架的定義和對現有措施的審查來操作的。初步數據是從67名完成C^3測試的受試者中收集的，這些受試者完成了少量的相關測量，一份人口統計問卷和一份反饋問卷。

研究發現

C^3測試的初步心理測量證據是很有希望的。大多數測量方法都有足夠的方差，分數的分布也近乎正常。雖然有些分布稍有偏斜，表明對參與者來說，這些測量有些太容易或太難，但這些特征的原因很容易確定，可以在后續版本的測試中加以修正。有幾個測量項目的分布顯示出中心傾向的偏差，并將從增加方差的程序中受益。

許多C^3構架和子維度之間的相關關系顯示出預期的模式。盡管在最初的研究中不可能為所有的測量方法收集構架有效性數據，但C^3構架和子維度之間的相關性提供了一些構架有效性的確認。大多數相互關系是顯著的，但幅度很小到中等。相關性小到中等的事實表明，沒有兩個工具在測量相同的構架。由于每個C^3測試都被設計用來測量一個不同的構架，這提供了辨證有效性的初步證據。應該進行更多的研究，以更仔細地檢查這些測量與其他類似測量的分歧。C^3構面和一般智力測驗之間的相關性也是小到中等的，這表明與一般智力有分歧。未來的研究應該考察C^3測試的標準相關有效性，以及C^3構面在多大程度上可以預測超出一般智力的標準。

盡管受測者報告說發現測試很復雜，完成起來很有挑戰性，但對于一個主要側重于評估認知技能的測試來說，這在某種程度上是必要的。測試者的反饋和每個構架的具體結果都被詳細地介紹和討論。

研究結果的利用和傳播：

本研究的結果可用于改進C^3測試，并為評估評估的標準相關有效性的研究做準備。一旦得到驗證，C^3測試可以用來識別新兵和新戰士的能力，這些能力是在網絡相關工作中取得成功的關鍵，即使他們沒有預先存在的網絡知識和技能。此外，如果陸軍的其他工作需要類似于C^3測試的能力，該測試也可以用來識別陸軍其他工作的候選人。

在過去的二十年里，人工智能（AI）獲得了大量的關注，并激發了許多科學領域的創新。美國軍事預測人員創造了許多以人工智能為核心特征的未來作戰環境的預測。本文報告了人工智能創新的歷史趨勢，導致了對真正的通用人工智能（AGI）出現的高預期時期。這些對持續創新的夸大期望超過了實際能力，導致幻想破滅。人工智能經歷了新的創新、過度期望和幻想破滅的周期，然后是適度的進步。人工智能創新的周期性遵循極端夸張的周期，在過去的周期中，這導致了資金的損失和未來創新的放緩。為了避免在夸張的周期中看到的未來的幻滅和進步的喪失，領導者需要對機器學習技術有一個現實的理解，以及它對未來的人工智能發展意味著什么。本文提出了一個理解人工智能與作戰環境互動的功能框架。

引言

語義學、技術樂觀主義、誤解和議程掩蓋了目前關于人工智能（AI）和智能的本質的辯論。關于人工智能的預測，從歇斯底里的天網啟示錄到人工智能驅動的烏托邦都有。人工智能和 "機器學習 "可能會走上幻滅之路。技術領域的知名專家警告說，人工智能將對人類的未來產生災難性影響。特斯拉和Space X的首席執行官（CEO）埃隆-馬斯克（Elon Musk）稱人工智能是一種生存威脅，并懇請政府對人工智能進行監管，"以免為時已晚"。已故著名物理學家史蒂芬-霍金認為，人工智能將是人類的末日。新聞媒體的標題是："美國有可能在人工智能軍備競賽中輸給中國和俄羅斯"。還有人援引世界末日的觀點和對人工智能技術的情感反應。例如，《紐約時報》最近發表了一個標題："五角大樓的'終結者難題'。可以自己殺人的機器人"。不幸的是，煽動恐懼的言論引起了公眾的共鳴，并建立在人工智能將是人類終結者的流行文化敘事上。

在歷史背景下觀察，目前對人工智能的看法遵循一個可衡量的趨勢，即Gartner公司的信息技術（IT）研究 "炒作周期 "的技術發展階段，見圖1。炒作周期以 "技術觸發點 "開始，一種只存在于原型的新概念化能力，吸引了媒體的注意。下一個狀態是 "期望值膨脹的高峰"，早期采用者因其在實施該技術方面的成功而獲得宣傳。下一個階段是 "幻滅的低谷"，技術固有的物理限制變得明顯，人工智能未能成熟，投資資金轉移到更有前途的企業。在幻滅的低谷之后，技術繼續成熟，盡管速度要慢得多。在這個緩慢的環境中，它被更好地理解，實施起來也有真正的成功。最后一個階段，即 "生產力的高原"，是技術在被充分理解的條件下被廣泛實施的時候。然后，各行業創建標準和法規來管理技術的實施和互操作性。

圖 1. 技術發展的成熟度曲線。

人工智能發展的以往演變遵循夸張的周期，有幾個高峰和低谷，這里將概述一下。每次人工智能發展進入幻滅的低谷，美國政府和軍方支出停止資助；人工智能的發展都會停滯不前。美國政府和軍方一直是人工智能發展史上不可或缺的一部分，并將繼續在指導未來發展方面發揮重要作用。美國軍方不能有膨脹的期望，這將導致一段幻滅期，將主動權和技術優勢讓給美國的同行競爭者，俄羅斯和中國；他們正在追求武器化的AI。領導人和決策者需要對人工智能的發展有一個現實的技術理解，以指導他們將人工智能整合到軍隊企業中。過去的夸張周期提供了需要避免的陷阱的例子，但也提供了需要尋找有用的應用和未來創新的領域。

俄羅斯國防部利用軍事預測為其長期規劃提供信息。自20世紀60年代以來，俄羅斯的軍事分析對一個國家發動戰爭的能力進行了全面評估，這些評估超越了武器和編隊。俄國防部利用這種預測來回答：（1）未來戰爭的可能性和特點是什么；（2）俄羅斯和其潛在對手之間的軍事潛力的相關性是什么？

在本報告中，作者利用一個既定的框架來研究與軍事預測有關的關鍵指標，以深入了解這些問題的答案。

本報告作者審查的俄羅斯軍事科學和學術研究發現，軍事潛力（國家權力）的相關性--一個包括政治、經濟、科學技術和常規武裝力量指標的廣泛衡量標準--現在和將來都會偏向于西方的美國和北大西洋公約組織（NATO）以及亞太地區的美國和日本。能夠改善俄羅斯競爭地位的因素是將中國納入軍事潛力的關聯中，以及美國以有利于其利益的方式管理國際體系的能力可能降低。

俄羅斯目前的軍事評估和預測沒有發現美國有對俄羅斯發動大規模戰爭的意圖的跡象。俄羅斯在什么條件下可能采取先發制人的軍事行動，冒著與軍事潛力超強的對手開戰的風險，仍然是一個沒有答案的問題。

##主要結論

• 鑒于雙方之間巨大的軍事潛力不平衡，北約聯盟的持續凝聚力將可能迫使俄羅斯在不對北約使用武力的情況下解決政治不滿。

• 北約的凝聚力至少給俄羅斯帶來了三個行動問題。首先，俄羅斯將不得不與一個共同擁有優勢軍事潛力的國家集團作戰，而這些國家在發生長期沖突時可能被證明是決定性的。第二，北約的凝聚力可能會迫使俄羅斯在整個歐洲發動攻擊，從而使聯盟的分裂更不可能發生。第三，北約的凝聚力可以暴露出俄羅斯相對有限的遠程常規彈藥庫存（戰略非核威懾潛力）。遠程常規能力對于排除利用大片歐洲領土流入更多部隊并對俄羅斯部隊發動攻擊至關重要。

• 在未來20年里，俄羅斯可能會尋求避免與中國和西方同時發生對抗關系，這可能會抑制其外交政策決策的靈活性。

• 俄羅斯軍事戰略的當前和未來發展將從相對于美國及其盟國的整體弱勢地位出發。

• 最后，本報告中使用的框架為評估對俄羅斯的威懾力提供了一個有用的方法。例如，由于該框架強調戰略非核能力的威懾價值，美國和盟國在遠程精確彈藥方面的優勢程度為衡量對俄羅斯軍事侵略的威懾水平提供了一個關鍵的輸入。

背景

在與美陸軍分析小組及其研究促進實驗室進行CRADA的過程中，Entanglement, Inc.（EI）已經展示了比任何已知技術更快、更準確的網絡安全異常檢測能力--假陽性現象少得多。

全球大多數網絡安全報告（包括2022年Sonicwall報告）認為，2021年幾乎所有類型的網絡攻擊都大幅上升，包括zeroday和勒索軟件攻擊。所有這些攻擊都有一個共同點：網絡異常。網絡安全中的異常檢測是指識別罕見的發生、項目或事件，由于其特征與大多數處理的數據不同而引起關注，這使得組織能夠跟蹤安全錯誤、結構缺陷甚至欺詐。異常檢測的三種主要形式是：無監督的、有監督的和半監督的。安全運營中心（SOC）分析師在網絡安全應用中使用這些方法中的每一種，都有不同程度的有效性。局限于監督式機器學習的系統往往會標出許多潛在的異常現象，以至于分析員不得不與無休止地增長的假陽性警報作斗爭，遭受認知過載。

過多的登錄，兩點之間的流量高峰，以及異常大量的遠程登錄是異常的幾個例子。正如我們在2020年的大流行病應對中所了解到的，后一種 "異常 "對于許多組織來說是必要的，以便在工人被困在家里時保持業務運轉。鑒于COVID-19大流行期間遠程工作的規模所帶來的挑戰，以及2021年網絡威脅的增加，美國陸軍轉向私營部門，探索一系列可能的解決方案。

2021年5月，拜登發布了一項行政命令，授權所有聯邦機構采用零信任安全。2021年第三季度，提出了一種新的網絡安全方法，以解決最近授權的零信任安全架構的持續監測部分。如果成功的話，這種能力可以應用于軍隊和其他聯邦機構運營的更大的網絡，并幫助提供實時態勢感知。這部分是基于對深度神經網絡的研究，其目標是：（a）加速自動編碼器（AE）功能；（b）加速生成對抗網絡（GAN）功能；以及（c）整合一種叫做支持向量機（SVM）的量子啟發優化算法。該方法包括二次無約束二元優化（QUBO）在網絡安全異常和離群點檢測方面的新應用，是由美國政府委托的。在業務轉型辦公室的指導下，陸軍分析小組（AAG）立即開始與可能被用于擊敗網絡異常威脅的新興技術的廣泛潛在來源合作。2021年6月，AAG的主任丹-詹森先生了解到Entanglement公司的無償援助提議，該公司選擇了其戰略伙伴和團隊參與者美國半導體公司Groq公司，為陸軍提供新穎、突破性的專利技術以及計算服務。

Entanglement團隊提供服務，協助陸軍在12個月內確定一個最佳的網絡安全異常檢測能力。2021年6月，AAG和Entanglement延長了題為 "COVID-19資源分配優化 "的現有合作研究與開發協議（CRADA）。Entanglement團隊在接下來的幾周內與Clay Stanek博士領導的AAG研究促進實驗室一起工作，并在2021年10月展示了顯著的性能改進和可行性。

主要發現、影響和建議

CRADA下的工作最終驗證了解決網絡安全異常檢測的能力，比傳統方法更快，并具有更好的性能，正如關鍵性能參數（KPP）所衡量。關鍵性能參數涵蓋了與每秒總推斷量、檢測到的威脅百分比、準確性、召回率、精確度、其他基于混淆矩陣的指標以及曲線下面積（AUC）有關的指標。

對于額外的變量或更大的數據集，Entanglement/Groq能力提供了比傳統方法更高的效率，可以大規模地解決原本難以解決的問題。核心技術是一種專有的專用數字電路設計，具有高度的并行性，用于解決可表示為深度神經網絡模型和二次無約束二元優化（QUBO）問題的各類問題。AAG以前的努力顯示了每秒檢測12萬個推斷的能力。這是用QUBO模型作為基準和標準所能達到的指標。基準是基于一個解決方案集，它將算法解決方案與專有的量子啟發芯片結合起來。芯片解決方案可以擴展到卡、節點，甚至更多。此外，為CRADA的可行性而設定基準的現有解決方案已經在開發下一代的更新，這將提高模塊化程度并減少熱信號。

在六個月內，Entanglement能夠實現每秒72,000,000次推斷的異常檢測率，并展示了在廣泛的數據處理系統領域實現每秒120,000,000次推斷的潛力。

驗證案例由KDD Cup 1999（KDD99）數據集和CICIDS2017數據集構建。如模型性能部分所述，AE和GAN解決方案的計算輸出在確定異常情況方面非常有效。QUBO SVM是以量子化形式建立的，在異常檢測方面也很有效，最后能夠在大約250毫秒內完成整個數據集的計算。

對指揮官的認知要求正在增加。由于創新和變化的速度，指揮官做出良好風險決策的能力受到挑戰。未來的戰爭不太可能像以前的沖突或訓練演習那樣以常規戰斗為主。美國的對手避免使用既定的理論，這提出了難以預料或減輕的危險。鑒于指揮官不能僅僅避免風險，而是要接受風險以獲得并保持戰爭的主動權，指揮官及其參謀部應考慮陸軍的風險理論和陸軍風險管理中心的理論風險梯度法是否足以應對多域作戰概念中描述的未來戰爭。

從對認知的研究來看，"風險認知 "的概念為風險管理人員（通常是參謀人員或主題專家）和風險決策者（通常是指揮官）如何評價風險分析方法提供了啟示。風險感知，即對風險水平的主觀判斷，這種想法與提出事實和數據就一定有說服力的想法形成鮮明對比。風險感知的研究已經證明了背景、敘述和簡單性在風險交流中的重要性。在風險決策者中，不熟悉、不了解、以及深深的偏見或恐懼會導致對風險水平的認知與專家的認知相差甚遠。

另外三種風險分析方法與陸軍理論風險梯度進行了比較。這些工具源自民用方法，被用于項目管理、工程和其他與風險和預見有關的領域。它們是故障樹、場景假設和風險三要素。雖然它們都有一些量化的元素，但它們為風險管理人員提供了同樣多的空間，甚至更多的空間，以應用批判性思維和分享背景，如預測的不確定性或與規劃行動的聯系。

正如陸軍出版物和文章所描述的那樣，未來的戰爭預計需要指揮官掌握五個領域--包括不熟悉的網絡和空間領域--在作戰領域往往比以前更廣闊，在行動中趨向于提高機動速度和創新。在這樣的環境中，無論是競爭、沖突、反叛亂，還是大規模的地面作戰，所有軍事專業人員都應該使用盡可能好的風險分析來保護生命和實現目標。為此，本文對理論、領導人發展和參謀部行動提出了潛在改變方法。

1 簡介

深度學習技術在計算機視覺領域的快速發展，促進了基于人工智能（AI）應用的廣泛傳播。分析不同種類的圖像和來自異質傳感器數據的能力使這項技術在軍事和國防應用中特別有趣。然而，這些機器學習技術并不是為了與智能對手競爭而設計的；因此，使它們如此有趣的特性也代表了它們在這一類應用中的最大弱點。更確切地說，輸入數據的一個小擾動就足以損害機器學習算法的準確性，并使其容易受到對手的操縱--因此被稱為對抗性機器學習。

對抗性攻擊對人工智能和機器人技術的穩定性和安全性構成了切實的威脅。這種攻擊的確切條件對人類來說通常是相當不直觀的，所以很難預測何時何地可能發生攻擊。此外，即使我們能估計出對手攻擊的可能性，人工智能系統的確切反應也很難預測，從而導致進一步的意外，以及更不穩定、更不安全的軍事交戰和互動。盡管有這個內在的弱點，軍事工業中的對抗性機器學習話題在一段時間內仍然被低估。這里要說明的是，機器學習需要在本質上更加強大，以便在有智能和適應性強的對手的情況下好好利用它。

2 人工智能系統是脆弱的

在很長一段時間里，機器學習研究人員的唯一關注點是提高機器學習系統的性能（真陽性率/敏感度、準確性等）。如今，這些系統缺乏穩健性的問題已不容忽視；許多系統已被證明非常容易受到蓄意的對抗性攻擊和/或操縱。這一事實使它們不適合現實世界的應用，特別是關鍵任務的應用。

一個對抗性的例子是，攻擊者故意設計了一個機器學習模型的輸入，以導致該模型犯錯。一般來說，攻擊者可能無法接觸到被攻擊的機器學習系統的架構，這被稱為黑盒攻擊。攻擊者可以利用 "可轉移性 "的概念近似于白盒攻擊，這意味著旨在迷惑某個機器學習模型的輸入可以在不同的模型中觸發類似的行為。

最近針對這些系統的對抗性攻擊的演示強調了對抗性行為對穩定性影響的普遍關注，無論是孤立的還是互動的。

也許最廣泛討論的攻擊案例涉及圖像分類算法，這些算法被欺騙成 "看到 "噪聲中的圖像，即隨機產生的不對應于任何圖像的白噪聲被檢測為圖像，或者很容易被像素級的變化所欺騙，因此它們將一輛校車分類為鴕鳥，例如。同樣，如果游戲結構或規則稍有改變，而人類不會受到影響，那么表現優于人類的游戲系統（如國際象棋或AlphaGo）就會突然失敗。在普通條件下運行良好的自動駕駛汽車，只要貼上幾張膠帶，就會被誘導轉向錯誤的車道或加速通過停車標志。

3 人工智能在軍事上的應用

許多北約國家利用人工智能和機器學習來改善和簡化軍事行動和其他國家安全舉措。關于情報收集，人工智能技術已經被納入在伊拉克和敘利亞的軍事行動中，其中計算機視覺算法被用來檢測人和感興趣的物體。軍事后勤是這一領域的另一個重點領域。美國空軍使用人工智能來跟蹤其飛機何時需要維護，美國陸軍使用IBM的人工智能軟件 "沃森 "來預測維護和分析運輸請求。人工智能的國防應用還延伸到半自主和自主車輛，包括戰斗機、無人機或無人駕駛飛行器（UAV）、地面車輛和船舶。

人們認為對抗性攻擊在日常生活中相對罕見，因為針對圖像分類算法的 "隨機噪音 "實際上遠非隨機。不幸的是，對于國防或安全技術來說，這幾乎是不可能的。這些系統將不可避免地被部署在對方有時間、精力和能力來開發和構建正是這些類型的對抗性攻擊的環境中。人工智能和機器人技術對于部署在敵人控制或敵人爭奪的地區特別有吸引力，因為這些環境對于我們的人類士兵來說是最危險的環境，在很大程度上是因為對方對環境有最大的控制。

在意識到人工智能發展和應用的技術領先的重要性后，北約于2020年在多國能力發展運動（MCDC）下啟動了人工智能、自動化和機器人技術的軍事用途（MUAAR）項目。該項目的范圍是開發概念和能力，以應對開展聯合聯盟行動的挑戰，并對其進行評估。項目的目標是評估可能受益于人工智能、自動化和機器人技術的當前和未來的軍事任務和功能。它還考慮了效率和成本節約方面的回報。

在國防應用中，對抗性地操縱機器學習分類器所帶來的危險的例子很多，嚴重程度各不相同。例如，致命的自主武器系統（LAWS）可能會將友軍戰車誤認為是敵軍戰車。同樣，一個爆炸裝置或一架敵方戰斗機可能會被錯誤地識別為一塊石頭或一只鳥。另一方面，知道人工智能垃圾郵件過濾器跟蹤某些單詞、短語和字數進行排除，攻擊者可以通過使用可接受的單詞、短語和字數來操縱算法，從而進入收件人的收件箱，進一步增加基于電子郵件的網絡攻擊的可能性。

4 結論

綜上所述，人工智能支持的系統可能會因為對抗性攻擊而失敗，這些攻擊是故意設計來欺騙或愚弄算法以使其犯錯的。這種攻擊可以針對分類器的算法（白盒攻擊），也可以通過訪問輸入來針對輸出（黑盒攻擊）。這些例子表明，即使是簡單的系統也能以意想不到的方式被愚弄，有時還可能造成嚴重后果。隨著對抗性學習在網絡安全領域的廣泛應用，從惡意軟件檢測到說話人識別到網絡物理系統再到許多其他的如深度造假、生成網絡等，隨著北約增加對自動化、人工智能和自主代理領域的資助和部署，現在是時候讓這個問題占據中心位置了。在將這些系統部署到關鍵任務的情況下之前，需要對這些系統的穩健性有高度的認識。

已經提出了許多建議，以減輕軍事環境中對抗性機器學習的危險影響。在這種情況下，讓人類參與其中或在其中發揮作用是至關重要的。當有人類和人工智能合作時，人們可以識別對抗性攻擊，并引導系統采取適當的行為。另一個技術建議是對抗性訓練，這涉及給機器學習算法提供一組潛在的擾動。在計算機視覺算法的情況下，這將包括顯示那些戰略性放置的貼紙的停車標志的圖像，或包括那些輕微圖像改變的校車的圖像。這樣一來，盡管有攻擊者的操縱，算法仍然可以正確識別其環境中的現象。

鑒于一般的機器學習，特別是對抗性機器學習，仍然是相對較新的現象，對兩者的研究仍在不斷涌現。隨著新的攻擊技術和防御對策的實施，北約軍隊在關鍵任務的行動中采用新的人工智能系統時需要謹慎行事。由于其他國家，特別是中國和俄羅斯，正在為軍事目的對人工智能進行大量投資，包括在引起有關國際規范和人權問題的應用中，北約保持其戰略地位以在未來戰場上獲勝仍然是最重要的。

作者

Elie Alhajjar博士是美國陸軍網絡研究所的高級研究科學家，同時也是紐約州西點軍校數學科學系的副教授，他在那里教授和指導各學科的學員。在來到西點軍校之前，Alhajjar博士曾在馬里蘭州蓋瑟斯堡的國家標準與技術研究所（NIST）從事研究。他的工作得到了美國國家科學基金會、美國國立衛生研究院、美國國家安全局和ARL的資助，最近他被任命為院長的研究人員。他的研究興趣包括數學建模、機器學習和網絡分析。他曾在北美、歐洲和亞洲的國際會議上展示他的研究工作。他是一個狂熱的科學政策倡導者，曾獲得民用服務成就獎章、美國國家科學基金會可信CI開放科學網絡安全獎學金、Day One技術政策獎學金和SIAM科學政策獎學金。他擁有喬治-梅森大學的理學碩士和數學博士學位，以及圣母大學的碩士和學士學位。

隨著預算削減的增加和空軍機隊的老化，空軍正在尋找創新的方法來減少工具、零件和用品的采購、運輸和庫存成本。特別是，傳統的制造、庫存和運輸飛機零部件和用品可能是緩慢的、昂貴的、對人員有害的和對環境有害的。被稱為"3-D打印"的新制造技術，也被稱為 "增材制造"（AM）被推薦為可能的解決方案，以減少維修時間、采購成本、運輸和庫存成本，同時也比傳統的、制造的替換零件更安全、勞動強度更低、更環保。

本文研究AM能在多大程度上使空軍受益，及其目前的實施情況。本文概述了空軍目前供應鏈的成本、操作失敗和環境影響，以及軍事單位如何利用AM來幫助減少這些問題。雖然正在采取措施在基地和倉庫層面實施三維（3-D）打印，但空軍沒有為其實施提供明確的方向，也沒有充分地利用其好處。因此，本文建議空軍開發可部署的三維打印包，提供三維打印培訓，并對在什么情況下應該購買三維打印機提供更多指導。此外，還就哪些部件應該被打印出來提出了建議，并建立了認證3-D打印飛機部件的正式批準程序。

1 引言

1.1 問題描述

在承包商工廠和軍事后勤中心之間的空軍物資運輸占用了巨大的資源；2013年運輸成本超過了56億美元。

運輸物資的成本如此之高，是因為C-5 "銀河 "運輸物資的平均每飛行小時成本為100941美元，而這還沒有考慮到飛機的維修和保養。因此，隨著作戰節奏的加快，需要更多的零部件。 此外，沖突越遠，運輸成本就越高。

戰爭規劃者試圖為軍隊后勤評估戰爭儲備和備件，然而，他們的評估往往與實際需求不相符合。例如，在2012年，空軍花費了4.861億美元用于交付16架C-27A "斯巴達 "貨運飛機，其中包括6050萬美元的備件給阿富汗空軍。在這16架飛機中，有6架必須被 "拆解 "以獲得備件，以便其他10架飛機能夠繼續運行。拆解是指從武器系統中拆下一個目前可以使用的零件，用于維修需要該零件的飛機，以使其具備任務能力。 C-27A "斯巴達 "計劃最終被認為是不可持續的，因為空軍確定需要額外的2億美元的備件來正常維護飛機。

為了解決與類似問題有關的巨大成本和短缺，陸軍、海軍、美國國家航空航天局、國防部（DOD）供應商和其他組織正越來越多地轉向一種名為 "3-D打印 "的新技術，也被稱為 "增材制造"。這項技術使他們能夠在內部創建零件和用品，從而減少他們的供應鏈和運輸成本。不幸的是，空軍現在才剛剛開始探索三維（3-D）打印的好處。因此，本文探討了以下問題：如果空軍在部署地點實施三維打印，會有什么好處？

空軍將3D打印機和相關原材料運輸到部署地點，允許快速定制飛機零件，減少危險廢物，并削減庫存持有和運輸成本。更重要的是，它可以通過允許部隊根據需要在現場制造工具、零件和用品來提高作戰能力。

增材制造（AM）是通過逐層添加（打印）一種材料（通常是塑料或金屬），直到創造出三維物體。相比之下，減材（傳統）制造則是將材料去除，直到留下所需的物體。AM允許零件的定制和現場生產，對培訓的要求最低。

3-D打印經常使用逆向工程來重新創建，并有可能在3-D掃描儀的幫助下改進現有零件。就像磁共振成像使用磁場和無線電波來創建人體內部器官和組織的詳細圖像一樣，3-D掃描儀創建了一個所需部件的數字副本。這種3-D模型數據可以被儲存起來，用于未來的制造，或使用軟件進行操作，以改進零件的設計。3D制造的零件可以打印出空心或蜂窩狀的屬性，這可以使它們更輕，更能夠承受熱應力。AM允許在制造開始前在虛擬環境中開發和快速測試設計。此外，這些3-D設計可以通過電子方式發送給部署地點的操作員。

在已部署軍事裝備的環境中，實施3-D打印將需要在初期運輸大型打印機、原材料和外圍支持設備。然而，它可以在幾個方面減少運輸和庫存成本。首先，原材料可以被包裝或托盤化，使每立方英寸的材料多于零件本身。因此，濃縮材料可以使飛機載荷的利用率更高，減少補給任務。其次，多余的粉末狀原材料可以被回收到AM工藝中至少14次。此外，原材料通常保留其貨幣價值或升值。因此，多余的原材料可以在私營部門出售，而且安全問題很小。

在部署地點制造零件和用品可以幫助減少運輸成本。空軍老化的機隊的許多備件沒有被提前制造出來，而且供應有限。3-D打印可以降低維護成本，并為空軍提供機會，通過內部制造這些零件來延長其機隊的使用壽命。尋找和運輸稀有零件的時間可以減少，從而提高出勤率（與任務和訓練有關的飛行時間）。

空軍最近為美國本土設施購置了3-D打印機，陸軍和海軍也在早期實施3-D打印，這可能表明AM提供了財務上的好處。AM允許在需要的基礎上生產零件，這可以減少物資儲存的占地面積，消除零件的持有成本，并以更少的停機時間提高操作能力。

這篇研究文獻將使用問題-解決方案的方法來研究空軍如何通過在前沿作戰基地部署3-D打印機來生產飛機零件、工具和用品而獲益。本文首先簡要介紹了3-D打印機和AM，并提供了它們的使用實例。此外，還將對空軍的供應鏈進行總結。在這個總結之后，將徹底描述空軍在部署飛機零部件和用品時面臨的問題和挑戰，以及環境問題和操作影響。下一節將概述如何將3-D打印機部署到戰斗環境中的可能手段。本文的每一節都將使用定量數據來支持所有關于支出、節約、庫存水平和制造產量的主張和建議。最后，將根據研究結果提出實施3-D打印機的建議，隨后是結論。

在決定是否減輕或接受網絡攻擊對武器系統的風險時，最重要的考慮因素是它如何影響作戰任務——也稱為任務影響。然而，對整個空軍的每個系統和所有任務進行全面評估是不切實際的，因為每個系統都很復雜，有大量潛在的漏洞需要檢查，每個漏洞都有自己復雜的威脅環境。

進入網絡任務線程分析框架。為了分析任務影響，作者提出了這種旨在同時實現幾個目標的新方法：足夠全面，可以在美國空軍的每個任務的規模上執行，但信息量足以指導決定接受或接受減輕特定風險。此外，該方法非常簡單，可以在不超過幾個月的時間內執行，并且可以根據需要進行更新。

該框架遵循自上而下的方法，從捕獲所有關鍵任務元素的整個任務的“線程”（映射）開始，然后是支持其執行的系統。雖然作者并未將網絡安全風險評估問題簡化為交鑰匙解決方案，但他們提出了有用的方法來分類與任務成功最相關的領域，同時將對漏洞和威脅的詳細調查限制在最關鍵的領域。他們的框架旨在大規模完成，適用于各種場景，并明確其工作方式。

00 報告研究的問題

• 評估整個空軍的任務影響或網絡安全風險有哪些挑戰？
• 網絡攻擊的風險與其他任務風險有何不同？
• 從任務影響的角度來看，網絡問題的哪些方面提出了必須解決的獨特挑戰？

01 主要發現

1.1 在合理的資源支出下分析大規模的任務影響是一個主要的挑戰

• 即使是狹義的任務也需要大量的系統，而且每個系統都可能相當復雜。
• 在美國空軍的每項任務中增加一項任務的復雜性，要評估的系統數量變得不可行。

1.2 隨著新系統的引入、舊系統的修改以及戰術、技術和程序的發展，執行任務的方式發生了變化

• 對系統的更改會導致系統漏洞的更改，同時威脅也會演變。
• 隨著任務、漏洞和威脅的變化，必須重新檢查風險評估。

1.3 網絡空間的特點之一是冗余無效

• 冗余并不能提供抵御網絡攻擊的穩健性。
• 冗余組件具有共同的網絡攻擊漏洞。

1.4 失去指揮和控制可能會在沒有任何系統或組件故障的情況下損害任務

• 對手操縱指揮和控制的脆弱性是另一種特殊的網絡效應。
• 這種類型的網絡效應通常不會在系統工程中用于安全的技術中捕獲。

1.5 當決策者不了解分析的工作原理時，他們通常會恢復直覺和判斷

• 分析工具越不透明，就越被視為“黑匣子”，越不可信。
• 這種反應提出了透明的動機，以便可以信任該方法來指導決策。

02 建議

• 要大規模執行任務影響評估并節省工作量，請使用系統工程熟悉的方法和可用于分類的任務關鍵性標準組合。

• 定義任務時，不要包含任何系統。在分析的后期介紹特定系統的作用。

• 將隨著時間推移相對穩定的工作與需要在系統生命周期中更新的分析分開。

• 盡可能使用現有的和經過驗證的技術以保持透明，以便決策者了解分析的工作原理及其局限性，并信任它來指導決策。

• 應用網絡分離的概念來解決冗余問題。

• 在任務和系統級別合并功能流程圖，以解決對手指揮和控制分析問題。

• 為了全面驗證和驗證網絡任務線程分析框架，空軍應該在各種不同的任務中應用和測試它。

03 報告目錄

第一章

評估武器系統網絡安全風險的一些注意事項

第二章

評估任務影響的原型框架

第三章

框架的討論