在 2020 年，空中力量（制空權）辯論越來越多地關注新興技術對國防創新和未來戰爭特征的影響。人工智能 (AI) 系統、機器人技術、增材制造（或 3D 打印）、量子計算、定向能量和其他“顛覆性”技術等先進新技術的融合，第四次工業革命 (4IR)為國防應用提供了新的和潛在的重大機會，進而提高了對潛在競爭對手的軍事優勢。當前的大部分辯論可以說將“下一個前沿”技術描述為“不連續”或“破壞性”軍事創新的代名詞——從“工業時代”到“信息時代戰爭”和現在越來越傾向于“自動化時代的戰爭”（Raska，2021 年）。例如，高光譜圖像、計算攝影和緊湊型傳感器設計等先進傳感器技術旨在提高目標檢測、識別和跟蹤能力，并克服傳統的視線干擾（Freitas 等人，2018 年）。具有自適應特性的復合材料、陶瓷和納米材料等先進材料將使軍事裝備更輕，但更適應于復雜環境（Burnett 等人，2018 年）。新興光子技術，包括高功率激光器和光電設備，可能會提供基于量子計算和量子密碼學新級別的安全通信（IISS，2019 年）。

新興技術的融合——即機器人技術、人工智能和機器學習、具有先進傳感器技術的模塊化平臺、新型材料和保護系統、網絡防御和模糊物理、網絡和生物領域之間界限的技術，被廣泛認為對人類的特征具有深遠的影響。未來的戰爭，在空中力量的背景下，有望將新的機器學習算法應用于高速進行信息處理、有人/無人武器平臺和監視系統的混合自動化，以及最終指揮和控制 (C2) 決策（Horowitz，2018；Cummings，2017）。

大型軍工產品不再是技術創新的唯一驅動力；取而代之的是，具有雙重用途潛力的先進技術正在商業領域開發，然后“轉而”用于軍事應用。

然而，盡管戰略背景各不相同，但這些新興技術的傳播也引發了類似于過去 40 年提出的理論和政策規定性問題：新興技術的傳播是否真的意味著戰爭中的“破壞性”轉變？這僅僅是進化上的變化嗎？如果新興技術規定了戰爭的顛覆性變化，那么國防資源分配的必要性是什么，包括部隊結構和武器采購要求？包括空軍在內的軍事組織如何利用新興技術為自己謀利？此外，新興技術在應對 21 世紀以不確定性、復雜性和模糊性為特征的安全威脅和挑戰方面的效果如何？

顛覆性敘事的四個十年

在受信息技術飛躍的推動下，“顛覆性”軍事創新敘事和辯論的軌跡已在 IT 驅動的軍事革命 (IT-RMA) 的背景下定義，該革命已通過至少五個階段：（1）1980年代初期蘇聯戰略思想家對軍事技術革命的初步概念發現，（2）1990年代初期美國戰略思想的概念適應、修改和整合，（3）1990 年代中后期對技術的 RMA 辯論，（4） 轉向更廣泛的“防御轉型”，并在 2000 年代初期進行部分實證調查，以及 (5) 從 2005 年起質疑顛覆性敘事的批判性逆轉（格雷，2006 年）。然而，自 2010 年代中期以來，隨著人工智能和自主系統等新技術的加速傳播，人們可能會爭辯說，新的 AI-RMA 或第六次 RMA 浪潮已經出現（Raska，2021 年）。

然而，回想起來，在過去的 40 年里，IT-RMA 的實施也可以說是遵循了一條明顯低于革命性或破壞性的道路，包括對現有能力的漸進式、通常近乎持續的改進（Ross，2010 年）。雖然國防技術、組織和理論方面的重大、大規模和同步的軍事創新是一種罕見的現象，但軍事組織在很大程度上是通過一系列持續的軍事創新取得進展，從小規模創新到大規模創新，這些創新塑造了他們的戰爭行為（Goldman，1999）。雖然這個時代的許多軍事創新，例如網絡中心戰的概念已經成熟，但關于即將到來的“破壞性軍事轉型”的敘事幾乎總是超過了現有的技術、組織和預算能力。此外，不同的概念、技術、組織和作戰創新主要集中在將數字信息技術集成到現有的傳統平臺和系統中（Raska，2016 年）。

國家和非國家行為者都可能使用這種所謂的對抗性機器學習來欺騙對方，使用不正確的數據得出錯誤的結論，并在此過程中改變決策過程。

例如，在美國的戰略思想中，顛覆性軍事創新的敘事從 2005 年開始隨著伊拉克和阿富汗戰爭中的作戰挑戰和經驗逐漸淡化。更多批評聲音指向“破壞性”防御轉型的未兌現承諾。 “新思維方式和新戰斗方式”的基本原理幾乎證明了每項防御倡議或提議的合理性，這表明迷失方向而不是明確的戰略（弗里德曼，2006 年）。國防轉型懷疑論者還警告說，通過技術解決復雜戰略挑戰的邏輯有缺陷，同時放棄了潛在敵人或競爭對手的適應能力。簡而言之，由于預算要求和不切實際的能力組合而不是實際的戰略和作戰邏輯，即將發生的國防轉型的破壞性敘事已經變成了一個模棱兩可的想法（雷諾茲，2006 年）。

為什么AI浪潮不同？

然而，新的“支持人工智能”的國防創新浪潮在幾個方面與過去以 IT 為主導的浪潮不同。首先，人工智能支持的軍事創新的傳播速度要快得多，通過多個維度，特別是通過大國之間加速的地緣戰略競爭——美國、中國和較小程度的俄羅斯。大國之間的戰略競爭并不新鮮。它們深深植根于歷史——從公元前三世紀伯羅奔尼撒戰爭期間的雅典和斯巴達大戰略，到二十世紀下半葉冷戰的兩極分化。然而，新興戰略競爭的性質不同于以往戰略競爭的類比。進入 21 世紀，戰略競爭的路徑和模式更加復雜多樣，反映了在不同或重疊規則下的多重競爭，長期的經濟相互依存與核心戰略挑戰并存（Lee，2017）。然而，在爭奪未來霸權的競爭中，技術創新被描述為國際影響力和國家力量的核心來源——產生經濟競爭力、政治合法性和軍事力量（Mahnken，2012 年）。具體來說，美國幾十年來第一次面對一個戰略性的同行競爭對手中國，中國有能力追求和實施自己的 AI-RMA。因此，主要問題不是 AI-RMA 浪潮是否會在戰爭中帶來根本性的不連續性，如果是，如何以及為什么？相反，美國的 AI-RMA 是否可以被相應的中國或俄羅斯 AI-RMA 取消或至少削弱？換言之，技術優勢的差距正在有效縮小，這有效地加速了新技術作為軍事優勢來源的戰略必要性。

新興技術的融合——即機器人技術、人工智能和機器學習、具有先進傳感器技術的模塊化平臺、新型材料和保護系統、網絡防御和模糊物理、網絡和生物領域之間界限的技術，被廣泛認為對未來的戰爭具有深遠的影響。

其次，與前幾十年利用一些軍民兩用技術開發主要武器平臺和系統不同，當前的人工智能浪潮在商業技術創新作為軍事創新來源的規模和影響方面有所不同。大型軍工產品不再是技術創新的唯一驅動力；取而代之的是，具有雙重用途潛力的先進技術正在商業領域開發，然后“轉而”用于軍事應用。在這種情況下，新興技術的傳播，包括增材制造（3D 打印）、納米技術、空間和類空間的能力、人工智能和無人機，并不僅限于大國（Hammes，2016 年）。人工智能傳感器和自主武器系統的擴散也在新加坡、韓國、以色列等先進小國和中等強國的防御軌跡上。這些國家現在有潛力開發利基新興技術，以提高其防御能力和經濟競爭力、政治影響力和在國際舞臺上的地位（Barsade 和 Horowitz，2018 年）。

第三，自主和支持人工智能的自主武器系統的擴散，加上新穎的作戰結構和部隊結構，挑戰了人類參與未來戰爭的方向和特征——其中算法可能會影響人類的決策，并設想在未來的戰斗中使用致命自主武器系統（LAWS）。包括空軍在內的先進軍隊正在試驗各種依靠數據分析和戰爭自動化的人機技術。這些技術越來越多地滲透到未來的戰爭實驗和能力發展計劃中（Jensen 和 Pashkewitz，2019 年）。在美國，選定的優先研發領域側重于在各種人機協作中開發人工智能系統和自主武器——例如，支持人工智能的預警系統和指揮與控制網絡，空間和電子戰系統、網絡能力、致命的自主武器系統等。

人工智能系統將越來越有能力在John Boyd的觀察-定向-決策-行動 (OODA) 循環的每一步中簡化 C2 和決策過程。

戰略競爭、雙重用途新興技術創新和戰爭中人機交互特征的變化，這三個驅動因素的融合推動了一系列定義 AI-RMA 浪潮的新條件。它的擴散軌跡在本質上也對戰略穩定性、聯盟關系、軍備控制、道德和治理以及最終的作戰行動提出了新的挑戰和問題（Stanley-Lockman，2021a）。例如，關于人工智能系統在使用武力中的作用的國際規范辯論越來越關注法律的傳播和遵守國際人道法原則的能力。隨著技術進步從科幻領域轉向技術現實，各國對引入 LAWS 是否會違反或加強國際法律原則也有不同的看法。面對軍事人工智能應用的法律和道德影響，軍事機構越來越認識到需要解決與安全、道德和治理相關的問題，這對于建立對新能力的信任、管理風險升級和重振軍備控制至關重要。盡管如此，國防部和軍隊在倫理道德方面的努力是狹隘地關注法律還是更廣泛地關注人工智能系統的范圍之間仍然存在緊張關系。因此，包括空軍在內的軍隊需要跟蹤關于人工智能和自主性的不斷演變的觀點，并就對 2020 年代及以后的戰略和作戰環境的影響進行辯論（Stanley-Lockman，2021b）。

對空中力量的影響

在作戰層面，空軍旨在加速整合各種人工智能相關系統和技術，例如多域作戰云系統，從各種來源收集大數據，創建實時作戰圖，本質上是自動化和加速指揮和控制 (C2) 流程（Robinson，2021 年）。在這樣做的過程中，啟用人工智能的作戰云可以識別目標并將它們分配給任何領域中最相關的“射手”，無論是空中、水面還是水下——一些空軍將其概念化為聯合全域指揮與控制 (JADC2) 。部分空軍也在試驗人工智能算法作為“虛擬后座”，它可以有效控制飛機的傳感器和導航，尋找對手，并以此減少機組人員的工作量（Everstine，2020）。在這種情況下，關鍵論點是人工智能系統的進步——可以感知、推理、行動和適應的廣泛程序，包括機器學習 (ML) 系統——其性能隨著時間的推移、數據交互的增加而提高算法性能，以及深度學習（ DL）系統——其中多層神經網絡從大量數據中學習——具有“改變空戰行動以及空中力量的構思和使用方式”的潛力（Davis，2021 年）。

具體來說，根據蘭德公司最近的一項研究（Lingel 等人，2020），目前有六類 AI/ML 應用研發，其會對包括空中力量在內的未來戰爭有影響：

（1）計算機視覺——圖像識別——檢測對視覺世界中可用于處理多源智能和數據融合的對象進行分類；

(2) 自然語言處理 (NLP) — 成功理解人類語音和文本識別模式（包括翻譯）的能力，可用于從語音和文本中提取情報，但也可以監控友好通信并引導相關信息以提醒個人或單位；

(3) 專家系統或基于規則的系統——收集大量數據以推薦特定行動以實現作戰和戰術目標；

(4) 規劃系統——使用數據解決調度和資源分配問題，可以針對目標協調選定的空中、太空和網絡資產，并生成建議的分時行動；

(5) 機器學習系統——從與環境的數據交互中獲取知識，可與其他類別的人工智能結合使用，即使 C2 系統在專家知識不可用或最佳策略、技術和程序 (TTP) 未知時學習如何執行任務；

(6) 機器人和自主系統——結合所有或選擇先前類別的 AI/ML 方法，使無人系統與其環境交互；

這些與人工智能相關的類別幾乎適用于空中力量的各個方面，可能會塑造新形式的自動化戰爭：從 C2 決策支持和規劃，人工智能/機器學習可以在日益受限的時期提供推薦的選項或建議；通過數據挖掘能力支持 ISR；后勤和預測性維護，以確保部隊的安全以及平臺和單位的可用性；訓練和模擬；網絡空間行動以檢測和應對先進的網絡攻擊；機器人和自主系統，如無人機，用于從 ISR 到矛尖任務的各種任務，如壓制敵方防空和協同作戰，在空中和陸地打擊行動中整合不同的有人和無人平臺。換句話說，這里的論點是人工智能系統將越來越有能力在John Boyd的觀察-定向-決策-行動 (OODA) 循環的每個步驟中簡化 C2 和決策過程：收集、處理并將數據轉換為統一的態勢感知視圖，同時為推薦的行動方案提供選項，并最終幫助人類采取行動（Fawkes 和 Menzel，2018 年）。

然而，將人工智能系統集成到空中力量平臺、系統和組織中，以將計算機從工具轉變為解決問題的“思考”機器，將繼續帶來一系列復雜的技術、組織和運營挑戰（Raska 等人，2021 年）。其中可能包括開發算法，使這些系統能夠更好地適應環境的變化，從意想不到的戰術中學習并將其應用于戰場。它還要求為這些思考機器設??計道德規范和保障措施。另一個挑戰是技術進步，特別是在軍事系統中，是一個持續的、動態的過程。突破總是在發生，它們對軍事效力和比較優勢的影響可能是巨大的，而且在初期階段很難預測。

然而，最重要的是，關鍵問題是我們可以在多大程度上信任人工智能系統，尤其是在安全關鍵系統領域？正如 Cummings所警告的那樣，“歷史上充斥著類似的戰備承諾如何以代價高昂的系統故障告終的例子，這些案例應該作為一個警示故事”（Cummings，2021 年）。此外，越來越多的研究領域集中在如何通過生成虛假數據來欺騙人工智能系統做出錯誤的預測。國家和非國家行為者都可能使用這種所謂的對抗性機器學習來欺騙對方，使用不正確的數據得出錯誤的結論，并在此過程中改變決策過程。對抗性機器學習的整體戰略影響可能比技術本身更具破壞性（Knight, 2019; Danks, 2020）。

啟用人工智能作戰云用于識別目標并將其分配給任何領域中最相關的“射手”，無論是空中、水面還是水下——一些空軍將其概念化為聯合全域指揮與控制 (JADC2)。

從戰術和操作的角度來看，這些復雜的人工智能系統也需要連接在一起——不僅在技術上，而且在組織和操作上。對于許多空軍來說，這是一個持續的挑戰——他們必須能夠有效地（實時）在各種服務和平臺之間集成啟用人工智能的傳感器到射擊者的循環和數據流。這意味著有效地連接多樣化的空軍、陸軍、海軍和網絡戰斗管理； C2，通信和網絡；情監偵；電子戰；定位、導航和授時；使用精確彈藥。雖然選擇的 AI/ML 系統可能會緩解一些挑戰，但相同的系統會產生另一組與確保可信 AI 相關的新問題。因此，有人可能會爭辯說，未來空中力量中人工智能軌跡的方向和特征將取決于相應的戰略、組織和作戰敏捷性，特別是這些技術如何與當前和新興的作戰結構和部隊結構相互作用。

在這種情況下，人類在未來戰爭中的參與程度、改變傳統部隊結構和招募模式的必要性以及將在哪些領域使用武力都是新技術挑戰的問題。空軍正在為這些問題開發自己的而且往往是多樣化的解決方案。與過去一樣，它們的有效性將取決于與戰略持久原則相關的許多因素——將可用的國防資源“轉化”為新軍事能力的目的、方式和手段，并在此過程中創造和維持具有空中作戰能力的部隊來應對各種突發事件。成功實施的主要因素不是技術創新本身，而是持續資金、組織專業知識（即大規模和有效的軍事和商業研發基地）和實施國防創新機構的敏捷性綜合效應（Cheung，2021）。對于空中力量的未來，這意味著擁有能夠提供創新解決方案的人員、流程和系統，同時保持現有的核心能力，從而在日益復雜的戰略環境中提供可行的策略選擇。

作者介紹：

Michael Raska 博士是新加坡南洋理工大學 S. Rajaratnam 國際研究學院軍事轉型項目的助理教授和協調員。他的研究興趣集中在東亞的國防和軍事創新、戰略競爭和賽博戰。他是《軍事創新和小國：創造反向不對稱》（Routledge，2016 年）的作者，也是《國防創新和第四次工業革命：安全挑戰、新興技術和軍事影響》（Routledge，2022 年）的共同主編。他擁有密蘇里南方州立大學國際研究學士學位、延世大學國際關系碩士學位和新加坡國立大學李光耀公共政策學院博士學位，并獲得新加坡國立大學校長研究生學位獎學金。

威懾是一種說服形式，旨在操縱潛在攻擊者的成本收益分析，并說服他們對防御者采取行動的成本超過其潛在收益（Brantly，2018；Wilner，2017）。通過懼怕后果來防止（目標）做出不受歡迎的行為（美國（美國）國防部（DoD），2008 年；Taipale，2010 年）。威懾與強制不同，它側重于使用事前行動進行預防。在未來可能升級的威脅下，強制力使用權力迫使對手事后采取所需的行動（Brantly，2018 年）。

通常使用兩種類型的威懾：懲罰威懾和否認威懾。懲罰威懾取決于對潛在攻擊者進行報復的威脅。這種以牙還牙或等效的報復策略增加了攻擊者的感知成本。拒絕威懾向潛在挑戰者發出信號，表明他們將不會成功。這種不可穿透性策略會從攻擊者的感知利益中減去。

在物理世界中，威懾旨在阻止針對有形資產的特定行動。在這個領域，最常見的懲罰威懾形式是使用核武器。這些武器本質上是對潛在挑戰者的生存威脅（Brodie 等，1946；Brantly，2018）。一場全面核戰爭可能會受到威脅，但從未為實現合理的政治目標而戰（弗里德曼，2004 年；布蘭特利，2018 年）。拒絕威懾可能包括加強對關鍵基礎設施的防御，以拒絕攻擊者的訪問。例如，可以通過安裝更多的安全機制和更高的墻壁來嚴密地保護目標。

在網絡領域，威懾比物理領域更復雜。數字攻擊超越了地理和政治界限。它們通常是高度動態的，人類感官難以察覺（Moisan 和 Gonzalez，2017；Sokri，2019b）。網絡攻擊可能導致信息資產的攔截、降級、修改、中斷、制造或未經授權的使用。信息資產可以基于物理（例如硬件）或邏輯（例如軟件）（Sokri，2019a）。

網絡攻擊可以分為兩大類：有針對性的攻擊和機會攻擊。有針對性的攻擊需要付出很大的努力，并且有可能對防御者造成重大損害。拒絕服務和信息竊取是典型的針對性攻擊。相比之下，機會主義攻擊具有多個中間目標，需要的工作量很小，而且往往造成的破壞較小。病毒和垃圾郵件是典型的機會性攻擊。

網絡威懾中最具挑戰性的問題是歸因困境（Wilner，2017）。確定攻擊的責任人可能非常困難且耗時。因此，數字空間中任何懲罰威懾的可信度將取決于責任歸屬。 （格拉澤，2011 年；布蘭特利，2018 年）。由于拒絕威懾不需要識別潛在的攻擊者，它可以用來減輕這種依賴（Bordelon，2016）。

當給定威脅遇到信息系統中的漏洞時，就會出現網絡風險。在這種情況下，威脅是意外事件的潛在原因，而漏洞是信息系統中的弱點（Sokri，2019a；Zhang，2012；Bowen 等人，2006）。為了最大限度地降低針對信息資產的數字風險，防御者應至少了解兩個要素：（1）成功攻擊的概率和（2）相應的潛在損失（Brantly，2018；Glaser，2011；Schneidewind，2011；Branagan， 2012）。

為了保護他們的信息資產免受攻擊性網絡攻擊，政策制定者越來越傾向于通過拒絕進行威懾（Taipale，2010 年）。通過拒絕進行數字威懾的一個關鍵決策變量是防御者在安全方面的投資水平。為了保護潛在目標，防御者可以通過投資信息安全來降低攻擊成功的可能性。例如，投資可能會降低目標公司的脆弱性。

本文的目的是展示如何使用具有披露機制的順序博弈，在網絡空間中制定作為防御策略的拒絕威懾。它顯示了博弈論對網絡威懾的適用性。該論文通過使用更直觀的成功攻擊概率，提供新的威懾博弈公式來擴展現有模型。它還結合了隨機模擬和博弈論方法來處理輸入數據中的不確定性。例如，模擬可以通過將模型變量和參數的靜態值更改為統計分布來合并模型變量和參數的不確定性。

考慮在兩個對抗智能體之間進行的順序安全博弈：防御者 D（領導者）和戰略攻擊者 A（跟隨者）。防御者預測攻擊者的反應，確定并可靠地傳達安全投資以保護信息系統。例如，防御者可以公開發布他在 (1) 檢測和預防技術（如防病毒軟件、防火墻和入侵檢測系統 (IDS) 等）和 (2) 物理監控和檢查程序方面的投資水平（Sokri，2019b）。稅務機構通常通過披露其審計策略來阻止逃稅（Cavusoglu 等，2008 年）。

攻擊者觀察防御者的決定，并以一定程度的攻擊意愿做出反應。真正的攻擊意愿是潛在的，因此無法直接觀察到。它被建模為攻擊者為破壞系統而付出的預期努力。攻擊者的努力對應于網絡殺傷鏈的第一個活動（Mihai et al., 2014）。這些活動特別包括（但不限于）： 1. 偵察——收集系統信息的過程， 2. 武器化——分析收集的數據以選擇適當的攻擊技術的過程，以及 3. 交付——過程將武器傳輸到目標系統。

在此介紹之后，下面的第 2 節對將證券投資作為威懾因素的文獻進行了全面回顧。第三節，建立網絡空間威懾的新博弈論模型。第 4 節，計算 Stackelberg 均衡。第 5 節對主要結果進行了正式討論。第 6 節指出了一些結論性意見。

摘要

達爾豪西大學大數據分析研究所、加拿大國防研究與發展研究所 (DRDC) – 大西洋研究中心和加拿大通用動力任務系統 (GDMS-C) 成功向加拿大自然科學與工程研究委員會 (NSERC) 提出申請， 促成了一個為期三年的資助項目，名為自動監控海軍信息空間 (AMNIS)。 AMNIS 啟動會議于 2020 年 10 月 14 日舉行，眾多教授、國防科學家和 GDMS-C 技術人員參加了會議。會議確定了三個組織的多項行動。與 DRDC 和 GDMS-C 相關的一項行動是需要與任務相關的情景來幫助指導預期的研究。因此，DRDC 率先描述了一個具有代表性的海陸情景，這將使研究人員能夠更好地了解與 AMNIS 相關的潛在研究途徑。開發的場景涉及由加拿大皇家海軍 (RCN) 和加拿大陸軍 (CA) 執行的加拿大人道主義任務。任務是向最近遭受自然災害襲擊的國家分發食品和醫療用品。敵對勢力也試圖竊取物資。該場景描述了通過更好的處理技術和決策來改進信息流、共享和使用的需求。該方案旨在引發進一步的討論并幫助鞏固 AMNIS 參與者的研究主題。

對國防和安全的意義

AMNIS 項目將推動國防界在機器學習、深度學習、人工智能、可視化的許多方面、弱勢網絡上的信息共享、基于場景的決策以及人類績效建模和團隊合作方面的知識。這里描述的海洋/陸地情景旨在激發支持這些主題的研究途徑。

【摘 要】

本報告提供了對機器學習 (ML) 技術的基本理解，并回顧了它們在國防和安全領域的應用。其目標是開發ML的內部專業知識，以支持與加拿大皇家海軍(RCN)海上信息戰(MIW)概念和愿景相一致的能力發展。本文進行了文獻回顧以收集有關在軍事和民用場景中實施和使用的 ML算法信息。結果表明，海軍必須適應和接受新技術，以便在所有 RCN的數據驅動決策中有效利用所有信息。這可以包括使用自動化、大數據分析、云計算、人工智能 (AI) 和 ML。這樣做可以減少與繁瑣任務相關的操作工作量，進而最大限度地減少人為錯誤和超負荷。這項研究表明，ML有可能提供新的或增強的能力，以支持 MIW 的概念，以及滿足使用現有和未來信息源的 RCN 的需求。這意味著開發利用這些技術的必要技能將使加拿大武裝部隊（CAF）受益。憑借這些專業知識和這些技術的適當應用，軍方將有能力在必須進行快速數據驅動決策的情況下更有效地利用其信息源。

【對國防和安全的意義】

本報告旨在就如何將人工智能和機器學習技術應用于支持加拿大皇家海軍與海上信息戰相關概念和目標，而建立基本的理解和專業知識。對這些技術及其在國防和安全領域的應用進行了回顧。

1 引言

在過去的十年中，加拿大國防部 (DND) 和加拿大皇家海軍 (RCN) 引入了新的概念和方法，以幫助提升其服務水平。其中許多概念引入了新技術，旨在增強信息空間在作戰級（即作戰職能）和事業級（即管理職能）方面的防御能力。在作戰層面，這些舉措得到了一系列文件的支持，這些文件強調了信息戰的重要性及其在 RCN 內的實施和執行。

2015年，海上信息戰（MIW）的概念被引入[1]。本概念文件概述了在信息環境中運作對 RCN 及其內部可能產生的影響。這一概念的引入清楚地強調了能夠利用該領域中可用信息源的重要性。它討論了信息的影響，基于其廣泛的可用性以及 RCN 的依賴性和使用該信息支持作戰的能力。

采用新的概念和技術進行能力開發并非沒有挑戰。這需要更有效的處理技術來處理在 MIW 的功能區域內收集的大量和各種數據。此外，概念文件還討論了 MIW 與物理、虛擬和認知領域的關系，表明在戰爭中使用所有領域的信息作為 RCN 的寶貴資源的重要性。

2016 年，RCN 發布了一份信息戰戰略文件，重點關注為國家和國際部署開發 MIW 能力 [2]。該戰略文件討論的主題包括有效收集、利用和傳播信息的重要性。該戰略還認識到并傳達了信息戰是RCN可以同時采取防御和進攻行動的地方。

2017年，加拿大國防政策發布[3]。盡管它沒有直接處理信息領域，但它承認信息對 RCN 的重要性，這在 2019 年和 2020 年分別發布的 DND 數據戰略 [4] 和 RCN 數字海軍 [5] 報告中得到了回應。數字海軍支持國防政策創新目標，其中包括適應和接受新技術的能力，而數據戰略涵蓋了如何利用技術在RCN 社區中做出數據驅動的決策。這可以包括使用自動化、大數據分析、云計算、人工智能 (AI) 和機器學習 (ML)。在操作上，期望通過這些技術對更繁瑣任務的自動化實施來減少海軍團隊的日常工作量，進而最大限度地減少人為錯誤和疲勞，提高整體作戰效率。

這些文件中包含的首要主題強調了 RCN 采用新的數字能力成為一個信息組織的重要性，其中信息在戰爭環境中被使用，但也被用作工具。使用和利用信息來支持 RCN 的現代工具、技術和專業知識是能力發展的關鍵。在此之后，我們顯然需要一個強大的、知情的、由信息科學、人工智能和機器學習專家組成的科學團體。

這項工作背后的動機是在 MIW 領域內建立科學專業知識，以支持 RCN 的目標。為實現這一目標，以下報告將回顧可在防御和安全領域中使用的 AI 和 ML 技術。除了這篇綜述之外，本文還將介紹這些與 RCN運作相關的技術的應用，例如艦艇監視、目標檢測以及使用生成建模來支持運作。

這項工作的總體目標是為如何將 AI 和 ML 技術應用于 RCN 挑戰提供科學基礎和理解。建立這些新興技術的專業知識不僅是支持當前運作目標的必要條件，也是對開發和塑造未來能力的投入。這種向算法決策制定的轉變與 MIW 的概念非常吻合，因為它認識到信息在戰爭中的使用至關重要。還提出并討論了 ML 未來的工作和研究主題。

5 機器學習在國防和安全中的應用

2、3、4章節簡要回顧了在計算機科學和數據分析中使用的機器學習技術。這些技術同樣適用于海上防御和安全領域中經常發現的問題。本節概述這些技術及其在這個領域的應用，特別是海上探測和監視有關的任務。此外，還將討論生成對抗ML方法的應用。需要注意的是，這些部分并不是對這個領域中已經完成的研究的全面回顧。相反，本文的目的是概述如何使用這些技術改進和開發與RCN相關的新功能。

5.1 艦艇監視

艦艇行為分析是與海上監視和安全相關的關鍵組成部分。這種分析的結果依賴于捕獲和利用艦艇活動數據的能力。用于海上監視的數據源包括：自動識別系統 (AIS) 數據、天基 AIS、雷達數據等。這種監視形式允許分析師進行船只航跡重建、路徑預測、異常艦艇交通監視，這些在海上領域非常重要，有助于發現恐怖主義、海盜、毒品和武器走私、非法移民和非法捕魚等非法活動。

5.1.1 機器學習應用

各種各樣的機器學習算法和技術可以應用于海事問題并提供有價值的見解。為了支持預測模型的開發，可以使用的技術包括：

? 聚類：無監督聚類方法已用于為海事和艦艇監視提供洞察力。這些聚類算法已應用于 AIS 數據。具體來說，已經報道了基于這些方法對艦艇運動實時預測的可靠性和準確性的研究[25]。還使用應用于基于空間的 AIS21 的 K-means 聚類算法來研究艦艇避撞，以評估航行穩定性和檢測異常行為[26]。研究人員還探索了使用聚類和 AIS 數據流來支持搜索和救援行動[27]。

? 決策樹：使用模糊粗略決策樹算法，研究探索了執行艦艇類型行為學習的能力[28]。對艦艇活動進行可靠和有效的表征可以提高海域態勢感知。這是通過使用包含運動學、靜態和環境信息等軌跡特征的概括向量來實現的，其中軌跡是通過融合 AIS、合成孔徑雷達 (SAR) 和天氣報告來創建的。

? 隨機森林：研究已使用隨機森林算法開發用于艦艇監視和跟蹤的各種目的的模型。由于多種原因，基于 AIS 的艦艇運動往往會丟失數據。例如，這些失誤可能是由于惡劣天氣造成的。為了檢測這些記錄，這些技術已被用于自動識別船只軌跡中缺失的位置記錄[29]。隨機森林也被用于創建預測船只目的地的模型。在艦艇離開特定港口后使用歷史 AIS 數據確定目的地點的能力也已被研究 [30]。這也通過比較當前和歷史軌跡數據進行了研究，以便根據相似性度量來預測最終位置[31]。

? 關聯挖掘：創建關聯規則的模型通常用于購物籃分析場景。然而，當應用于 AIS 數據源時，這種算法為艦艇運動分析提供了有用的見解。使用關聯挖掘進行的研究提供了有助于發現艦艇運動模式的洞察力。此類運動包括：軌跡預測，估計艦艇接下來最有可能訪問的港口[32]，并在收到新消息時預測艦艇的位置，并計算有和沒有艦艇位置插值的關聯概率[33]。

? 支持向量機：支持向量機執行回歸和分類任務。支持向量回歸用于研究異常艦艇行為的檢測。當前檢測異常行為的方法是利用艦艇運動的突然變化。然而，與海上事故相關的導航數據可以模擬正常情況。為了解決這個問題，使用 SVR 航道模型及其路線提取方法，開發了一個模型來檢測異常艦艇行為 [34]。該研究的目的是定義“通過將導航數據分配給位置基礎來確定異常行為的可接受的最大值和最小值”[34]。除了SVR研究之外，科學家們還研究了SVM在檢測和分類異常艦艇行為方面的應用。通過從原始AIS數據中提取海上運動模式，對異常艦艇行為的識別和分類提供了新的信息[35]。

? 人工神經網絡：人工神經網絡 (ANN) 已被用于幫助預測北極的船只速度，因為該地理區域氣候變化帶來的交通量增加[36]。 AIS 數據的使用允許模型根據位置、時間、艦艇用途、大小和冰級來預測艦艇的速度。在[37]中，作者使用神經網絡作為一個基于云的web應用程序來預測未來的艦艇行為。它能夠將預測的短期和長期行為疊加到交互式地圖上。除了預測艦艇航線，人工神經網絡也被用于調查異常檢測事件。具體來說，該研究著眼于AIS轉發器中觀察到的有意和非有意的切換，因為這種活動可以用來隱藏可疑或非法活動[38]。

?卷積神經網絡：AIS、雷達、高精度攝像機和電子海圖等信息源為理解海上態勢感知提供了有用的信息。利用這些來源，CNN可以提取艦艇運動模式。在[39]中，作者通過將原始AIS數據轉換成保存艦艇運動模式信息的圖像數據結構，利用歷史AIS重建艦艇軌跡。然而，使用AIS系統的艦艇軌跡重建技術存在原始數據含有噪聲、記錄缺失和其他錯誤。許多研究在進行彎曲軌跡或高損失率的艦艇重建時面臨困難。為了克服這些障礙，[40]的作者使用了一種健壯的CNN架構，稱為“U-net”。這種架構能夠處理不同采樣率的軌跡、丟失的數據記錄和其他噪聲相關問題的軌跡。

? 循環神經網絡：艦艇監測通常依賴于存在許多問題的 AIS 數據。AIS源可以表示大量數據，除了具有不規則的時間戳和丟失的記錄外，這些數據有時可能會非常臟亂。已經進行了研究以幫助解決這些問題。研究 [41] 使用多任務深度學習框架，將 RNN 與潛在變量建模相結合，以幫助在執行軌跡重建、異常檢測和艦艇識別等任務時處理這些問題。 [29]中的作者利用隨機森林來識別丟失的記錄，并使用 LSTM 架構來重建缺少 AIS 記錄的船只軌跡。結合統計分析、數據挖掘和神經網絡方法監測內河艦艇數據[42]。具體來說，LSTM 用于艦艇軌跡修復、發動機轉速建模和燃料消耗預測。在另一項研究 [43]中，由于與設備故障、傳輸延遲和信號丟失有關的問題，需要在分析之前對 AIS 數據進行預處理。作者通過將 LSTM 與變量建模相結合來執行軌跡重建，同時考慮異常軌跡數據和艦艇航行狀態。這一努力將有助于減少艦艇碰撞的風險，并支持其他研究途徑，如艦艇類型分析、風險評估、軌跡預測和航線規劃。

5.1.2 對比分析：為確定艦艇類型而開發的機器學習模型

監視海域中的艦艇行為對于檢測可能表明存在非法活動的異常情況至關重要。收發器用于報告 AIS 數據流，其中包含有關船只及其軌跡的信息。由于從 AIS 數據流收集的信息是自我報告的，因此可能會出現問題。有意或無意地修改此數據或打開/關閉轉發器會導致間歇性消息，這些消息可能不準確或具有誤導性。這種策略可用于掩飾海上的非法行為和活動。

在某一天，有大量船只在海上作業，人類操作員無法監控和檢測這些事件。因此，可以使用 AIS 數據流以及其他來源來訓練 ML 模型，從而為人類操作員提供自動化支持和洞察力。根據行為特征確定船只類型的能力是 ML 提供的眾多能力之一。探索艦艇類型分類的兩項研究是[28]和[44]。

在[28]中，作者開發了一個模糊粗略的決策樹模型，以根據運動學、靜態和環境信息確定艦艇類型。用于模型開發的訓練數據包含來自加拿大東海岸和美國東北部的 AIS 消息。[44]中給出的結果使用具有來自兩個不同地理區域的軌跡信息的 GANN 執行艦艇分類。第一個是歐洲數據集，其中包括來自凱爾特海、海峽和比斯開灣的海上交通。另一個是東南亞數據集，根據在新加坡附近的海峽和港口以及南中國海開放水域的海上交通中船只的預期運動模式，該數據集被分為三組。

在[44]中，作者使用以下性能指標來評估他們的模型：召回率、精度和 F1分數[45]。作者在他們的報告中使用召回指標作為他們的模型準確性。召回率表示正確識別的實際相似性部分，其中準確度是正確預測的數量與預測總數的比率。假設作者使用召回作為準確率，當將其與[28]中報告的性能進行比較時，此分析將把[44]中的召回指標視為模型準確度。兩項研究都將他們的結果與一系列其他 ML 技術進行了比較，以幫助評估性能。然而，與[44]不同的是，[28]報告了具有不確定性的準確性，從而賦予了性能結果意義，并使模糊粗略決策樹模型與其他標準技術相比更容易理解。除此之外，比較這兩篇論文的結果（沒有不確定性測量）表明，大多數機器學習模型的表現都一樣好。例如，k-最近鄰、樸素貝葉斯、隨機森林和支持向量機在[28]中的性能準確度在[44]中使用的四個數據集中的兩個數據集中的相似鄰域內。具體而言，新加坡港口和海峽周圍海上交通的準確率報告在 47% 到 64% 之間，而[28]中報告的準確率為 45% 到 69%。

[28] 中使用的多層感知器取得的結果表明，它以81.5%的整體準確度優于其他模型，略高于模糊粗略決策樹結果 (80.7%)。[44]中報告的四個不同數據集的準確率在41%到56%之間，非常差。在 [28] 中，對各種參數進行了特征選擇過程，并根據分配的加權值選擇了19個特征中的 10 個。特征及其相關權重為：ship_length (1.0)、avg_speed (0.183)、max_speed (0.183)、speed_st_dev (0.183)、course_st_dev (0.100)、heading_st_dev (0.097)、duration (0.082)、end_point lat (0.055)、start_point_lat (0.052) 和 max_lat (0.051)。[44]中使用軌跡特征來執行分類，利用 AIS 消息中包含的時間戳、經度、緯度、對地航向和對地速度。

這些研究之間選擇用于訓練的特征之間的主要區別之一是[28]中權重和影響最大的特征是ship_length，這不是[44]中使用的特征。模型的成功很大程度上取決于所用數據的質量和數量，但在很大程度上取決于特征選擇。在多層感知器模型的情況下，[44]中使用的軌跡信息特征可能不足以生成準確的艦艇類型預測。這表明了解艦艇的長度是進行此類分類的關鍵指標。在比較[28]中選擇的特征時，ship_length 被分配的權重大約是任何其他特征的五倍。這將使模型在進行分類時更加依賴此特定信息。除了特征選擇和可調超參數外，使用的訓練數據也對模型的成功有影響。數據的特征，如記錄數量、代表性內容以避免過度/不足以及數據完整性，都在成功訓練模型以提供高度性能方面發揮作用。

另一個有趣的觀察結果是，[44]中使用的GANN 報告了其分析中使用的數據集從低 80% 到高 96% 的一系列準確度，平均準確度為 87%。這些結果優于 [28]中使用模糊粗略決策樹報告的80.7% 準確度。關于為什么GANN 的表現似乎更好，有一些可能的解釋。GANN模型基于LSTM-RNN，它允許將時間依賴性構建到模型中。包括這個額外的時間維度可以提供預測洞察力，從而實現更高程度的預測準確性。此外，GANN 模型使用對抗性組件進行訓練，該對抗性組件可能迫使網絡實現更大程度的學習以執行其所需任務。

5.2 目標檢測

目標檢測對于防御和安全的海上環境中的監視和態勢感知都至關重要。然而，這是一項艱巨的任務，因為尺寸、方向和目標配置的變化加上環境背景噪聲和使用的各種傳感器的性能差異很大。所有這些事情只會增加這個問題的整體復雜性。傳統的檢測算法缺乏簡單性和可靠的輸出。深度學習領域的最新研究和進展表明，CNN 可以執行與檢測相關的任務，同時提供高速性能和準確性。開發這些能力正在推動促進防御和安全的技術。

5.2.1 機器學習應用

目前使用 CNN 顯示出前景的能力包括：使用SAR圖像進行艦艇識別和分類以監測海洋區域[46][47]、使用探地雷達[48]進行魚類檢測、海冰SAR圖像分類以監測極地地區的變化并檢測可能威脅海上交通的流冰[49]，并檢測從SAR [50][51] 和遠程傳感器[52]獲得的圖像中的船只。雖然這不是一個詳盡的應用程序列表，但它確實突出了一些與信息戰領域相關的當前 ML 應用程序。特別是，現在將討論 CNN 的兩個有趣的應用。

? 水下聲納圖像的目標識別和分類：研究[53]的研究重點是深度學習特征提取在水下聲納圖像目標識別和分類中的應用。該方法通過 CNN 使用聲納圖像提取目標特征。然后使用 SVM 進行分類。在現代海上作業期間執行自動目標識別和分類可以幫助當局檢測潛在威脅。自主系統，例如基于調查和戰術信息收集圖像的無人水下航行器，是可以利用這種技術的系統。機器學習的這種應用減少了對具有分類目標專業知識的操作員的需求。因此，隨著效率、速度和成本的提高，這個過程有可能變得更加自動化。該領域的一個活躍研究課題包括使用 ML 更好地檢測聲納數據中的類似地雷的物體[54][55]。

? 使用有限數據進行軍事目標識別和分類：CNN等深度學習算法是用于處理圖像和視頻的強大工具，可支持防御和安全功能。目標識別和分類能力對于監視和態勢感知至關重要。然而，所開發模型的成功取決于能否獲得反映被建模數據的關鍵屬性和特征的良好數據集。許多軍事場景中的訓練數據集的大小可能很少。[56]中的作者使用遷移學習和混合神經網絡層的組合來解決這個問題，以開發可以嵌入的先驗知識，以實現對高精度識別任務的特征提取的改進。這樣的發展自然會進入并改進分類過程。

5.2.2 對比分析：為使用聲納圖像進行目標檢測而開發的機器學習模型

自動目標識別在海上作業中發揮著重要作用。無人水下航行器使用聲學傳感器產生聲納圖像，幫助檢測水下目標和威脅，例如水雷。由于噪聲、低對比度和低分辨率，使用聲納圖像進行目標檢測很困難。ML和DL都提供了可以幫助提取特征和重要信息以進行對象檢測和分類的功能。

探討這個問題的兩篇研究論文包括Zhu等人[53]和Bouzerdoum等人[57]的工作。在[53]中，作者使用稱為AlexNet的預訓練NN來執行特征提取，然后使用SVM將檢測到的對象分為兩類：目標和非目標。然后將性能與以下兩種技術進行比較：局部二進制模式和定向梯度直方圖。在[57]中，作者遵循與[53]類似的方法，其中使用預訓練的網絡進行特征提取，并使用 SVM 對檢測到的對象進行分類。然而，在[57]中，對象被分為三個不同的類別：類水雷對象、非類水雷對象和誤報對象。該研究還開發了一個用于分類目的的小型 CNN，并使用了一個名為 ObjectNet23 的預先開發的 CNN 來執行相同的任務。所有這三種方法都在它們的整體性能方面進行了比較。

兩項研究都測試了用于特征提取的預訓練 CNN 和用于分類的 SVM 的應用。結果表明，[53]和[57]的性能準確率分別為 95.9% 和 76.2%。鑒于這些方法相似，人們不會期望這些結果會有大約 20% 的差異。兩個系統都使用預訓練的網絡進行特征提取。有趣的是，[57]考慮了不同的 CNN 架構，包括 VGG16 和 VGG19。這些網絡是基于 AlexNet 網絡的架構構建的，但經過改進。

奇怪的是，[57]中使用VGG的方法不會勝過[53]中使用 AlexNet 的技術。這樣的結果可以用許多因素來解釋。作者沒有指定用于訓練VGG網絡的數據集。用于訓練的數據質量和數量可能會影響模型的性能，從而使 AlexNet 能夠更好地提取特征。該問題也可能存在于SVM執行的分類中。用于訓練這些系統的數據可以極大地影響預測結果，因為在該領域很難獲得大量標記數據。兩項研究都進行了數據處理并使用增強技術來增加數據集的大小，這不如擁有更多“真實”數據點有效。此外，應注意分類類別的差異。[53]和[57]中檢測到的對象分別分為兩類和三類。擁有額外的類并嘗試檢測特定對象會更加復雜，并且可能會降低這些模型的整體性能準確性。

盡管這些研究使用了類似的方法來實現預訓練的 CNN 和 SVM 來執行目標檢測，但[57]也為此任務開發了一個小型 CNN。小型 CNN 的性能優于預訓練的 CNN + SVM 模型，準確率達到 98.3%。與大型 CNN 不同，較小尺寸的 CNN 需要訓練的參數顯著減少，從而在數據樣本有限時減少過度擬合的機會。這可能是小型 CNN 和預訓練 CNN 之間顯著性能差異的原因+ SVM 模型。

5.3 生成對抗網絡應用

艦艇檢測在軍用和民用環境中發揮著重要作用，各種類型的成像傳感器用于檢測、跟蹤和分類艦艇。因此，DNN 的引入改變了軍隊執行任務的方式。生成網絡提供了生成代表歷史數據記錄的數據或樣本的能力。此功能提供了新的數據樣本，可用于在軍事場景中訓練智能系統，在這些場景中，由于可用性、安全分類和成本，數據通常難以收集。但是，其他國家也可以使用相同的過程來創建對抗性數據，這些數據有可能危及易受此類攻擊的國家系統。因此，GANN 的實現既可以用于進攻性場景，也可以用于防御性場景。這些網絡可用于訓練預測、分類和產生可靠輸出的智能系統，以發展未來的軍事能力。 GANN 還提供了執行對抗性攻擊以欺騙對手系統的能力。

5.3.1 機器學習應用

GANN與國防和安全領域相關的應用包括：

? 對抗性偽裝：偽裝在軍隊中被用作一種策略，以阻止對手在視覺上檢測和分類軍事物體的能力。此類任務傳統上由人類觀察者執行。然而，戰斗空間在不斷發展，自主軍事代理和人工智能在此類任務中的使用也在增加。這一變化促使科學家們研究偽裝是否能有效對抗這些聰明的對手，或者是否有可能設計出能夠迷惑這些人工智能對手的偽裝。2019 年，對這個問題進行了調查，其中NN被訓練來區分和適當分類軍用和民用船只 [58]。這項研究的結果表明，如果 GANN 生成的模式覆蓋在軍艦的某些部分上，則針對此類圖像分類訓練的 NN 可能會混淆這些模式。這種技術被稱為對抗偽裝。進一步的研究 [59]研究了如何使用這種方法來欺騙選擇的幾個NN分類器。通過這樣做，他們能夠將分類的整體準確性降低到被認為不可靠的程度。在研究 [60]中，研究了迷彩圖案的穩健性和通用性。這些模式在研究中被稱為補丁，并且發現通過在補丁生成器的訓練中實施降級過濾器，作者表明他們能夠提高這些補丁的整體魯棒性或有效性。

? 特定發射器識別：[62]中報告了使用GANN開發的半監督特定發射器識別 (SEI)應用程序。此應用程序是針對與基于接收到的波形對發射器進行 SEI 分類相關的問題而開發的。這些波形容易受到可能導致單個發射器表示不準確的因素的影響。SEI在包括無線電和無線網絡安全在內的各種軍事應用中都很重要。

? 時空數據：2020 年，報告了與時空數據一起使用的 GANN 架構以及衡量此類模型性能的常用評估方法 [63]。這些架構已被用于執行軌跡預測和時間序列。盡管在該領域正在進行重要的研究，但執行時空數據預測的能力對研究人員來說是一個持續的挑戰。特別是對于時空應用是一個新領域的GANN。[63]中討論的最近工作強調了與數據生成相關的問題，這些問題會影響研究人員理解數據特征的能力。

5.3.2 對比分析：針對對抗偽裝開發的機器學習模型

對抗性偽裝用于防止軍事資產被發現和分類。傳統上，偽裝是通過使用大網或油漆來幫助隱藏人類觀察者的飛機或船只等資產來實現的。然而，隨著使用智能系統執行傳統上由人類執行的分類任務，戰場空間發生了變化。Adhikari等人[64] 和Aurdal 等人[58]進行的兩項研究，如何使用對抗偽裝來欺騙或誤導這些智能系統執行的自動對象檢測。在[64]中，基于補丁的對抗性攻擊被用來掩飾軍事資產不受無人駕駛空中監視的影響。該研究使用神經網絡創建覆蓋在軍事資產上的各種補丁，以防止自動檢測目標物體。對于這些研究，感興趣的目標對象主要是飛機。[58]中進行的工作訓練了一個可以檢測和分類軍用和民用船只的 NN。對第二個網絡進行了訓練，以生成用于防止對軍艦進行檢測和分類的補丁。

這些研究使用對抗性補丁來防止智能系統檢測或錯誤分類資產。兩項研究都表明，對抗性偽裝既可行又有效，但在現實世界中并不可行。貼片的設計可能相當復雜，因此很難將其復制到飛機或船只的外部。與[58]不同，[64]確實試圖通過將現實世界的適用性構建到損失函數中來解決這個問題。然而，這種方法是否充分并不明顯。

在比較這些作者所采取的方法時，[64] 中防止檢測的目標似乎更可行，部分原因是避免了與國際人道主義法相關的問題。相比之下，作者在 [58] 中的意圖是使用對抗性偽裝來實現將軍用船只錯誤分類為民用，顯然會陷入法律戰爭問題。然而，[64] 中采用的方法對于 [58] 中的船只可能更復雜，因為它們沒有與部署在陸地上的軍事資產相同的多樣化環境。這表明在考慮對抗性偽裝的應用時，能夠避免檢測是兩種方法中更好的方法。

此外，[58] 中使用的數據集由世界各地用戶上傳的圖像組成，這些圖像主要由艦艇輪廓組成。該數據集不太可能包含每艘船的足夠的方面數據。此外，[64] 專注于航拍圖像，而 [58] 則沒有。在海上的任何軍事場景中，用于檢測船只的數據集很可能包含空中數據。擁有完整的數據集將允許模型為這些艦艇的不同方向生成補丁，而不僅僅是輪廓補丁。為實際使用實施對抗性偽裝不僅需要此類數據，還需要適當的技術來實施。

最后，[64] 的訓練數據顯著減少，它使用稱為 YOLO26 的標準預訓練網絡進行目標檢測。該網絡是對語義對象進行分類的通用模型，并未經過專門訓練以檢測空中目標。然而，在[58]中建立并訓練了一個鑒別器網絡來專門檢測和分類艦艇。使用這種專門的鑒別器網絡的目的是提高創建補丁的網絡的整體性能。如果[64]的作者使用專門的鑒別器網絡而不是他們的預訓練網絡，他們將獲得什么性能提升，這將是一件有趣的事情。

6 總結和未來工作

技術進步已經并將繼續改變與現代戰爭相關的所有戰場空間。隨著機器學習、人工智能和自主代理的引入，軍方必須學會調整這些不斷發展的技術并將其整合到他們的系統中。DND和RCN都已主動引入和使用此類技術，目的是提高整體防御和安全性。本節將總結本文的內容，并討論作為文獻回顧的結果將進行的未來工作。

6.1 總結

本報告探討了深度學習和機器學習技術，這些技術可用于開發流程以支持 RCN 實現其既定目標所需的自動化和高效率。例如，回歸是一種進行未來預測的簡單方法，無監督聚類方法通過檢查和分組具有相似特征的數據點來推斷新信息，決策樹和隨機森林允許分析師評估選項并根據準確度估計進行分類，關聯挖掘創建可以檢測行為和模式的規則集，支持向量機允許分析師根據多種核函數選擇在高維空間中進行有效的預測和分類。此外，神經網絡很重要，因為它們可用于開發支持自動化的工具。例如，感知和深度神經網絡提供了人類不容易執行的分析能力；卷積神經網絡可以輕松處理具有網格狀拓撲結構的數據，例如音頻信號、圖像和視頻；遞歸神經網絡可以處理序列數據并處理長期依賴關系；生成建模技術可以執行密度估計和樣本生成，以支持一般的訓練模型或支持防御和進攻行動。

這些學習算法和技術的應用為分析師提供了洞察力并簡化了繁重的任務。在國防和安全的背景下，它們在能力開發周期中的應用顯示出巨大的前景。具體而言，本報告重點介紹了三種此類應用，包括艦艇監視、目標檢測以及對防御和進攻行動的支持。相當多的機器學習重點是艦艇監控，特別是航跡重建、防撞、航跡預測、目的地預測等。該研究領域已經研究并報告了許多機器學習算法的應用。目標檢測對于海上環境中的監視和態勢感知都至關重要。用于物體檢測的卷積神經網絡已被用于對船只進行分類、發現水雷、檢測海冰、使用水下聲納圖像進行分類、檢測具有有限數據的軍事物體等。生成對抗神經網絡可用作支持密集操作的工具和防守。此外，在國防和安全領域，它們已用于樣本生成、生成對抗偽裝、用于支持特定發射器識別，并用于時空數據應用，包括軌跡預測和時間序列插補的事件生成。

這些技術在國防和安全領域的適當應用可以為軍方提供情報，這些情報可以在必須進行快速數據驅動決策的情況下加以利用。本文提供了對 ML 技術應用背后的基礎知識的基本理解，以幫助構建使用符合 RCN 既定目標的新技術支持和構建能力所需的內部專業知識。對發展這種專業知識的任何投資都將有助于塑造應對現代戰場所帶來的挑戰所需的未來能力。這些空間在本質上變得越來越技術化，因此，DND 和 RCN 必須學習如何適應和改變，以便在這些環境中發揮作用。對于 RCN，利用技術援助利用數據和信息對于海上信息戰概念的成功至關重要。

6.2 未來工作

第 5 節中的討論涉及與 MIW 相關的防御和安全領域的各種 ML 應用。當前研究的一個共同主題是對艦艇監視的內在興趣。雖然 AIS 數據流是用于高度研究主題的重要信息來源，包括軌跡重建、路徑預測和船只異常行為識別，但文獻缺乏檢測與數據流本身相關的潛在異常。

在研究艦艇監視領域的異常檢測時，文獻傾向于將“異常”稱為可用于掩蓋非法海上活動的 AIS 應答器的有意和非有意開關。然而，研究這個數據流的特征和這個信息源中可能存在的異常是很重要的。檢測和解釋數據流中的異常有助于建立用戶對使用此信息訓練的 ML 模型的信任。模型提供準確和穩健的預測或分類的能力源于使用可靠和值得信賴的數據。因此，有必要將研究工作集中在 AIS 轉發器數據流上。

AIS數據流為各種船舶提供了大量的數據，這些船舶被法律要求在海上發送AIS信息。但是，船舶并不是操作可以產生AIS信息的AIS技術的必要條件。因此，用戶如何相信他們收到的數據是可靠、準確的，并且來自實際船只？這方面的一個例子是虛擬艦艇的存在。在這種情況下，這些船只正在將 AIS 消息傳輸到數據流中，即使它們實際上并不存在。這種類型的惡意注入可以用來迷惑和影響情報人員和決策者。這些虛擬船只的存在是海事運營中心注意到的數據流中的異常現象。因此，它們需要被識別和解釋，以支持決策過程。

在異常行為的背景下，研究虛擬艦艇的檢測是本研究中同樣重要的課題。這些研究將探索第 3 節和第 4 節中討論的機器學習技術的應用。檢測和確定識別虛擬艦艇的關鍵 AIS 信號特征的能力是這項工作的基礎。此外，從 AIS 數據流中刪除惡意注入的能力將大大有助于使信息更加可靠、準確和值得信賴。

無人機行業現在正處于黃金時期，它的增長有望呈指數級增長，盡管人道主義救援人員已經使用這種技術10年了，但市場的擴大和技術的發展正在推動越來越多的組織裝備這種設備。

無人駕駛飛行器 (UAV)，也稱為遙控飛機或“無人機”，是通過遙控或自主飛行的小型飛機。本報告重點關注非武裝民用無人機和無人機的使用。未來的報告可以探討無人水下航行器和地面無人機的影響和發展。

瑞士地雷行動基金會在其報告《人道主義行動中的無人機》（2016 年）4 中確定了六類無人機在人道主義行動中的用途：測繪；將基本產品運送到偏遠或難以到達的地點；搜救（SAR）；支持損害評估；提高態勢感知能力；監測變化（例如城市和營地的增長、農業使用或道路或基礎設施的建設）。這份報告將闡明人工智能驅動的無人機如何改進和修改這些用途。

情報對于戰斗的結果至關重要。只要人類發動戰爭，就需要為軍事和文職領導人提供有關對手或潛在對手的決策支持。然而，智能的產生既不容易，也沒有陷阱。有必要更好地理解情報分析的困境。

情報是官僚生產的，也是在獨特的文化背景下社會建構和創造的。 “機構”抓住了這三個方面的影響力。因此，本論文特別關注軍事情報，旨在加深對機構對情報評估的影響的理解。在過去的三年里，關于智力的文獻穩步增長。然而，旨在理解這一現象的理論和框架仍然很少。這對于有關當代軍事情報的文獻來說更是如此。本論文旨在為彌合這些研究空白做出貢獻。這是通過從幾個不同的角度研究瑞典軍事情報機構來完成的：其使用規則、共同信念以及主要與進行威脅評估相關的傳入刺激。更準確地說，該論文研究了與認識論假設和威脅評估相關的定量方法、學說（即正式規則）和共享信念的使用。

本論文的主要貢獻在于，它建立并描述了軍事情報機構和評估之間的偶然聯系，通過利用使用規則和信念系統及其對心智模型的影響，從而對與軍事情報相關的情況的感知。認知偏差，從而影響給定的評估。本文通過采用制度分析與發展（IAD）框架，努力使情報研究更具普遍性。 IAD 的元理論語言是解釋和描述機構對情報評估的影響的有前途的途徑。

關鍵詞:情報分析、軍事情報、機構與威脅評估。

由于神經網絡的日益普及，對神經網絡預測的信心變得越來越重要。然而，基本的神經網絡不會給出確定性估計，也不會受到信心過度或不足的影響。許多研究人員一直致力于理解和量化神經網絡預測中的不確定性。因此，不同類型和來源的不確定性已被識別，并提出了各種方法來測量和量化神經網絡中的不確定性。本工作對神經網絡中的不確定性估計進行了全面的概述，綜述了該領域的最新進展，突出了當前的挑戰，并確定了潛在的研究機會。它旨在給任何對神經網絡中的不確定性估計感興趣的人一個廣泛的概述和介紹，而不預設在這一領域有先驗知識。對不確定性的主要來源進行了全面的介紹，并將它們分為可約模型不確定性和不可約數據不確定性。本文介紹了基于確定性神經網絡、貝葉斯神經網絡、神經網絡集成和測試時間數據增強等方法對這些不確定性的建模，并討論了這些領域的不同分支和最新進展。對于實際應用，我們討論不確定性的不同措施，校準神經網絡的方法，并給出現有基線和實現的概述。來自不同領域廣泛挑戰的不同例子，提供了實際應用中有關不確定性的需求和挑戰的概念。此外，討論了當前用于任務和安全關鍵的現實世界應用的方法的實際限制，并展望了未來的步驟，以更廣泛地使用這些方法。

//www.zhuanzhi.ai/paper/9a9009dae03438c7a71e0bc1b54de0fa