第1章 引言

1.1 背景

在現代戰爭中，槍聲往往是士兵對敵人存在和即將發生的交戰的第一個警告。因此，槍聲定位問題對國防和民事執法行業至關重要，因為它可以應用于狙擊手和敵人的交戰檢測、被動犯罪檢測以及非洲的反盜獵工作等等[1]-[3] 。目前正在對這一問題進行大量研究。在軍事應用中，槍擊檢測技術在交戰或反狙擊行動的初始階段可能是一個決定性因素。對槍擊的快速和準確的到達方向（DoA）的確定直接有助于對戰斗空間的認識，允許快速、有效和可操作的決定和部署反措施，這將增加以最小的傷亡完成任務的可能性。

實際上，存在各種槍擊確定方法，包括非聲學和聲學手段。非聲學手段主要是對槍擊的閃光和/或槍支或敵方攻擊者身體發出的熱量進行電光探測[4]。另一個來源是步槍瞄準鏡上的逆反射光[5]。所有這些都可以通過各種成像技術進行搜索，如普通的日光相機和更有可能的紅外成像設備。定位可以通過一個單一的成像設備或此類設備的陣列來實現。電子光學方法的一個關鍵限制是需要從傳感器到熱源的直接視線，因為光在熱不透明物體周圍的衍射很小。其他限制包括可能隱藏定位所需特征的背景輻射[4], [5]，以及當前成像方法的狹窄視野，要求傳感器指向正確的方向。盡管許多電光探測系統可用于探測和定位各種戰場相關物體，在許多任務中發揮著關鍵作用，但聲學探測更適合于槍擊探測和定位。

聲學是確定槍擊DoA的一種更常見的方法，也是最近許多研究工作的重點，正如第2章中所討論的。許多商業系統也存在，包括雷神公司的Boomerang III，它目前正被部署在戰斗空間，以支持和保護我們的部隊[6]。聲學系統有幾個優點，最大的優點是它們能夠探測和定位來自任何方向的槍聲，即使槍源被遮擋在障礙物后面[7]。在戰場上，這種全方位的探測是至關重要的，因為傳感器系統不可能因為碰巧指向不同的方向而錯過一槍。這允許一個容易設置和忘記的系統，它將被動地在后臺工作，不需要額外的海軍陸戰隊來控制和指揮。

目前的聲學系統幾乎完全依賴全向麥克風陣列，如第二章所述。全向傳聲器很容易獲得，并提供前面討論的被動的360度聆聽能力。因此，它們似乎是確定DoA應用的明顯選擇。不幸的是，它們的全向性正是使它們無法單獨確定入射方向的原因。因此，必須將多個全向型麥克風連接成一個分布式陣列，以實現DoA測定功能。有多種方法可用于確定聲音在傳聲器陣列上的入射角，如相位動力轉向，但最常見和最容易實現的是所謂的到達時間差算法。應用這種技術需要傳聲器在空間上的分布。不幸的是，這導致了槍擊DoA測定系統相對較大、繁瑣，而且往往太重或不切實際，無法由單個戰斗人員攜帶，而是需要固定地點或車輛安裝。雖然它們仍然是能力驚人的系統，但一個較小的士兵運輸系統，提供同樣的覆蓋范圍和能力，將非常有利于提高戰場上的戰斗空間意識、指揮和控制，以及生存能力。

在海軍研究生院（NPS），研究人員目前正致力于開發這樣一個系統。該系統依賴于受寄生蠅Ormia Ochracea啟發的微機電系統（MEMS）傳感器。這些MEMS傳感器顯示出有希望能夠檢測到傳來的槍聲的方位角，只需兩個拼在一起的Ormia Ochracea啟發的傳感器和一個商業MEMS全向麥克風。這意味著，與目前商業系統的分布式陣列不同，這個確定方位的系統將是小而輕的，并且容易被地面上的個人作為步槍/頭盔附件或單獨的手持設備攜帶。

1.2 論文目標

在這種情況下，本論文的目標是利用兩個Ormia啟發的MEMS傳感器和一個商業MEMS麥克風的組合，開發計算槍擊DoA的方法，并評估其在研究環境和實地的各種槍擊刺激下的性能。

這一發展包括：

• 了解Ormia啟發的傳感器的頻率響應，它們的差異和限制。

• 研究和調整DoA測定算法以及。

• 應用糾正性信號處理來提高精確度。

該研究的問題是：

1.搭配的傳感器組合能否用于提供360度DoA測定？

2.能否在頻域中確定DoA，以便應用更多的處理技術？

3.能否在頻域中修正不同的傳感器反應以提高DoA算法的準確性？

4.假設問題提供了肯定的答案，那么系統的可實現的精度是多少？

前言--作者：北約合作支持辦公室（CSO）副主任

"不僅要影響目標個人的想法，還要影響他們的思維方式，并最終影響他們的行為方式。" ——菲利普-蒙托奇奧少將

在過去的二十年里，信息技術領域發生了驚人的演變--事實上，是一場革命。家庭電腦、平板電腦、人人都有的智能手機、互聯網網絡的全球化、社交媒體越來越成為溝通和信息的首選模式、虛擬現實的首次使用以及信息領域的許多其他技術演變正在塑造個人和社區交換信息和溝通的方式。

在更大的范圍內，明天的世界將以一些主要的趨勢為特征，這些趨勢將決定國家之間的互動方式以及他們管理未來沖突的方式。大國之間的對抗，涉及國防和安全的國際組織，如北約，將受到經濟的相互依存、社會的超級連接、環境的數字化、數據的指數級增長以及世界利益共同體（社會、宗教、民族、政治等）的分裂的影響。

這些與核威懾有關的主要趨勢仍將是相關的，將減少大國之間毀滅性的直接軍事對抗的發生概率。然而，由于影響力的戰爭將持續存在，大國和國家聯盟將不得不尋找不同的戰場，"用混合多種手段來繼續戰爭"，這是克勞塞維茨關于戰爭和政治的名言。所謂的 "混合"戰爭將變得更加頻繁，完全模糊了和平時期和危機時期之間的界限。

在這些混合手段中，通信和信息戰往往被視為危機管理行動規劃中的一個次要功能，一般來說，危機管理行動依賴于傳統軍事能力的使用。在這個新興的世界里，信息戰和認知戰，也就是這次科學會議的主題，很可能成為永久性的作戰模式，從長遠來看，可以自給自足地達到預期的最終狀態：破壞政治領導人、軍事指揮官、全體工作人員、人口或聯盟的穩定。

認知戰是迄今為止人類精神操縱的最先進形式，允許對個人或集體行為施加影響，目的是獲得戰術或戰略優勢。在這個作戰領域，人腦成為戰場。這不僅是影響追求目標的想法，而且是影響他們的思維方式，并最終影響他們的行為方式。認知戰必然與接觸目標大腦的其他作戰模式和領域有關，如網絡戰和信息戰。作為一個概念，認知戰還包括另一個正在快速發展的關鍵領域：認知神經科學。通過促進對大腦認知機制的理解，即大腦處理不同類別信息的方式，神經科學將允許優化使用其他形式的戰爭，特別是信息戰。

北約對這種形式的沖突越來越重要的集體意識正在逐步發生。2016年，在華沙北約峰會上，網絡領域被認為是一個作戰領域，混合戰爭的利害關系在峰會公報中得到強調，但只是通過網絡行動路線和特別行動的限制性棱鏡。最近于2021年6月14日在布魯塞爾舉行的北約峰會是一個真正的轉折點。峰會公報中首次強調了俄羅斯等的虛假信息活動，表明盟國對這些新的混合型挑戰越來越關注。

面對這潛在的對手，北約已經面臨著困難。首先是作為一個由30個國家組成的聯盟，必須集體行動、反應和協調，而這些國家之間的軍事和技術差異很大。第二個挑戰是缺乏探測和描述敵對混合活動的集體能力，特別是在信息和認知領域。同樣，確定混合型侵略的肇事者，并就適當的答案達成一致可能是非常困難的，如果盟國不能對惡意行動作出適當的反應，就會威脅到聯盟的可信度。倫理問題也將被提出。如果造謠和破壞穩定是獨裁國家可以接受的行動方式，那么它們能否正式和公開地成為聯盟對侵略的可能反應清單的一部分？北約面臨的最后一個重要困難：如何集體應對對北約國家特殊利益的攻擊？敵對的混合行動可以針對聯盟的能力、領導力或決策系統，但它們通常針對盟國的戰略利益，如關鍵的基礎設施和服務、人口、政治領導人等。事實證明，集體應對以某些國家利益為目標的侵略行為可能是復雜的。

在與北約盟軍指揮部轉型（ACT）的密切協調和補充下，北約科學和技術組織（STO）對技術進行了研究，這些技術應使北約保持對其潛在對手的技術優勢。STO是一個由來自盟國和一些伙伴國，特別是澳大利亞、芬蘭、日本和瑞典的6000名科學家組成的強大網絡。STO涵蓋了與安全和防御有關的全部科學和技術，這些科學和技術被細分為七個主要研究領域。這七個科學領域由不同的小組和一個小組進行探討，其中四個小組正在或可能參與認知戰的研究：人因和醫學小組、信息系統技術小組、系統分析和研究小組以及北約建模和模擬小組（NMSG）。

2021年6月21日，在法國武裝部隊聯合參謀部、STO和新阿基坦大區的支持下，北約-ACT創新中心和法國波爾多國立高等認知學院（ENSC）舉辦了認知戰研討會，會上進行了許多富有成效的討論和發言，反映在本報告匯集的優秀文章中。

序言--作者：北約盟軍最高指揮官轉型

安德烈-拉納塔將軍

利用人性的缺陷來更好地瞄準個人的思想并不是一個新想法。影響和欺騙的手法一直是戰爭藝術的一部分。孫子在他的時代已經強調了心理因素的重要性，如果說羅馬帝國首先依靠的是其軍隊的力量，那么它的長盛不衰則歸功于它堅持不懈地將自己的文化以及自己對世界的看法強加于人。今天，信息領域的技術進步和我們所處的超連接性，使信息的數字化成為可能，使操縱個人或針對一群人的可能性成倍增加。最近以通過社會工程詐騙為目的的心理操縱過程的爆炸性增長清楚地表明，對人類行為的了解和影響人類行為的能力現在是一個新戰略問題的核心。這場觀念之爭影響到社會的所有部門，特別是安全和國防部門。

北約正在不斷監測新出現的威脅，并迅速對這一主題產生了興趣。位于諾福克（美國）的轉型盟軍司令部負責準備和發展聯盟的未來能力，最近致力于一項名為 "認知戰"的研究，旨在闡明和預測以NBIC（納米技術、生物技術、信息技術和認知科學）技術的軍事化。

這就是為什么我歡迎6月21日在波爾多舉行的以認知戰爭為主題的第一次科學會議的召開。這個主題在我看來是相當了不起的，我真誠地感謝國立高等認知學院，我的指揮部與該學院多年來有著卓有成效的合作，感謝該學院與我們的創新中心一起主辦和組織了這次第一次會議。我也向應邀參加會議并為這一天的成功做出貢獻的知名國際專家表示敬意。法語和英語的豐富交流、演講、圓桌會議以及在ENSC的實際演示，都證明了盟國在認知戰爭方面的研究和發展具有巨大的活力。北約的盟軍指揮部轉型要繼續聯合各種力量來保持和發展這種活力，為大西洋聯盟10億公民的穩定、預防沖突和安全服務。

總結

認知戰是在人類思維的戰場上進行的。戰術或戰略目標是通過其他手段追求戰爭而實現的。這種戰爭方法直接利用了數字技術的進步，應用于個人和網絡層面，以操縱心理、社會和信息環境。這不僅塑造了人們的個人思維和作為社會網絡的群體思維，而且還影響了他們的集體行動和互動方式。認知戰是由狡猾的對手發起的，它操縱個人和群體的陳述或信仰，以達到擴大有利于對手的目標行為和行動的預期效果。認知戰被充分運用，有可能破壞社會、軍事組織的穩定，并使聯盟破裂。

認知戰是通過整合網絡、信息、心理和社會工程能力來實現的。利用信息技術，它試圖通過大量的信息過剩或錯誤信息來制造混亂、虛假陳述和不確定性。這是通過將注意力集中在錯誤的目標上，通過分散注意力，通過引入錯誤的敘述，激化個人，以及放大社會兩極化來達到實現短期和長期目標所需的認知效果。

對認知戰的易感性給聯盟帶來了許多問題和擔憂。如何防范這種攻擊？這需要了解是什么原因使某些個人或群體更容易或更不容易受到有針對性的認知操縱的影響。需要新的能力來打擊扭曲和操縱信息領域的網絡化自動裝置（即僵尸網絡）的崛起。如何檢測？如此廣泛的攻擊面需要新的警報信號在社會-信息-網絡中相互關聯，以檢測此類攻擊。如何將此類攻擊歸于某個特定的對手是一個挑戰。歸根結底，認知戰迫使我們理解人類的認知和集體社會行動。我們如何得出結論：例如，如何處理語義的不確定性、挑起的錯覺、知覺的扭曲、注意力的飽和、學習障礙、認知偏差、工作記憶或長期記憶？但在我們的社會系統中，認知也是協作性和目的性的，有共同的決策，特別是民主制度。共同的理解是如何實現的，特別是在社會網絡中，以及為什么它特別脆弱和容易被操縱？無論是個人還是集體，認知都對應于所有被動員起來的過程，以形成我們對世界的理解，做出決定，并據此采取行動。

我們把我們的現代世界表述為充滿了人類的思想和機器，表達或表達思想和程序的循環。自然智能和人工智能的共存是這場辯論的中心，它迫使我們把戰爭設想成混合型的，我們的思想和社會越來越被機器所塑造。認知戰爭已經到來，主要的篇章已經被我們社會網絡中人、信息和技術的日益融合所書寫。趨勢線包括促進人類系統整合的技術界面，增強人類決策的新能力，增加自動化與系統控制人類錯誤（即駕駛），以及人工智能超越程序的限制，輔助數字演員的自主權或被人類思想豐富的機器。

最終，我們必須面對自己，面對人類認知和社會行動的模糊性。認知知之甚少，但它卻聲稱是一種天真的專業知識。每個人都傾向于認為要控制它，并感到受到保護。認識往往來得太晚；非常有必要嘗試預測認知的攻擊，以防范它們。

這本由CSO出版的書匯集了2021年6月在波爾多舉行的第一次 "認知戰"會議的主要干預措施的文章。第一個倡議的重點是人類認知，它的優勢和弱點，它對軍事決策的協作組織，它對數字技術的報告和依賴，以及它的社會和政治層面。該倡議作為后續深入會議的起點，由CSO和ACT倡議，同時邀請聯盟中不同國家的科學家為認知戰爭科學的發展做出貢獻。

這一倡議得到了STO-信息系統技術小組和ACT-創新中心的支持。

文稿收集和編輯：Bernard Claverie, ENSC Bordeaux INP, Baptiste Prébot, DDM Carnegie Mellon University, Norbou Buchler, US Army DEVCOM Analysis Center, Aberdeen Proving Ground, Fran?ois du Cluzel, Innovation Hub NATO-ACT Norfolk.

摘要

攻擊和防御工業對國家安全至關重要，通過提供最重要的信任度并穩定地滿足軍事需求。這項研究探討了人工智能、機器學習和電子信息在國防工業發展中的意義。隨著人工智能在國防工業中的出現和發展，本文回顧了目前國防工業生產什么產品，做什么研究，以及優勢/劣勢。國防工業和其他所有部門都受到人工智能、機器學習、機器人、大數據、數據科學、深度學習、模擬、模糊邏輯、5G和電子學的影響，這些都將成為下一代軍事技術。在這項研究中，還強調了混合戰爭，其與國防工業中發展的人工智能技術已變得相當“熟悉”。利用人工智能技術對大規模數據的處理，可能會產生巨大的軍事優勢，獨特的智能能力，以及各種業務的可觀改善。跟上人工智能的持續發展節奏，保持有效的防御將是至關重要的。

關鍵詞：人工智能，大數據，國防，國防工業，國防領域，深度學習，數據科學，電子，模糊邏輯，混合戰爭，機器學習，機器人，5G，物聯網。

1 引言

隨著人工智能（AI）快速發展，其為各個領域帶來益處，在國防工業領域也取得了巨大的成功。擴大國防工業產品的生產并達到該領域的最高水平是許多國家的主要戰略之一。由于這些融合了機器學習、機器人和人工智能的新技術發展，一個問題無疑會出現在我們的頭腦中：混合戰爭是否即將到來？

當然，這個問題是隨著自主車輛、無人駕駛飛行器（UAV）、武裝無人駕駛陸地車輛和無人駕駛戰機的研制而誕生的。雖然一開始看起來不可思議，但它為人工智能技術的形成做出了卓越的貢獻，它將通過把幾種算法結合到其結構中來促進高水平的發展。人工智能是旨在在機器人中模擬人類思維的技術集合，它需要多學科的研究。今天，人工智能技術在收集、處理和解釋數據方面發揮著關鍵作用，使目前不可行的解決方案和技術成為可能。如果沒有人工智能工具，不可能對使用現有技術獲取的數據進行處理分析。

另一方面，機器學習是人工智能的一個子領域，它做的是有監督-無監督的輔助學習，而不是代碼密集型解決方案。我們可以利用機器學習從豐富、復雜的數據中提取有效的推論。在談論國防工業生產的戰爭技術時，我們說它是用大量的數據創造的。最準確處理這些數據的方式是人工智能、機器學習和深度學習。有了這三樣，就不可能不看到數據科學在世界的普及。深度學習通常被認為是機器學習的一個子領域。它包括通過數據驅動的學習產生人工智能的策略。通過評估虛擬環境中真實飛行員在飛行模擬器中的瞬時決策和環境信息，人工智能飛行員可以在不寫程序的情況下制定規則集，并在包含高度復雜數據的環境中做出現實的飛行決策。混合戰爭的形成與過去使用的戰爭技術和現在使用的戰爭技術之間有許多變化。從現實意義上講，國防領域如此大的發展，其最大的關鍵是人工智能。

2 什么是國防工業中的混合戰爭？

隨著國防工業中通信和戰爭技術的發展，戰爭在總體上已經發生了變化。因為每個國家都想發展和變得更強大，所以很難預測我們在戰場上遇到的情況。在戰爭中，信心和動力一樣必要。只有一點點的安全感是令人欣慰的，它也會導致戰場上更健康的思維和戰略行為。

混合戰爭是一種戰爭概念，它以國際關系學科和安全戰略的多樣化以及發展中的技術所創造的新防御和攻擊載體來取代常規戰爭。由陸、空、海三層組成的常規戰爭被包括電磁波譜、空間、網絡和信息層，以及這三層的混合戰爭所取代。混合戰爭可以看成是如圖1所示。

圖1 混合戰爭。

在混合戰爭中，其目的是在不需要武裝沖突的情況下實現打破對手的聯盟、伙伴關系和決心。為此，首選外交和經濟行動、信息戰等方法，必要時還可使用常規部隊作為威懾威脅。在國家和聯盟內部制造不穩定；通過制造政治分離，減緩友好的解決方案、決策和反應的速度，最終導致戰略不確定性，從而達到目的。

在混合戰爭期間，國家開始為這些計劃中最有效的計劃做準備，制定各種戰略計劃（戰術、行動），以保護自己不受對方影響，獲得優勢和權力。混合戰爭最顯著的優勢是人工智能技術，它可以提供許多選擇，并確保先進能力的完整性，通過迷惑對手頭腦獲得優勢。

因此，混合戰爭對國防工業中正在發展的人工智能技術越來越“熟悉”，這場戰爭的范圍也隨著這些技術的發展而擴大。為了發展人工智能技術，我們必須收集數據，并適當地使用這些數據，以便我們能夠向目標邁出堅定的步伐。特別是在這個領域所做的技術，即使是最輕微的錯誤被忽視，也會對所有的研究產生不利的影響。在人工智能領域進行的研究中，每個國家都知道其重要性，有必要揭示出我們與其他國家不同的特點。例如，我們應該能夠在幾秒鐘內做出決定，而不是幾分鐘，并在99.9%的時間內發現并消滅敵人。首先通過在模擬中測試該領域的研究，然后將其應用到實際，我們可以及早發現不足之處，并采取必要的預防措施。

3 仿真技術在國防工業中的應用

仿真工具通過鼓勵可持續的生產環境來增強與生產有關的任務。自我配置是用于創建生產系統的數字工具的一個特點。因此，它顯示了一個實際研究的路線圖。國防工業中使用的模擬仿真器提供了關于將要完成的工作或已經完成的工作的信息，允許它被整合到計劃的戰略中。模擬器的數據允許制定（戰術、行動和戰略）規劃。仿真技術在國防工業中是必不可少的。因為在這個環境中，它能提供幾乎準確的數據，這促進了許多項目和新技術產品的出現。在圖2中，我們可以看到Havelsan的仿真技術。

圖2 仿真技術。

4 大數據

大數據處于不斷更新的科學和商業世界中。由此產生的數據來自于模擬器、視頻、音頻、圖像、帖子、社交網絡互動、科學數據、傳感器和手機以及所有其他連接設備和技術。

• 重要問題

大數據要求從傳統的數據分析中獲得革命性的飛躍，如圖3所示。大數據由其三個主要部分定義：種類、速度和數量。

圖3 大數據的三個特征。

多樣性將大數據帶入一個超大的格式。有三種類型的大數據來自于許多來源。它們是結構化、半結構化和非結構化。結構化數據增加了一個預先標記和快速排序的數據倉庫，但非結構化數據是隨機的，不容易分析。半結構化數據包含標簽，以分離數據項。

目前，數據的體積或數量超過了TB和PB。大規模的數據增長和擴展超過了標準的存儲和處理技術。因此，數據量在我們的生活中無處不在，而且產生的速度非常快。

在整個過程中，速度是一個重要的因素。這就是數據產生的速度。今天，由于數字和社會媒體的發展（發送、網絡互動、圖像、視頻），大數據迅速產生。在數字世界中，每天都有成千上萬GB的數據實時產生。

這個組件的數據流必須得到驗證，以便在國防工業中產生基于人工智能的技術。數據必須是安全的，因為獲取和驗證大數據是很困難的。在完成所有這些過程后，也就是處理數據將為將要生產的技術提供一個很好的優勢。這將使國防工業的強大技術得以生產。

5 數據科學

數據科學的最一般的定義可以表示為從數據中獲取信息的科學和藝術。利用數據科學，我們可以獲得數據，從這些數據中提取信息，并將這些信息用于塑造未來的研究。所進行的大多數新研究都會將從過去提取的數據與當前的數據進行比較，并向我們展示我們更喜歡哪一個步驟來實現我們的未來。數據科學包括組織和分析，可視化，以及報告數據。

總之，數據科學通過研究現狀為決策者提供意識，并通過預測當前和未來的研究增加決策的正確性。

5.1 數據分析

通過機器學習和深度學習提供的方式，可以獲取人工無法獲得的數據。為了了解所獲信息的質量，可以通過詳細調查分析，檢查方法步驟，探索數據的大小、速度和變化來了解。為了獲得最佳的解決方案，針對現有問題而選擇的機器學習算法應該能被分布式數據使用。

5.2 數據可視化

我們發現的數據有時會很復雜，所以它對我們來說變得有些難以理解。如果我們將這些數據可視化，就可以讓我們更好地理解它，其在腦海中的位置也會更加固定。此外，數據的速度和規模越大，數據就越接近實際。數據中的聯系將不容易看到，而且我們也很難理解它們。在這方面，數據的可視化是至關重要的。

6 人工智能在國防工業中的研究

隨著人工智能使用的增加，研究的數量也在增加。在這方面，國防工業已經進行了并將繼續進行突破性的研究。所產生的大部分技術仍處于設計、測試或評估階段。當然，目的是為了在戰場上取得優勢。

這些技術有望產生戰術偵察和監視，用炸彈或導彈進行空襲，為間接火力、特種作戰和心理作戰進行前方監視，邊境控制和保護，地雷搜索和銷毀，反走私，化學、生物和放射性掃描，海上和遏制中的船舶識別，戰斗搜索和救援，空中無線電鏈接和中繼任務，以及天氣數據收集。因此，國防工業的重點是人工智能。

研制的一些技術產品：

I）Baykar Bayraktar Akinci

這是一種高空長航時（HALE）級別的武裝無人駕駛飛行器，由土耳其國防工業公司Baykar Defense開發。它們在2021年8月29日首次進入土耳其武裝部隊。

Akinci的最大起飛重量為5500多公斤，配備兩個渦輪螺旋槳發動機。其中1350多公斤由有效載荷組成。它也被稱為突擊型無人駕駛飛行器（T?HA），因為它可以進行空對空作戰。Akinci配備了電子支持和反制系統、雙衛星通信系統、空對空雷達、防撞雷達和國產合成范圍的雷達。

圖4 Bayraktar Akinci。

II）HAVELSAN Barkan

世界上的安全威脅已經增加，特別是對陸軍來說。自主的無人駕駛陸地車輛將現代技術融入軍事單位，通過遠程管理和使用傳感器系統來感知環境，并在數字戰場的要求下無人執行偵察、監視和彈藥運輸等基本任務。

HAVELSAN公司設計和生產了HAVELSAN BARKAN，以滿足現代軍事領域的需求。BARKAN在許多方面是野戰人員的重要助手，特別是在提高行動的成功率、防止損失和降低行動成本方面。此外，BARKAN還被開發用于攜帶或牽引貨物、提供近身保護和武裝偵察等任務。

圖5 BARKAN。

7 國防工業中的5G技術

隨著人工智能工作的日漸深入，新產品將不斷涌現，因此，國防工業中生產的技術的多樣性也將增加。

全球智能設備數量的增加，技術的發展，以及對容量和覆蓋質量的要求提高等因素影響著通信領域新技術的發展。由于連接到互聯網的設備數量不斷增加，機器學習，物聯網，以及速度和容量需求的增加，已經開始研究5G的出現。通過5G技術，旨在更好地同時滿足這種多樣性的需求和要求。

第5代通信技術，不僅在通信領域，而且在許多領域都能創造和使用產品，它允許新的工作領域和經營方式；它將通過加速人工智能、機器學習、大數據和物聯網等創新應用的發展，在可持續發展目標中發揮重要作用。因此，5G進入我們的生活，其重要性可見一斑。

7.1 物聯網（IOT）的任務

對于國防工業中的物聯網，到目前為止，指揮、控制、通信、計算機、情報、監視和偵察都集中在火控系統的應用上。普遍的看法是，傳感器主要作為數據收集和共享工具，從而加強指揮和控制。物聯網使指揮官能夠根據合并無人駕駛傳感器和現場報告的數據所產生的實時分析結果做出選擇。

• I）監視和偵察。許多傳感器被用來在防御中獲得優勢。雷達、視頻、紅外或無源射頻探測數據、監視衛星、空中平臺、無人駕駛飛行器、地面站和現場士兵從這些傳感器獲取數據。這些數據被傳遞到一個整合平臺，該平臺分析并向指揮鏈的上層和下層分發信息。

• II）后勤。在這個地區部署了多個低級別的防御性傳感器。例如，RFID標簽已被用于跟蹤貨物和管理中央物流中心之間的供應。

• III) 士兵健康。士兵可以被通知有異常情況，如脫水、睡眠不足、高心率或低血糖。如果需要，可以通知主醫院的醫療反應小組。

• IV）監控。將先進的圖像分析和模式識別軟件與安全攝像機和傳感器相結合，有利于遠程監控設施的安全風險。將許多傳感器納入飛機、無人駕駛飛行器、衛星和船舶的就業是海洋和沿海監控的一個例子。如果我們把5G將給國防領域帶來的創新總結如下；戰場上的單位將能夠通過連接戰爭網絡獲得支持，關鍵任務控制將更有效地進行，可以快速決策，并在電子戰和導彈攻擊中采取行動。各國將能夠即時監控其武裝部隊。

圖6 5G技術。

8 在戰爭中使用模糊邏輯

隨著戰場的復雜化，人工智能技術在軍隊中逐漸普及。但從研究的情況來看，基于人工智能的技術在軍事領域還是不夠的，模糊邏輯也得到了應用。

在戰爭中，它是需要考慮的領域之一，因為空中是敵人攻擊最多的地方。因此，在行動前應確定防空因素以最好地支持各種計劃。應該選擇要得到防空支持的單位的防空優先程度。

在戰爭中，士兵們必須在短時間內做出正確的決定。然而，所做的決定并不總是100%的確定。有些時候或情況下，做決定的人必須選擇其他選項。在這種情況下，腦電路分析就是應用模糊邏輯。模糊邏輯是一種識別和解決真正的不確定和不確定問題的有效方法。模糊邏輯是一種多變量理論，它采用 "中"、"高"、"低 "等均值，而不是 "是"-"否"、"真"-"假"等傳統變量。

8.1 模糊邏輯處理

為了在模糊邏輯中創建一個更好的解決方案，要進行比較，以便通過成對的比較來決定哪個是 "好"、"更好 "或 "壞"。

作為一個例子，我們將研究BAHP方法，因為這種方法以人類的思維方式處理不確定性，并有效解決多標準決策問題。這種方法應該在戰爭環境中應用。其步驟如下：

• 步驟1：目標的模糊值；

• 步驟2：在計算出模糊值后，對這些值進行比較，得到選項和標準的可能性值V。

• 步驟3：比??模糊數更重要的凸模糊數的概率度定義為如下：

• 步驟4：通過歸一化得到歸一化的權重向量W，其中W不是模糊數。歸一化過程是通過將每個值除以總和得到的。

9 人工智能在國防工業中的優勢

國防工業生產的產品不僅在戰爭活動中至關重要，而且對國家的發展也有貢獻。人工智能、增強現實、機器學習、深度學習和機器人技術是所有這些的結合，由于新一代的戰爭技術，通過快速獲取戰場上的信息，提高了士兵在戰爭環境中的態勢感知，在不需要任何顯示器或面板的情況下，以理想的速度提供信息的獲取。國防工業生產的技術優勢：邊界監視，對手工制造的爆炸物進行干預，地雷探測和中和，用于搜索和救援行動，快速耐用和分析，許多功能將使我們的士兵受益。隨著國防技術中人工智能的增加，它應該有望在軍事領域獲得優勢。

10 人工智能在國防工業中的劣勢

在人工智能的工作下，許多新的戰爭技術已經產生。雖然這些技術受到大家的喜愛，讓人眼前一亮，但也有看不見的錯誤面。由于不容易發現這些生產出來的技術在生產過程中出現的錯誤，所以可能會被忽略掉。大多數技術和應用仍處于設計、測試或評估階段。當然，模擬器在發現這些錯誤方面有重要作用。

自主系統在任何情況下都會給我們帶來好處，因為它們會做出并執行自己的決定，但它們是否應該自己做決定仍是一個爭論的問題。在每一種情況下，他是否應該自己選擇，或者在必要時應該征求人類的同意？

出于這個原因，應該確定在哪些關鍵情況下，基于人工智能生產的國防技術需要人類的批準。

11 結論

因此，如果用于生產國防領域新技術的數據通過適當的算法進行處理，那么用人工智能建立、開發和使用的技術將在國防部門的發展中發揮重要作用，在軍事領域提供戰略、戰術和行動的好處。此外，這些技術將通過在戰爭期間做出適當的指導，給予目標導向。由于在這個由人工智能創造的新形勢下產生的每一項技術都將為自己正名，它將通過直接影響現在和未來而成為國防工業不可缺少的一部分。這些技術，在所有研究中需要的獨特功能中提供監測、監視和數據收集，大大影響了國防。盡管如此，他們還是配備了足夠的設備來化解對方，并預測每一步。為了從人工智能的重要性和力量中獲得更多好處，在這一領域不落后是至關重要的。即使看一下已經產生的技術，我們也能看到我們未來的國防領域將是多么強大。

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。

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】

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。

低速、慢速和小型 (LSS) 飛行平臺的普及給國防和安全機構帶來了新的快速增長的威脅。因此，必須設計防御系統以應對此類威脅。現代作戰準備基于在高保真模擬器上進行的適當人員培訓。本報告的目的是考慮到各種商用 LSS 飛行器，并從不同的角度定義 LSS 模型，以便模型可用于LSS 系統相關的分析和設計方面，及用于抵制LSS系統（包括探測和中和）、作戰訓練。在北約成員國之間提升 LSS 能力并將 LSS 擴展到現有分類的能力被認為是有用和有益的。

【報告概要】

在安全受到威脅的背景下考慮小型無人機系統 (sUAS)（通常稱為無人機）時，從物理和動態的角度進行建模和仿真遇到了一些獨特的挑戰和機遇。

無人機的參數化定義包括以下幾類:

• 類型學，指的是無人機可以飛行的模式;
• 用于制造無人機的材料;
• 飛行性能;
• 螺旋槳種類;
• 分類;
• 導航系統;
• 遠程控制器特性(如果有);
• 有效載荷，考慮自身傳感器和可能的危險；
• 通信系統。

描述無人機飛行動力學的分析模型在數學上應該是合理的，因為任務能力在很大程度上取決于車輛配置和行為。

考慮到剛體在空間中的運動動力學需要一個固定在剛體本身的參考系來進行合適的力學描述，并做出一些假設（例如，剛體模型、靜止大氣和無擾動、對稱機身和作用力在重心處），可以為 sUAV 的飛行動力學開發牛頓-歐拉方程。

在檢測 sUAS 時，必須考慮幾個現象，例如可見波范圍內外的反射、射頻、聲學以及相關技術，如被動和主動成像和檢測。

由于需要多個傳感器檢測 sUAS，因此有必要考慮識別的參數以便針對不同類型的檢測器對特征進行建模。此外，對多個傳感器的依賴還需要在信息融合和集成學習方面取得進步，以確保從完整的態勢感知中獲得可操作的情報。

無人機可探測性專家會議表明了對雷達特征以及不同無人機、雷達和場景的聲學特征進行建模的可能性，以補充實驗數據并幫助開發跟蹤、分類和態勢感知算法。此外，雷達場景模擬的適用性及其在目標建模和特征提取中的潛在用途已得到證實。

然而，由于市場上無人機的復雜性和可變性以及它們的不斷增強，就其物理和動態特性對無人機簽名進行清晰的建模似乎并不容易。

sUAS 特性的復雜性和可變性使得很難完成定義適合在仿真系統中使用的模型的任務。這是由于無人機本身的幾個參數，以及考慮到無人機的所有機動能力和特性所需的飛行動力學方程的復雜性。

此外，sUAS 特性的復雜性和可變性不允許定義用于評估相關特征的參數模型。

圖1 無人機類別與其他類別/參數的關系（part 1）

圖2 無人機類別與其他類別/參數的關系（part 2）

圖3 參考坐標系

【報告目錄】

空軍專業 (AFS) 初始技能培訓 (IST) 的最新趨勢表明，美國空軍 (USAF) 入伍人員重新分類為其他職業專業的人數近年來有所增加，并且在財政年度之間出現了穩步增長2013 年和 2017 年。職業領域重新分類可能會導致廣泛的負面結果，包括成本增加、人員配備延遲、培訓計劃挑戰和士氣下降。為了理解和解決 IST 重新分類的挑戰，作者考慮了改進流程的選項，以對 IST 的現役非在職飛行員進行分類和重新分類。在本報告中，他們概述了 2019 年一項研究的主要發現，該研究采用了定性和定量分析，包括機器學習 (ML) 模型、評估 IST 成功（和失敗）的預測因素。他們還描述了他們對優化模型的測試，該模型旨在確定修改重新分類決策的機會，以便不僅減少重新分類飛行員的數量，而且提高飛行員的工作滿意度和生產力，并提高美國空軍的保留率。

01 研究問題

• 美國空軍目前對飛行員的分類和重新分類采取了哪些政策，如何改善這兩種結果？
• 哪些因素會影響 IST 的成功和失敗？
• 哪些 ML 方法最適合識別最佳 AFS 分配，從而減少重新分類的需要？
• 如何改進重新分類以實現更好的培訓和職業成果并降低成本？

02 主要發現
2.1 IST 分類旨在優化訓練成功，但不優化其他重要結果

• 平均畢業率為 95%，進一步優化培訓成功的努力可能會產生微乎其微的收益。
• 然而，機器學習模型可能在預測早期分離和重新入伍方面是有效的。

2.2 增加相關變量的數量可以提高 ML 預測的準確性

• 使用的 ML 模型類型在預測結果方面的差異不到 1%。
• 擴展 ML 模型中的預測變量集通常會將預測誤差降低約 5%。

2.3 重新分類是一個手動過程，可以進行優化以實現不同的結果

• 美國空軍可能沒有使用成本最低的 IST 重新分類解決方案或產生最大數量的積極培訓和職業成果的解決方案。
• 使用優化模型對飛行員進行重新分類以實現最佳訓練和職業成果將增加重新分類的成本。
• 實現稍微更好的培訓和職業成果同時還降低當前與重新分類相關的成本的替代解決方案也是可能的。

2.4 與 IST 飛行員就選定的 AFS 進行的焦點小組討論確定了促成 IST 成功和挑戰的因素，并確定了改進建議

• 飛行員的特征（例如，動機）和先前的經驗（例如，教育）、支持性教官和學習小組有助于 IST 的成功。

• IST 挑戰涉及飛行員特征和訓練基地環境。

• 改進涵蓋了諸如 AFS 的先驗知識以及對 IST 的期望、課程設計、非 IST 要求和宿舍安排等領域。

03 建議

• 通過保留有關 IST 資格和結果的數據庫，要求新兵完成職業評估和招聘人員提供有關 IST 和 AFS 的信息，系統地收集有關工作要求的信息，開發生物數據工具，從而擴展 USAF 入伍分類中使用的預測變量集。由所有入伍新兵完成，并使用同行和教官對飛行員的個性進行評分。

• 通過定義和系統地測量與 IST 成功相關的結果以及通過監控專業畢業的移動平均值來擴展 USAF 入伍分類中使用的結果集。

• 提高數據質量、全面性和可訪問性，以便 ML 模型能夠提供準確且有用的預測。

• 更新分類和重新分類流程以優化 IST 的成功和工作匹配，從而提高績效和職業滿意度。

• 在實施任何 ML 模型之前，應對道德和隱私、ML 模型的可解釋性和模型性能等領域的挑戰。

04 報告目錄

第一章

簡介和背景

第二章

空軍分類和重新分類過程

第三章

可用于預測空軍訓練和職業成果的數據

第四章

預測成功的模型

第五章

重新分類訓練消除的優化模型

第六章

飛行員在選擇專業的初始技能培訓中的經驗

第七章

結論和建議

附錄 A

定義和衡量人員選拔的成功

附錄 B

描述性統計和分析建模結果

附錄 C

優化模型方法論

附錄 D

焦點小組方法論