具有高度自主性的軍事系統發展帶來了許多作戰優勢。這些系統通常是高度協作的，并允許優化對復雜問題的多效應對。人工智能，包括深度強化學習，有助于提高這些系統的效率。這項工作提出了一個與信任這些算法有關問題的綜合觀點，并提出了一些改善人機信任的準則。這項工作是在由歐盟資助的30個合作伙伴歐洲財團委托編寫的報告框架內完成的。

用于水雷戰的自主水下無人機，MMCM計劃實例

法國和英國在2010年啟動了一項計劃，評估和開發 "海上反水雷"（MMCM）能力，包括在與母艦安全距離外遠程操作的無人系統。通過持續化解靜態水下威脅，這些系統將提供戰略、行動和戰術上的機動自由，確保海上力量的安全投送，包括在海峽等高風險地區。

MMCM計劃的目標是提供一種新的敏捷的、可互操作的和強大的水雷戰能力。它將有助于在現有水雷戰艦退役時取代它們。這一雙邊計劃于2010年底根據法國和英國之間的《蘭開斯特宮條約》正式啟動。在2018年1月的法國/英國峰會上，法蘭西共和國總統和英國首相申明了他們打算迅速將該系統投入作戰服務[13]。

特別是，在2020年測試了四種作戰方案，分別采用了：一個水面無人機及其探測聲納、一個拖曳聲納、兩個水下無人機和一個水下滅雷機器人。前兩種情況主要是隨著任務的進行對威脅進行探測、分類和定位，其次是通過與前一次任務的數據進行比較來改變探測結果，最后是重新定位和識別幾枚地雷并解除其中一枚地雷。

該計劃的核心是在水下環境中自主發展的能力。這種自主性是通過使用人工智能算法，特別是DRL來實現的，以便自主地將無人機從母艦上移開[14]。盡管水下無人機必須能夠自主行動，但仍有許多人機互動：任務準備、驗證地雷分類和實時任務監測、授權投擲炸藥。這種人機互動是由MMI（人機界面）實現的，比如你會發現下面這個界面。

有一些項目旨在優化這些關系并建立信任關系：例如，泰雷茲國防任務系統公司DxLab的AR{iA}NE項目，旨在顯示操作者和人工智能之間可以有真正的互動[14]。人工智能在這里由控制臺的下半部分代表。它的突出顯示取決于性能指數：這就是人工智能以非常直觀的方式與操作者交流的方式。這個演示設備是為工業展覽準備的。它的設計經過特別考慮，給人以未來主義的印象，讓客戶感覺到他正在與人工智能進行交流。該控制臺集成了一個軟件分析界面，為聲納數據的利用提供了實質內容，因此非常適用于研究人機互動，更確切地說，是人機互動。

用于反無人機作戰的輕型自主無人機

國防公司，如泰利斯、空客和MBDA，正在開發項目，旨在提供反無人機（UAV：無人機）解決方案。商用無人機的擴散化和相當便宜的價格引發了安全和保障問題。例如，在無人機和飛機之間發生了一些事件，還有一些情況，如跨越邊界和在監獄中走私貨物（武器、毒品），或向目標運送爆炸物。這些公司提出了智能解決方案，可以檢測無人機，但也可以通過高度的自主性和人類的環形控制來消除它們。這些系統可以對敵方目標進行探測、識別、定位和消滅。反無人機問題被概念化，并通過以下步驟得到部分解決[16]：

• 威脅探測：利用部署在保護區域的地面傳感器，如雷達、聲學、射頻或光電傳感器來解決；
• 威脅分類：在威脅探測步驟中捕獲的地面傳感器數據上執行的后處理任務；
• 威脅識別：這是一項額外的后處理任務，旨在完善前一步獲得的分類，最好是評估一套獨特的威脅特征特征；
• 威脅追蹤：該任務的結果是威脅所遵循的軌跡或一組軌跡。其目的是保持對威脅的關注，并將其保持在系統傳感器的視野范圍內；
• 威脅評估：評估入侵的無人機所代表的威脅程度，例如通過有效載荷分析或行為理解。執行這一步驟是為了收集情報，并可能調整對該威脅的反應；
• 威脅消除：使用物理或非物理損傷使威脅失效。當然，這是迄今為止最不成熟的步驟。中和技術最終應取決于威脅的性質、其威脅程度和環境條件（以避免或盡量減少附帶損害）。

最新項目的目標是創建和展示一個完整的反無人機系統，能夠解決上述六個步驟，并整合兩個主要部分，一個地面部分和一個空中部分。地面部分可由一個作為指揮和控制站的地面控制站和一些地面傳感器組成，其數量和在空間的分布可根據需要和保護空間的配置進行調整。空中部分可以由盟軍無人機隊組成，這些無人機可以是相同的，具有類似的能力（同質蜂群），也可以具有不同的能力，每個都有一套獨特的專長（異質蜂群）。擁有一個空中段提供了兩個優勢。首先，在傳感方面，它使系統具有盯住目標的能力，可能為人類操作員提供實時視覺反饋，但也能對敵方無人機及其有效載荷進行更詳細和有效的分類和識別。第二，在消滅方面，它應該允許防御者部署更多的外科手術式的反措施，特別是避免過多的附帶損害或不想要的副作用。許多國防公司正在為中和部分開發智能DRL解決方案[17]，以便在盟軍無人機群中做出自主決定。DRL算法也可用于指揮和控制站，以監測整體作戰情況。

用于未來戰斗空中系統（FCAS）的重型自主無人機群

未來戰斗航空系統（FCAS）是一個 "系統簇"，它涉及到新一代戰斗機（NGF）、遠程航母（RC）和一個將所有參與者連接在一起的戰斗云系統： NGF、RC群、衛星、戰艦、地面系統等。

遠程運載器是用來做什么的？設想的應用是非常多樣的：通過幾十架飛機的飽和來穿透敵人的防御，誘騙敵機，執行電子戰任務（干擾），為其他飛機指定目標，執行偵察任務，甚至發射導彈而不是作戰飛機。這些新型機組成員為未來幾十年的空中行動開辟了一個巨大的可能性領域：用無人機代替戰斗機發射導彈，這樣就不會有飛行員的生命危險，騷擾敵人的防線，執行偵察任務，等等。這些設備也可以假裝成駕駛飛機，吸引敵人的巡邏隊，為作戰飛機打開缺口。在遠程載具的核心，制造商正在開發人工智能算法，特別是DRL[18]，以控制每架無人機，但也控制無人機群。DRL算法出色的適應性在這里被用來管理高層和自主決策。

"系統簇"的非常高的互連性也要求建立一個抗網絡攻擊的戰斗云。這些攻擊確實可以破譯通信以獲取情報，甚至干擾或破壞通信，或者更糟糕的是，向半自主系統發出錯誤指令。DRL算法可用于應對正在進行的網絡攻擊。這些攻擊確實可以快如閃電，而人類沒有能力做出足夠快的反應。因此，必須使用智能自動系統來抵御攻擊。DRL似乎再次成為快速、自主和適應性行動的良好解決方案[19]。

邁向可信AI

A. 科學的信任和可解釋人工智能

正如我們所說，在自主系統中使用人工智能有很多問題：倫理、法律、政治等等。這就是為什么有必要在這場技術革命的不同參與者之間建立一種信任關系，從研究人員到用戶和工程師。

數學上的保證。為了確保我們提出的技術解決方案的可靠性，最好能在理論上和數學上保證算法的性能。然而，重要的是要記住，有關的保證在性質上是概率性的，因為大多數ML算法的性質是不確定的。因此，我們將試圖證明，例如，如果該算法有無限量的訓練數據可供支配，它就能夠完成提交給它的任務。或者，人們可能會試圖證明該算法收斂到一個解決方案，而且幾乎可以肯定它是以一個已知的和可控的速度收斂的。這種類型的結果保證存在于許多經典的ML算法中，用于解決某些簡單的問題，并受制于關于訓練和測試數據的某些假設。人工智能的整個研究領域都是關于知道什么是或不是可以通過ML學習的問題，以及什么精度：可能是近似正確的學習[20]。在RL方面還有很多工作要做，它仍然是一種年輕的技術，但理論上的保證越來越多[21]。然而，這些理論結果一般都是基于非常強的假設，這些假設往往是還原性的，并沒有考慮無人機在實踐中使用的非常真實的環境，這有時會使它們不那么相關。

可解釋人工智能。第二個軸心是要建立對人工智能所支配的自主系統的信任，即其行動的可解釋性。當我們可以理解導致人工智能獲得結果的原因時，一個算法被認為是可解釋的。一般來說，目前可解釋的ML算法（XAIs）能夠報告相對簡單的決定，例如指出圖像的哪些區域被用來確定它是一個蘋果。關于RL，為算法的可解釋性設想了幾條途徑。

• 一些RL算法是以完全透明的方式建立的，它允許追蹤不同代理在一段時間內做出的決定。然而，這種方法不能應用于DRL，由于使用了人工神經網絡，DRL并不是完全可解釋的。
• 表征學習是另一種方法，它試圖在推理的某些階段提取最相關的信息。
• 也可以訓練另一種人工智能算法來解釋RL算法的行動，同時相互配合[22]。其他的解決方案仍然存在，提及這些解決方案需要太長的時間，這里的興趣主要是要意識到RL算法的可解釋性正在全面發展，在未來的幾年或幾十年里應該會通過新的里程碑。

讓我們細化前面的觀點，像一些作者那樣考慮人工智能算法的區別，這些算法不僅是可解釋的，而且是可解釋的。事實上，為了解釋它們的推理，已經建立了一些后驗算法，但它們并不能幫助理解初始算法的 "黑匣子"。出于這個原因，人們正在對可解釋的人工智能方面進行研究，這樣就可以說明導致輸出的不同推理步驟[24]。即使DRL算法的參數數量非常大，仍然是廣泛實施這種方法的技術障礙，但可以預期在這個領域會有明顯的進展。

B. 性能信任

對受DRL支配的自主系統有信心的第二個論據是測試期間的性能測量。事實上，即使目前關于人工智能可解釋性的知識狀況不允許完美地理解算法是如何達到其輸出的，但實踐中的結果是好的，表明有非常大的發展潛力。

對其他問題進行歸納的能力。首先，用戶對人工智能技術的信心可以建立在算法解決其他問題的良好能力上，或多或少有些類似。例如，眾所周知，Deepmind的AlphaFold 2 DRL算法在預測蛋白質結構方面特別出色[25]。這種優秀的聲譽源于該算法的大量已發表的測試研究，這讓該領域的大多數科學家對其給予了極大的肯定。雖然蛋白質結構預測與自主無人機的使用無關，但將蛋白質中單個原子的放置與無人機在協作作戰任務中的放置相提并論是很容易和有意義的。在前一種情況下使用DRL，以及所獲得的結果，也有可能使最終用戶對DRL應用于另一個領域的潛力充滿信心。

算法驗證。然而，與經典的ML算法不同，不可能在RL中實現我們在第一部分討論的驗證測試。這是因為所涉及的數據是隨時間變化的，而且所提出的問題也是不同的。要限定所識別的對象是否被正確預測是很容易的（是的，它是一個蘋果，或者不是，它是一個梨子）。另一方面，量化無人機和飛機之間合作的成功要微妙得多：許多標準必須被評估（無人機的定位、它們的速度、它們不同行動的時間）。因此，RL算法的性能測量是通過建立針對要解決的任務的指標來完成的。例如，對于負責訪問一個空間區域的無人機來說，比較正確識別目標的比例、任務完成時間或其他更精確的指標是相關的，這取決于情況和要解決的具體問題。

爭取在RL中實現更好的可重復性。最近還強調了RL算法的一個臭名昭著的問題，即當一些研究人員想要復制他們同事的結果時，一些算法的不穩定性[26]。實驗的可重復性是科學中的一個基本問題，因為它構成了被測試定律（例如，萬有引力定律）的有效性證明。在這里，算法性能的證明之一是可以讓它多次承受相同的情況，并在不同的迭代中獲得非常相似的結果。為了克服缺乏可重復性的問題，新的算法開發框架、新的測試程序和明確的指導方針已經到位，使科學和開發團隊對他們的結果有了更大的信心。

C. 建立一個有人-無人之間的信任協作

優化人機互動

人機協作是現代（協作）戰爭的核心，但人類和智能機器之間的成功協作主要取決于信任。然而，安全與新興技術中心對自主性和人工智能相關的研究[27]發現，在美國軍方的科技項目投資中，789個自主性相關項目中只有18個，287個人工智能相關項目中只有11個提到 "信任 "一詞。研究人員沒有直接研究信任，而是將開發更透明、可解釋和可靠的人工智能作為優先事項。這些努力對于培養人機團隊的信任是必要的，但技術驅動的解決方案并不總是考慮這個等式中的人類因素。

對高性能技術的不充分信任會導致人工智能系統的使用不足或廢棄，而對有限的或未經測試的系統的過度信任會導致對人工智能的過度依賴。這兩種情況在軍事背景下都有獨特的風險，包括事故、友軍交火、對平民的意外傷害和附帶損害。為了讓士兵對自主系統有信心，他們必須知道系統在遇到障礙物時將會做什么。從系統工程的角度來看，這意味著要指定和實施一些能力，如通過假設查詢和信息交流進行信息檢索，以便系統能夠以人類操作者容易理解的方式解釋其推理和行為。換句話說，"在系統中建立信任 "是一種以技術為中心的方法，通過改善與信任密切相關的系統特性和能力，如透明度、可解釋性和可靠性，來建立人機團隊的信任。

DARPA的Squad X計劃[28]將美國陸軍和海軍陸戰隊的步兵小隊與配備先進傳感設備的無人地面和空中飛行器配對，以提高敵對環境中作戰人員的態勢感知和決策。X小隊在2019年初進行的一系列實驗[29]的主要收獲之一是，將人工智能納入任務的規劃和演練階段非常重要。這樣做，士兵可以 "在如何信任人工智能方面進行搏斗"。最終，目標是讓人類作戰人員更好地了解這些自主系統在戰場上的表現，并對它們作為未來任務中的伙伴更有信心。

要怎樣才能讓人們信任技術？在使用先進系統時，一些個人或群體是否更有可能感到自信，而另一些人則更不情愿？人機團隊的部署環境如何影響信任？認知科學、神經科學、心理學、通信、社會科學以及其他研究人類對技術的態度和經驗的相關領域的見解為這些問題提供了寶貴的啟示[30]。

解決道德問題

"殺手機器人 "一直引起人們對潛在自主能力的恐懼[31]。法國國防倫理委員會在2021年批準在武器系統中引入一定程度的自主能力[32]。在法國，沒有辦法授權 "殺手機器人"。這一表述指的是LAWS（致命性自主武器系統）。這只是證實了法國幾年來在這個問題上的立場。但事情很復雜，倫理委員會認為不反對引入一定程度的自主權，因此不反對使用PAWLS（部分自主武器致命系統）。將LAWS與PAWLS區分開來的是 "性質上的差異，這與人類在某些關鍵功能中的地位有關"。致命武器系統的設計是為了演化出自己的操作規則，并自行重新定義其任務。它們不需要指揮部對情況的評估。PAWLS可以自主地被賦予某些任務的責任和執行，但只是暫時的，而且只用于識別、分類、攔截或接觸任務。道德委員會明確表示，它不能在沒有人類控制的情況下采取致命的舉措。即使在這個限制性框架內，也必須制定技術和組織保障措施，以防止任何過度行為。委員會認為，應繼續在與國防有關的人工智能和武器系統自動化領域進行研究。其目的是避免任何 "科學和技術上的放棄"，防止對手開發致命性自主武器，并在對手使用這種武器時進行防御。

自主系統不應

• 破壞指揮系統；
• 違背擁有處置武裝部隊的行動自由的憲法原則；
• 不能為遵守國際人道主義法律原則提供任何保證；
• 違背軍事道德和士兵的基本承諾，即榮譽、尊嚴、
• 控制使用武力和人道。

指南：在以人為本的國防人工智能領域建立信任

G1. 為自主軍事系統上嵌入式人工智能的操作使用案例制定并提供一個法律框架。

G2. 確保在所有情況下都有人類的監督，有人類在環形系統。

G3. 保證在發生事故時的責任追溯。這種責任必須始終由人承擔，而不是由機器承擔。

G4. 開發符合人體工程學的人機界面，允許人與機器之間的對話和理解。

G5. 開發穩健、安全、準確、可重復和可靠的算法，以及評估這些標準的方法。

G6. 為與人工智能互動的軍事人員建立培訓計劃，讓他們了解這些算法的機制、能力和局限性。

G7. 通過對算法、數據和設計過程的評估，確保責任、問責和可審計性。

G8. 制定技術評估程序，以評估對上述準則的遵守情況。

G9. 加快歐洲在人工智能技術方面的培訓工作，特別是針對學術和工業環境的DRL。

G10. 加快歐洲在整合人工智能的國防系統方面的立法工作，以保持歐洲在這一法律方面的領先地位，并確認其在這一領域的領先形象。

G11. 發展國際合作，在自主系統領域進行立法。

G12. 促進研究人員、哲學家、律師、政治家和業務人員之間關于自主系統的對話。

G13. 在有關國防人工智能的研究和應用項目中始終包括信任的概念。

G14. 對協同作戰的未來利害關系有一個明確而具體的看法，以便將人和他們的利益置于系統的中心。

本報告標志著軍備控制協會題為 "明天的軍備控制 "的項目達到了頂點。這項工作是歐洲領導力網絡項目的一部分，由德國聯邦外交部資助，名為 "解讀技術復雜性和核政策制定的方法"。本協會的工作屬于該項目的第四部分，題為 "緩解戰略和軍備控制"。

該協會的項目側重于新的或現有的軍備控制和風險減少措施，決策者可以提出并支持這些措施，以防止具有軍事用途的新技術和新興技術導致沖突或對抗進入核戰爭。該項目從2021年3月至2022年12月進行。該協會主辦了五次虛擬研討會，每次都以一種選定的技術為中心，除了最后一次，即結合無人機和致命的自主武器系統，包括12至20名參與者。與會者包括來自世界各地的前政府官員和外交官、政策專家和技術專家。

本報告執行總結

近年來，具有軍事用途的新興技術的話題在國防官員、政治領導人、外交官、政策專家和技術專家之間引起了激烈的辯論。盡管有些人認為這些技術為使用它們的人提供了明顯的、改變游戲規則的戰場優勢，但其他人認為這種評估是夸大其詞，或呼吁更多地關注其使用的風險。

本報告概述了幾種新興技術及其各自的軍事應用可能產生的破壞穩定的影響。它旨在讓決策者更好地了解如何通過一系列軍備控制和減少風險的措施來減輕風險，減少大國沖突或對抗升級到核級別的機會。

在本報告中，"新興技術 "一詞指的是廣泛的科學和技術發展，如果應用于軍事領域，可能會以不可預測和潛在的危險方式對未來的戰爭產生變革性影響。本報告重點關注六種重要的、獨特的新興軍事能力：高超音速武器系統、直接進攻性網絡作戰、進攻性反空間能力、人工智能（AI）驅動的能力、無人機和致命的自主武器系統（方框ES.1）。這些能力的選擇是基于兩個因素。首先，它們已經進入或將在大約未來10年內進入該領域。第二，各國政府和民間社會已經開始在各種論壇上開始討論這些能力的戰場效應，并為軍備控制和減少風險制定潛在的途徑。

本報告提煉了軍控協會在2021年和2022年舉辦的一系列研討會的信息和想法，每個技術領域的幾十位技術和政策專家都參與其中。它確定了四個總體主題，突出了對新技術和新興技術的軍事應用如何可能增加使用核武器風險的最大關切。

增加沖突的速度。在沖突或對抗中使用新興技術可能會在危險的程度上加快其中任何一方的步伐，使有關各方迅速向升級的階梯發展。這個主題包括兩個主要的風險：決策者選擇國家下一步行動的時間減少，以及決策者的信息過載。

不斷增加的不確定性。具有軍事用途的新技術能力可能會增加沖突或對抗中的整體不確定性，如行動的性質和對手的意圖。這些能力還可能暴露出新的弱點，造成不確定的影響，并引入以未知方式運作的新行為者。

減少人的作用。隨著人工智能系統提供的情報、監視和偵察信息及其他數據的擴大，不堪重負的政治和軍事決策者可能會責成人工智能能力收集和處理整個戰場領域的信息，評估各種行動方案，確定可能的最佳結果，甚至可能推薦一個特定的選擇并執行該反應。這種控制權的重新分配可能會導致幾乎沒有實質性的、有效的人類監督。

激勵軍備競賽。新技術和新興技術的軍備競賽可以說已經在進行中了，隨著行為者迅速追求和部署新的尖端能力，試圖保持或獲得戰略優勢，有可能在數量和質量上進一步提升。

決策者可以采取行動，在近期和長期內減輕這些風險。減少風險和軍備控制的努力應側重于在各領域和技術中以及在政府和非政府行為者之間采取多種措施，這些措施綜合起來可以建立一個有效、可行和可持續的軍備控制制度。

本報告確定了現在或未來五年內可能實現的近期風險緩解措施：危機通信系統、定義的建立、規范、單邊聲明和行動，以及建立信任措施。這些類型的措施可以幫助提高透明度和防止誤解，為世界上大多數人認可的技術建立一種共同的語言，并為使用某種能力時的負責任行為建立公認的標準。

本報告概述了在未來10年或更長時間內可以實現的長期措施：涉及一個以上國家的軍備控制和減少風險的安排（如條約、協議），比建立信任措施更正式，盡管不一定具有法律約束力。

本報告所研究的新技術和新興技術所帶來的軍事能力和應用，不僅加劇了戰略穩定和國際安全的現有風險并創造了新的風險，而且使減輕這種風險和對這些系統進行有效軍控的努力變得更加復雜。鑒于新興軍事技術的潛在不利影響，政策制定者可以而且應該考慮近期的軍備控制和降低風險措施。這些措施可以為長期措施奠定基礎，幫助建立一個未來的安全架構，這個架構可以單獨提供透明度、可預測性和穩定性，更可以將核戰爭的前景推到更遠的可能性之外。

表ES.1--六種選定的新興技術能力

新興技術	描述
高超音速武器	高超音速武器是指以至少五倍音速，或5馬赫的速度飛行的導彈或飛行器。
直接攻擊性網絡行動	進攻性網絡行動是針對敵方計算機系統的敵對活動，目的是破壞該計算機處理的信息的保密性、完整性或可用性。本報告的重點是專門針對核企業中任何地方的計算機系統的行動。
進攻性反空間能力	進攻性反空間能力是旨在欺騙、擾亂、拒絕、降低或摧毀空間系統的能力。本報告重點關注反衛星能力，包括直接上升系統和共同軌道能力。
人工智能支持的能力	人工智能是一個總括性術語，包括各種計算技術和使能技術，為計算機解決以前只能由人類處理的復雜問題讓路。本報告重點關注人工智能在軍事或戰爭中的應用。
無人機	無人機是指沒有飛行員、機組人員或乘客的飛行器，它通常是自主的，由地面站控制，或被賦予預先編程的任務。本報告的重點是空中和水下的無人機。
致命性自主武器系統	致命自主武器系統是一種在沒有人類干預的情況下選擇目標并對目標使用武力的武器系統。

在小型、受控的實驗室環境中，現有的人類自動駕駛運動規劃研究產生了寶貴的知識；然而，據我們所知，文獻中沒有長期運行的大型研究。作為傳統實驗室研究中獲得的高保真研究數據的補充，這種 "野外"方法將以以前無法達到的方式改進人類自動駕駛系統。通過使用對普通消費者來說普遍存在的技術，如智能手機和可穿戴電腦，參與這種長期的移動研究是可行的。已經有人努力將人類自動化研究環境改編為手機游戲，并開發了一個采用消費級可穿戴傳感器的被動連續數據收集平臺。像這樣的系統為設計和部署大規模的人類自動化研究提供了必要的構建模塊。

本技術報告介紹了一項正在進行的大樣本縱向研究的初步結果，其中人類參與者在與自主智能體交換控制權的同時玩動態避障游戲。參與者注冊并安裝了 "Busy Beeway"，這是實驗設置中的移動游戲部分，并佩戴了連接到 "StudentLife "應用程序的Garmin傳感器，以提供反映每個玩家生活背景的額外數據。這里提出的評估主要集中在分配不同配置的人工智能伙伴對游戲表現的結果，以發現任何出現的行為模式，并確定玩家的生物背景是否能影響他們的游戲。我們發現各種各樣的游戲模式取決于特定的玩家、分配的人工智能，有時甚至取決于玩家的生物背景的變化。這表明需要在未來的工作中找到一種方法，可以根據每個人所有這些因素的組合來預測什么樣的人工智能配置能產生最理想的結果。

美國仍然是世界上最突出的軍事和技術力量。在過去十年中，美國認識到人工智能作為力量倍增器的潛力，越來越多地將人工智能（AI）的熟練程度視為美國重要利益和保證美國軍事和經濟實力的機制。特別是，在過去十年中，人工智能已成為美國國防的一項關鍵能力，特別是考慮到2022年美國國防戰略對印度-太平洋地區的關注。

因此，美國國防部（DoD）（以及美國政府和國防機構總體上）對人工智能和相關新興技術表現出越來越大的熱情。然而，雖然美國目前在學術界和私營部門的人工智能研究和開發方面取得了巨大進展，但國防部尚未在廣泛范圍內成功地將商業人工智能的發展轉化為真正的軍事能力。

美國政府在利用國防人工智能和人工智能支持的系統方面通常處于有利地位。然而，在過去的幾年里，各種官僚主義、組織和程序上的障礙減緩了國防部在國防人工智能采用和基于技術的創新方面的進展。最關鍵的是，國防部遭受了復雜的收購過程和廣泛的數據、STEM和AI人才和培訓的短缺。從事人工智能和人工智能相關技術和項目的組織往往是孤立的，而且還存在必要的數據和其他資源相互分離。在美國防部內部存在一種傾向于可靠方法和系統的文化，有時趨向于勒德主義。所有這些因素都導致了人工智能采用的速度出奇的緩慢。美國家安全委員會2021年提交給國會的最終報告總結說，"盡管有令人興奮的實驗和一些小型的人工智能項目，但美國政府離人工智能就緒還有很長的路要走"。

因此，盡管人工智能有可能增強美國的國家安全并成為一個優勢領域，而且鑒于美國在軍事、創新和技術領導方面的長期傳統，人工智能有可能成為一個薄弱點，擴大 "美國已經進入的脆弱窗口"。 如果美國不加快創新步伐，達到負責任的速度，并奠定必要的制度基礎，以支持一支精通人工智能的軍隊，人工智能將繼續成為一個不安全點。

去年，美國防部在這些挑戰中的一些方面取得了進展，調整了國防人工智能的方法。2022年6月，美國防部發布了《負責任人工智能戰略和實施途徑》，將更有數據依據的、負責任的、可操作的人工智能工作列為優先事項，此后開始執行。最重要的是，美國防部已經啟動了對其人工智能組織結構的重大改革，創建了一個新的首席數字和人工智能辦公室（CDAO），以整合其不同的人工智能項目和利益相關者，并使其與該部門的數據流更好地協調。值得注意的是，美國國防部目前正在對其國防人工智能的整體方法進行重大變革和振興。然而，這些新的人工智能努力是否足以讓美國彌補失去的時間，還有待觀察。

自主系統將塑造戰爭的未來。因此，土耳其的國防人工智能（AI）發展主要側重于提高自主系統、傳感器和決策支持系統的能力。提高自主系統的情報收集和作戰能力，以及實現蜂群作戰，是發展國防人工智能的優先事項。雖然土耳其加強了自主系統的能力，但在可預見的未來，人類仍將是決策的關鍵。

人類參與決策過程提出了一個重要問題：如何有效確保人機互動？目前，自主系統的快速發展和部署使人機互動的問題更加惡化。正如土耳其國防工業代表所爭論的那樣，讓機器相互交談比較容易，但將人類加入其中卻非常困難，因為現有的結構并不適合有效的人機互動。此外，人們認為，人工智能對決策系統的增強將有助于人類做出更快的決定，并緩解人機互動。

土耳其發展人工智能的意圖和計劃可以從官方戰略文件以及研發焦點小組報告中找到。突出的文件包括以下內容：

• 第11個發展計劃，其中規定了土耳其的經濟發展目標和關鍵技術投資。

• 《2021-2025年國家人工智能戰略》，它為土耳其的人工智能發展制定了框架。

• 焦點技術網絡（Odak Teknoloji A??，OTA?）報告，為特定的國防技術制定了技術路線圖。這些文件提供了關于土耳其如何對待人工智能、國防人工智能和相關技術的見解。

土耳其特別關注人工智能相關技術，如機器學習、計算機視覺和自然語言處理，其應用重點是自主車輛和機器人技術。自2011年以來，自主系統，主要是無人駕駛飛行器（UAV），仍然是土耳其人工智能發展的重點。此后，這已擴大到包括所有類型的無機組人員的車輛。同時，用人工智能來增強這些車輛的能力也越來越受到重視。人工智能和相關技術的交織發展構成了土耳其人工智能生態系統的核心。

土耳其的人工智能生態系統剛剛起步，但正在成長。截至2022年10月，有254家人工智能初創企業被列入土耳其人工智能倡議（TRAI）數據庫。土耳其旨在通過各種生態系統倡議在其國防和民用產業、學術機構和政府之間創造協同效應。由于許多組織都參與其中，這些倡議導致了重復和冗余。冗余也來自于人工智能技術本身的性質。由于人工智能是一種通用技術，可以應用于不同的環境，各種公司都有用于民用和國防部門的產品；因此相同的公司參與了不同的生態系統倡議。此外，民用公司與國防公司合作，在國防人工智能研究中合作，并提供產品，這是司空見慣的。

土耳其鼓勵國際人工智能在民用領域的合作，但不鼓勵在國防領域的合作。然而，由于技能是可轉移的，國防人工智能間接地從這種合作中受益。

土耳其非常關注自主系統發展中的互操作性問題，特別是那些具有群集能力的系統。除了蜂群，北約盟國的互操作性也是一個重要問題。因此，土耳其認為北約標準在發展自主系統和基礎技術方面至關重要。

土耳其目前對人工智能采取了分布式的組織方式。每個政府機構都設立了自己的人工智能組織，職責重疊。目前，盡管國防工業局（Savunma Sanayi Ba?kanl???，SSB）還沒有建立專門的人工智能組織，但SSB的研發部管理一些人工智能項目，而SSB的無人駕駛和智能系統部管理平臺級項目。目前，根據現有信息，還不清楚這些組織結構如何實現國防創新或組織改革。

土耳其尋求增加其在人工智能方面的研發支出，旨在增加就業和發展生態系統。SSB將在未來授予更多基于人工智能的項目，并愿意購買更多的自主系統，鼓勵研發支出的上升趨勢。然而，盡管土耳其希望增加支出，但金融危機可能會阻礙目前的努力。

培訓和管理一支熟練的勞動力對于建立土耳其正在尋找的本土人工智能開發能力至關重要。這包括兩個部分。首先是培養能夠開發和生產國防人工智能的人力資源。因此，土耳其正在投資于新的大學課程、研究人員培訓、開源平臺和就業，同時支持技術競賽。第二是培訓將使用國防人工智能的軍事人員。國防人工智能也正在慢慢成為土耳其武裝部隊（Türk Silahl? Kuvvetleri，TSK）培訓活動的一部分。目前，關于土耳其打算如何培訓軍事人員使用國防人工智能的公開信息非常少。

美國海軍陸戰隊必須以最低的成本用新興技術解決材料準備的挑戰。使用機器學習的預測性維修是一個不斷增長的領域，可以使用免費或商業化的現成軟件來應用。海軍航空組織已經維護了一個數據儲存庫網絡，收集和儲存可維修的飛行關鍵部件的當前和歷史數據。許多部件在其制造商公布的預期結構壽命之前就失效了，這導致了昂貴的非計劃性維修。預測部件故障并計劃其更換或維修的能力可以大大增加操作的準備性。本論文開發并分析了機器學習模型，利用現有的海軍航空資料庫的數據來預測各種MV-22B飛行關鍵部件的故障條件概率。數據預處理、模型訓練和預測使用了現成的商業軟件。這項工作可以幫助提高材料的準備程度，并使軍事-航空人員適應決策中的新興技術。

引言

這篇論文研究了機器學習算法在改進以可靠性為中心的維修（RCM）和基于條件的維修（CBM）以提高海軍航空的飛機可靠性方面的潛力。

A.維修方面的背景

海軍陸戰隊司令說，該部隊收集和保留的許多數據沒有被新興技術充分開發（美國和Berger，2019）。國防部（DOD）的飛機平臺一直在努力實現年度戰備目標，盡管為其項目分配了大量預算（Crusher，2020）。使用新興技術的預測性維護可以利用這些大量的數據，為提高航空準備狀態提供一個具有成本效益的方法。指揮官還強調，由于可用資金有限，解決方案必須使用現有的軍事數據存儲庫。海軍航空系統司令部（NAVAIR）的數據庫--后勤分析和技術評估決策知識編程（DECKPLATE），每月上傳的記錄超過400億條，可以成為機器學習應用的一個良好來源。

雖然在解決飛機準備不足的根本原因方面正在做出重大努力，但指揮官們現在需要部分解決方案來完成他們的任務。幾年來，指揮官們采用了高拆解率（從一架飛機上拆下零件裝到另一架飛機上）以及將完全具備任務能力的飛機從部署后返回的中隊轉移到準備部署的中隊。盡管 "只有在滿足作戰目標的必要情況下才是可接受的管理選擇"（海軍部，2021年），拆解和中隊轉移已經成為常態。在2011年和2017年之間，由于缺乏現成的基本飛機（RBA），海軍陸戰隊在各中隊之間轉移了超過650架MV-22B Ospreys，以滿足飛行時間和行動要求（Eckstein，2017）。同時，需求也在增加。由于個別飛機的過度使用或使用不足，以及轉移和接受飛機所花費的額外工時，這些臨時解決方案損害了未來的準備工作。

維修行動分為計劃內和非計劃內（Susto等人，2015）。計劃內的維護是主動的，在一個部件退化或運行到故障之前完成。一個部件的定期維修頻率通常是基于供應商或原始設備制造商（OEM）公布的結構壽命限制和推薦的維修時間表。非計劃維修是在一個部件退化或失效時進行。圖1比較了海軍陸戰隊MV-22B飛機用于計劃內與非計劃內維修的維修工時（MMH）的數量。在2021年3月至2022年2月期間，計劃外維修比計劃內維修的頻率高5至6倍。這個比率表明飛機部件的嚴重不可靠，以及預測非計劃維修的困難。

圖 1. 計劃與計劃外維護工時。資料來源：NAVAIR 準備分析報告 (2022)。

定期維修是預防性的，或旨在持續檢查和維護部件，使其達到其使用壽命。對于美國海軍航空的 "型號系列"（TMS），部件的檢查和拆卸時間表公布在《檢查要求手冊》（海軍航空部隊指揮官，2021）的相關定期維修信息卡（PMIC）中。所有強制性的檢查、拆除或更換事件都包括在該手冊中，該手冊規定了定期維修計劃。間隔由供應商或工程可靠性和可維護性分析，以及RCM計劃的故障管理策略決定（國防部，2011，國防部，2020a）。由他們制作的PMIC卡規定了機群或部件的預定維修。這樣做的一個問題是，每架飛機或部件的維護間隔是相同的。這些間隔沒有考慮到一個獨特的部件或飛機的使用、服務歷史或歷史數據。

海軍航空業可以從基于需求證據的維修創新實踐中獲益，或對個別部件進行預測。近年來，RCM采用了基于狀態的維修+（CBM+）戰略來提高可靠性。CBM+戰略的一部分是使用機器學習，根據歷史證據預測一個部件何時會失效。由于海軍陸戰隊的航空屬于海軍航空的范疇，任何MV-22B RCM或CBM+活動都屬于艦隊準備中心指揮官（COMFRC）。東部艦隊戰備中心（FRC）的V22艦隊支持小組（FST）一直致力于通過許多舉措提高飛機和部件的可靠性。

其中一項舉措是利用統計模型估計MV-22B部件的故障概率。利用現有的海軍航空企業（NAE）數據庫中的歷史維修記錄，使用Weibull概率密度函數（PDF）來估計一個部件經歷特定故障模式之前的時間。圖2是一個失敗時間（TTF）的例子，顯示了MV-22B塔架轉換執行器（PCA）因密封損壞而失敗的百分比。對于PCA模型，預測機隊庫存的70%在3326個飛行小時前因密封損壞而需要拆除，而80%在3696個飛行小時前會失效。第五章討論了模型的準確性，但這種方法為利用相關故障數據改進預防性維修政策邁出了一步。

圖 2. Pylon 轉換執行器的 Weibull 模型。資料來源：FRC East V22 FST 維護優化 (2022)。

這個統計模型是根據定義的故障模式前的組件群的真實使用壽命來計算可靠性。圖3顯示了FRC East V22 FST所考慮的所有PCA故障模式的Weibull分析結果。

圖 3. 飛行小時數中預測的 PCA 故障率。資料來源：FRC East V22 FST 維護優化 (2022)。

當考慮到所有的故障模式時，一個部件的估計可靠性可以決定一個更好的計劃維修間隔。平均而言，70%的機隊庫存預測在大約3700飛行小時前需要拆除，而80%的機隊預測在大約4500飛行小時前會出現故障。項目領導層可以根據一個置信區間做出決定，以取代PMIC卡中公布的當前計劃維修間隔。這個間隔將適用于機群中的部件，并提高在評估的任何故障模式發生之前更換部件的可能性。通過真實的服務數據來改進預定維修，并且隨著數據的不斷收集，可以很容易地重新計算。

不幸的是，這種方法只提供了組件的累積故障概率。一個更好的方法是估計一個部件隨時間變化的條件性故障概率，也稱為危險率。機器學習模型，如Cox比例危險（CPH）模型和人工神經網絡（ANN）可能是有用的，因為它們最近被用于醫學研究，預測死亡率（Spooner等人，2020）。類似的工作可以使用DECKPLATE中保存的數據。

B.研究問題

本論文將重點討論以下研究問題。

主要問題。什么樣的機器學習算法能夠為飛機部件的預防性維護產生最佳的生存模型？

次要問題。DECKPLATE和其他資源庫中的哪些特征可以在預測部件存活率中得到利用？公布的PMIC要求和生存模型之間的平均故障時間（MTTF）有多大差異？對于適當的數據，Weibull等經典分布是否能很好地適應數據以估計未來的故障？

C.總結

第二章介紹了機器學習和可靠性分析的基本概念，并研究了以前使用機器學習進行預測性維護的嘗試。第三章更精確地描述了本論文所要解決的問題，以及所采用的一般方法。第四章描述了本論文所使用的方法以及其結構的合理性。第五章和第六章討論了本論文的結果和得出的結論。

美海軍部依靠目前海軍的方式，如簡報、聊天和語音報告來提供艦隊的整體作戰評估。這包括網絡領域，或戰斗空間，描繪了艦船的網絡設備和服務狀態的單一快照。然而，這些信息可能是過時的和不準確的，在決策者了解網絡領域的設備服務和可用性方面造成了混亂。我們研究了持久性增強環境（PAE）和三維可視化的能力，以支持通信和網絡操作、報告和資源管理決策。我們設計和開發了一個PAE原型，并測試了其界面的可用性。我們的研究考察了用戶對多艘艦艇上的海軍網絡戰斗空間的三維可視化理解，并評估了PAE在戰術層面上協助有效任務規劃的能力。結果是非常令人鼓舞的：參與者能夠成功地完成他們的任務。他們發現界面很容易理解和操作，原型被認為是他們目前做法的一個有價值的選擇。我們的研究提供了對新型數據表示形式的可行性和有效性的密切洞察，以及它在不同社區之間復雜的操作技術（OT）環境中支持更快和更好的態勢感知和決策能力。

引言

A.研究領域

持久性增強環境（PAE）是一個系統，它使用共享（多用戶）環境、增強現實（AR）技術和一系列傳感器的概念來創建過程和數據集的可視化表示，這些數據集被持久地（在很長一段時間內）添加、操作、可視化和分析，以支持人類操作員所做的一系列任務[1]。PAE被認為有可能給許多領域和人類任務帶來好處，包括網絡系統的可視化、網絡態勢感知和決策工作領域。

PAE的重要概念包括將實時信息傳遞給人類操作者，并以一種比傳統的信息記錄和傳遞形式更容易理解的格式。后者提高了解決整個海軍領域不同社區的許多用戶的需求的潛力，減少了錯誤的數量，并將大部分時間用于決策過程。

由于用戶數量眾多，社區各異，必須準確及時地解決收集、處理和操作大量數據的需求。此外，網絡領域的復雜性促使人們需要簡化、準確和及時的信息。與AR系統非常相似，PAE允許用戶在現實世界中處理和操縱虛擬物體，并同時看到眾多用戶之間的系統實時自動同步變化。這種虛擬和現實信息的實時無縫整合解決了網絡領域的復雜性，最終在大量用戶和不同社區之間提供了行動的準確性和及時性。

我們設計和開發了一個PAE系統原型，并分析了它如何支持海軍領域的網絡系統可視化和任務規劃操作。我們努力的主要目標是提高單用戶對水面資產上復雜網絡的理解和態勢感知，以及對設備當前網絡狀態的實時表示，從而使海軍部（DON）的任務規劃更加有效。在戰術層面上，這項研究將使我們進一步了解為支持有效的任務規劃而需要建立的技術基礎設施和流程。該系統有可能為美國防部所有部門帶來明顯的好處。

B.研究問題和動機

在美國海軍中，為了完成不同的任務，多個作戰群體依靠網絡群體來顯示網絡和通信狀態，以維持作戰畫面并提供通信。美國水面艦艇上的網絡和作戰系統的整合，在將信息和網絡狀態顯示為二維（2D）物體時，會在作戰人員中造成混亂。特別是當網絡設備發生意外變化時（即失去電力、拒絕服務、失去衛星覆蓋等），情況更是如此。設備的變化不僅影響到船上的通信，而且還影響到領導人的整體態勢感知。利用PAE系統整合三維（3D）數據和立體顯示，有可能通過實時自動顯示系統變化，大大幫助決策者了解復雜的網絡。

1. 網絡對通信至關重要（我們為什么關心）

網絡對于海軍資產之間在作戰層面的通信是至關重要的。如果沒有網絡設備，一艘水面艦艇就失去了與指揮系統（CoC）進行快速和準確溝通的能力。同樣，CoC也不能有效地將他們的信息傳達給各個水面艦艇。現在，我們可以把單艦沒有能力接收任務或發送狀態更新的想法，然后把可用的水面資產數量增加到一個多資產的航母打擊群（CSG）。這導致整個CSG中的五到六艘艦艇沒有能力與CSG指揮官就當前的任務甚至是日常行動進行溝通。即使海軍可以使用傳統的通信方式，如摩爾斯電碼和旗語信號來傳遞簡單的信息，但更復雜的信息必須以容易消化的格式來表示，以便決策者能夠了解當前的行動并迅速作出最佳決策。

通過在地面資產之間利用PAE系統，PAE系統有可能改善對復雜信息的理解，它將從紙質手冊或電子圖書館中獲取的二維信息轉化為三維可視化系統，并不斷更新三維可視化，以反映用戶的互動和該系統接收和生成的數據集的不斷更新。PAE系統也有可能訪問歷史數據，這在分析歷史趨勢或行動后報告（AAR）中可能是至關重要的。歸根結底，網絡領域值得采用新技術并尋找更好的解決方案。

2. 網絡設備狀態

為了了解單位層面的網絡設備狀態，戰略層面的決策者依賴于目前海軍傳統上使用簡報、聊天和語音報告的做法。然而，這些信息可能是過時的和不準確的，最終在需要了解網絡領域的服務和設備可用性的決策者中造成了混亂。網絡領域是一個復雜的領域，需要有效的管理和理解網絡操作，包括海軍艦隊之間的共享態勢感知（SA）。網絡設備在不斷變化，這取決于設備的狀態和水面艦艇的地理位置，這些都會影響連接性。

海軍操作員和領導傳統上使用各種格式的二維網絡拓撲圖和微軟文件來描述網絡系統的運行狀態并維護資源管理。這些二維模型最初是為了協助領導和操作員對網絡進行清晰的可視化；然而，隨著時間的推移，網絡資產的增加，從而增加了二維模型的復雜性，使得理解這些綜合系統變得更加困難。正因為如此，二維網絡圖和拓撲結構的顯示更成為理解新系統集成或系統變化的障礙。理解傳統的、印刷的二維信息（圖1）所花費的時間已經不能滿足操作人員和作戰人員的需要，也不能及時為決策者提供簡明清晰的信息。

3. 從PowerPoint幻燈片（2D信息）到增強現實（3D信息）

當代支持人類操作和決策的技術已經從過去適度的形式上有了飛速的發展。數據的表現形式現在可以采取三維信息的形式，不再是靜態的，而是動態變化的，支持用戶與相同數據集的實時互動。然而，今天大多數水面資產的重要通信包括不同級別的互聯網連接，便于分享PowerPoint簡報和接收在二維空間表示的語音或書面報告。這些傳統的通信途徑是艦艇當前作戰狀態的快照或對即將到來的任務的一系列預期；它們推動了美國海軍 "維持、訓練和裝備能夠贏得戰爭、阻止侵略和維護海洋自由的戰斗準備的海軍部隊 "的能力[3]。正如Timmerman的論文研究[4]中所認識到的，目前的二維可視化將復雜的操作技術（OT）系統顯示為網絡社區所習慣的平面信息技術（IT）圖，從而過度簡化了這些系統。另一種更優越的表示方法是在三維空間中顯示邏輯網絡元素，反映這些網絡的物理和邏輯的復雜性。通過研究數據的三維表示法，海軍可以加快關鍵的時間敏感數據的流動，這些數據原本是在二維空間，變成更容易理解的三維信息。

研究的總體目標是對PAE系統原型進行定量評估，通過可用性研究分析其如何支持海軍領域的網絡系統可視化和任務規劃操作。對復雜網絡及其相應拓撲結構的傳統理解是基于技術手冊中的藍圖的二維圖紙。這種信息的翻譯再由非主題專家（SME）通過PPT簡報（或口頭簡報）進一步稀釋，以告知高層決策者的指揮系統當前在水面資產上的通信狀態。最終，在二維信息、口頭或PowerPoint簡報和向高層決策者提供綜合信息之間會有時間損失。向決策者展示復雜系統的解決方案是通過PAE將二維信息表現為三維信息。

C. 研究問題?

本論文探討了以下問題。

• 什么是有可能為任務規劃提供更有效支持的技術框架？

• 網絡通信能力的三維可視化和PAE系統能否為網絡領域特定的任務規劃要素提供有效支持？

• PAE系統能否有效地協助戰術層面的任務規劃任務，具體到網絡通信的管理？

D. 范圍?

本論文將限于開發一個PAE系統原型，以幫助可視化用戶研究所需的網絡基礎設施。可用性研究有兩個不同的目的：檢查用戶對海軍網絡戰斗空間的三維可視化的理解，跨越多個艦艇的通信和網絡基礎設施，并評估PAE在戰術層面上有效協助任務規劃的能力。雖然海軍領域的PAE的大概念被設想為支持許多作戰任務和訓練情況[1]，并包括與作戰系統的互連性，但為本論文開發的原型系統將有足夠的功能來支持用戶研究。

E. 研究方法

本研究的研究方法包括以下步驟:

1. 進行文獻回顧。在AR、虛擬現實（VR）、SA、潛在多用戶環境、網絡可視化實踐以及應用于AR的持久性系統等領域進行文獻回顧。

2. 執行任務分析。進行任務分析，分析當前網絡操作、決策以及整個艦隊的設備和服務可用性的資源管理的做法。這包括但不限于詳細分析航母上的戰斗值班長（BWC）與巡洋艦或驅逐艦上的作戰指揮官（CRUDES）之間的報告和互動，當前的網絡可視化做法，以及PAE的有效性。我們還將對目前的報告標準和現有的SA任務和實踐進行詳細的任務分析。

3. 確定三維模型。確定一套支持虛擬環境和可用性研究所需的用戶任務的三維模型。

4. 設計和開發一個PAE原型。設計和開發一個支持可用性研究的PAE系統原型。

5. 設計和執行可用性研究。設計一個可用性研究，制定機構審查委員會（IRB）文件，對人類參與者進行研究，并檢查用戶執行所需任務的經驗。可用性研究的設計將針對網絡領域的可視化，側重于用戶更好地理解網絡設備如何與其他系統相互連接的能力，并實時描述網絡戰斗空間。此外，該設計將被定制為展示多艦情況下的決策，并衡量界面在支持任務規劃和資源管理方面的有效性。

6. 分析數據。分析研究中收集的人類性能數據，并檢查PAE原型系統的技術性能。

7. 確定建議和未來工作。收集并確定對未來可能的工作的建議。

F. 論文結構

第一章：導言。本章介紹了研究空間的最關鍵要素：領域、問題、研究問題、范圍和用于解決所有研究問題的方法。

第二章：背景和文獻回顧。本章強調了VR、AR、混合現實（MR）、持久性系統和SA的定義。文中回顧了關注AR和VR技術的研究經驗，并討論了多用戶環境、現有網絡可視化實踐和持久性系統與AR技術結合應用時帶來的潛力。

第三章：任務分析。本章分析了目前整個艦隊的網絡操作、決策以及設備和服務可用性的資源管理的做法。

第四章：系統原型。本章闡述了PAE系統的設計和開發、系統結構和模擬環境。本章還描述了訓練場景和一套支持建立可用性研究所需的虛擬環境的三維模型。

第五章。可用性研究。本章介紹了可用性研究的要素，文中還討論了從可用性研究中收集的數據集中得出的結果。

第六章：結論和未來工作。本章概述了本研究的主要內容，并對未來的工作提出了建議。

這個項目的目標是開發在具有挑戰性的多目標環境中自主分布式傳感器管理和融合所需的基礎方法。這涉及到開發能夠自動跟蹤多個目標的算法，根據從具有數據關聯不確定性和高誤報率的多個平臺收到的信息進行分類并分配資源。在研究者最近在多目標跟蹤和分布式傳感器融合方面的發展基礎上，該工作方案開發了能夠在大規模多傳感器多目標跟蹤應用中基于信息理論標準實現自主傳感器分配的方法。這是通過重新評估信息理論中的關鍵工具來實現的，這些工具適用于基于點過程理論的多目標監視的挑戰，該理論旨在適應單個目標的狀態和目標數量的不確定性。所開發的信息理論方法被應用于多傳感器問題，使人們能夠決定如何分配傳感器資源，以及完善對場景的認識。所開發的工具將有助于減少監測單一傳感器饋電的勞動密集型負擔，并能做出適應性決定，以優化多模式網絡的運行，并增強對監測區域的整體認識。對多目標跟蹤情景的信息理論表述的關注，將使人們能夠驗證傳感器饋電是否能夠可靠地融合，以避免數據損壞的可能性。該項目在智能傳感方面提供了關鍵的先進技術，以實現動態環境中的連續和適應性監視。這些將是可擴展的，可用于從多個分布式傳感器對許多目標進行大規模跟蹤。

該項目的總體目標是研究和開發基于信息理論原則的分布式多傳感器多目標系統的自主傳感器控制的新策略：

• 為大規模系統的多目標跟蹤開發可擴展的解決方案。

• 開發基于信息論原理的多傳感器融合的分布式解決方案。

• 確定多傳感器多目標跟蹤系統可以交換多少信息。

該項目為多傳感器多目標跟蹤開發了基本的解決方案：

• 對許多目標進行大規模跟蹤。問題的規模越來越大，因此解決方案需要可擴展，跟蹤許多目標需要減輕組合復雜性的算法。多目標跟蹤的低復雜度解決方案將被開發出來，并在復雜環境中進行測試。開發了一種用于穩健地跟蹤大量目標的方法，該方法在目標數量和測量數量上是可擴展的，這使得數百萬目標可以被跟蹤。

• 確定多傳感器多目標跟蹤系統的信息含量。在具有高密度信息的傳感器網絡中，帶寬可能是多傳感器多目標跟蹤的一個制約因素。這個項目得出了確定用于多目標跟蹤的傳感器網絡的信息含量的結果。預計這將有助于評估傳感網絡的效率和有效性，并與發送數據的數量和頻率相平衡。

• 來自多個傳感器的數據的分布式整合。操作員需要根據來自多個跟蹤系統的信息做出決定，以提高整體的態勢感知。為多傳感器集成開發了一種分布式多傳感器多目標跟蹤的新方法，該方法可減輕來自不準確或誤導性數據源的損壞。

• 對多目標監視應用中的威脅進行評估。對許多物體的大規模跟蹤能夠識別直接威脅。然而，有些威脅可能比其他威脅更有針對性。開發了一種新的對抗性風險的表述，為操作人員提供態勢感知，以幫助確定傳感資產的優先次序。

• 目標跟蹤估計器的性能界限。費舍爾信息的倒數，即克拉默-拉奧約束，為參數的估計器提供了一個約束，是統計分析的基礎。它為一個參數提供了一個可實現的最小方差或協方差。根據量子場理論的數學概念，為點過程推導出克拉默-拉奧約束，將這一概念推廣到具有空間變量的變量。

在聯合全域指揮與控制（C2）傳感器網絡和美海軍的 "超配項目"中，無人系統（UxS）是一種共享能力，它擴展了軍事力量的范圍和能力，以加強在有爭議空間的戰術。這增加了對可互操作的網絡框架的研究，以安全和有效地控制分布式無人系統部隊。迄今為止，陳舊的技術、分離和專有的商業慣例限制或掩蓋了對新興產業技術的追求，這些技術提供了當今現代化部隊所需的安全功能，留下了更多的問題而不是事實。此外，UxS的功率和處理限制以及受限的操作環境禁止使用現有的現代通信協議。然而，消息層安全（MLS）的發展，一種安全和高效的團體通信協議，可能是UxS團隊的理想選擇。這篇論文記錄了從一項定性研究中收集到的結果，發現MLS是UxS小組安全和效率的最佳選擇。它還記錄了MLS與ScanEagle無人機（UAV）和海軍信息戰太平洋CASSMIR無人水面艇（USV）的整合。該實施方案提供了一個作戰概念，以證明使用MLS在多域特設網絡配置中為無人機和USV之間提供安全和高效的C2和數據交換。所進行的實驗是在一個虛擬環境和物理UxS中進行的。

引言

對聯合全域指揮與控制（JADC2）架構至關重要的是多樣化的無人系統（UxS）和傳感器。這些不同的設備將使以人機協作為中心的未來海上力量相互連接。

例如，考慮一個聯合全域用例，即無人系統提供針對近距離對手的能力。UxS的指揮和控制（C2）依賴于通信鏈路--其安全性和設計決定了在對手攻擊的情況下的速度、互操作性和傷害能力。相反，在相同的C2通信鏈路中的不足或使用傳統的架構會轉化為戰術和戰略上的劣勢，有可能將傳統的作戰部隊置于危險境地。我們的研究旨在確定和實施一個可行的C2鏈路安全方案，該方案有可能為分布式多域環境中的UxS提供一個安全、可擴展和可互操作的解決方案。

目前，美國防部（DOD）和美海軍部（DON）正在取得重大進展，以利用整個企業的獨特任務和機會[1]。這些新的可能性包括增加對無人系統和傳感器的使用，使之超越目前的使用案例平臺。在實現無人平臺和系統的數據共享時，網絡安全必須被視為眾多核心技術中的重中之重。這些努力必須考慮確保關鍵的推動因素，如網絡、基礎設施和C2，以及強大的安全協議和認證方法。這些考慮將變得至關重要，因為JADC2企業試圖從分離轉向更統一的數據環境，在對手已經開發出高度復雜的反介入和區域拒止（A2/AD）能力的情況下，所有的人都可以訪問[2] 。

在今天的現代戰爭中，作為分布式力量倍增器的UxS將取決于安全和高效的C2。隨著UxS發展的成熟，對互操作性的需求將增加。這項研究分析了當前和新興的安全協議，并將其與JADC2和 "超配項目"的要求相匹配，以評估和確定支持這些要求的最佳屬性和協議。然后，這項工作根據所需的安全排列選擇消息層安全（MLS）協議，以便在UxS平臺上實現可行性，特別是記錄程序ScanEagle無人駕駛飛行器（UAV）。

近鄰的對手繼續追求A2/AD能力，以擊敗傳統的美國軍事力量。假設UxS的網絡和物理安全屬性沒有得到解決或設計得不好。那么其他的核心技術，如定位、導航和定時、可靠性、互操作性、通信以及平臺的感知和決定能力都會退化或受到損害。從目前孤立和陳舊的認證過程遷移到一個有效的集成開發、安全和操作環境，對于成功地將用戶體驗平臺和傳感器納入JADC2環境是至關重要的。這種遷移也受到了挑戰，因為需要從傳統的技術和開發框架迅速發展到快速出現的技術，這些技術更有能力在近距離威脅的進展中保持相關性[3]。解決這一挑戰將需要將技術障礙與文化、財政、程序和政治上的孤島融合起來[4]。一旦美國防部解決了這一挑戰，它將有能力實現無縫整合、同步和安全，這對無人機成為多領域作戰的力量倍增器是必要的。

1.1 問題陳述

在一個技術競爭迅速的時代，JADC2基礎設施依賴于20世紀90年代構思的技術（如IPSec[互聯網協議安全]和TLS[傳輸層安全]），同時被限制在美國家安全局（NSA）制定的通用協議和標準下進行安全通信[5]。這些網絡安全協議是點對點的，每增加一個新的網絡設備，都需要與每一個現有的網絡設備建立單獨的信道，這就是指令概述。盡管在成立之初是最前沿的，但值得注意的是，幾十年后的今天，我們仍然依賴這種點對點的安全連接，在動態自治設備網狀網絡之上強行建立一個高延遲和過時的安全覆蓋層。整合改進不僅需要評估適當的現代替代方案，還需要一個能夠及時有效地用新興的行業解決方案解決UXS安全挑戰的操作授權（ATO）程序。

為了解決這些問題，我們提出了以下研究問題：

• JADC2和Overmatch項目的C2協議安全要求是什么？

• 根據在JADC2相關領域工作的國防部主題專家，現代C2安全協議需要哪些功能來滿足JADC2環境的需要？

• 哪種安全協議能最好地滿足所有這些需求，以及UxS C2鏈接的使用可行性是什么？

1.2 范圍

這項研究支持整個美國防部和美海軍部關于當前規范的討論，不充分的網絡安全做法和認證程序決不能阻礙無人駕駛系統的通信安全的未來狀態。這些方法必須不斷發展，以充分解決我們的傳感器和無人駕駛資產在高度技術性的同行競爭威脅中對速度和安全的日益增長的需求。

這項研究支持整個美國防部和美海軍部關于當前規范的討論，不充分的網絡安全做法和認證程序不得阻礙未來的無人機通信安全狀態。這些方法必須不斷發展，以充分解決我們的傳感器和無人駕駛資產在高度技術性的同行對手威脅中對速度和安全的日益增長的需求。

基于研究結果，一個選定的協議在受控的實驗室環境中被實施、測試并進行虛擬基準測試。在成功完成受控的虛擬測試后，虛擬實施過渡到在NPS自主飛行器研究中心（CAVR）ScanEagle無人駕駛飛行器（UAV）和海軍信息戰中心-太平洋（NIWC-PAC）合作自主系統對峙海上檢查和響應（CASSMIR）無人地面飛行器（USV）上的實際應用。

在本論文中，無人系統和無人車之間沒有任何區別，不分領域，即空中和水面；都被稱為UxS。

然而，在實驗過程中，測試將發生在無人機和USV上。這項研究的目的是解決對不依賴平臺的C2鏈路安全協議解決方案的需求。

通過混合方法（定性和定量）的研究工作，實現以下主要目標是本論文的貢獻：

• 進行定性研究，確定JADC2和Overmatch項目的UxS安全協議需求。

• 將定性研究結果與對當前軍事和工業安全協議選項的評估結合起來。

• 為多域作戰（MDO）UxS用例選擇一個可行的安全協議選項。

• 在最佳網絡條件下實施和評估選定的安全協議，用于UxS模擬。

• 在ScanEagle和CASSMIR上實施和評估所選擇的安全協議。

1.3 相關研究

UxS的研究空間是巨大和不斷發展的。正如本節所討論的，UxS安全的主題已經在各個研究領域得到了研究和記錄。然而，將不同的協議與軍事要求進行比較，以制定C2協議標準，提高安全性、效率和互操作性的研究有限。盡管如此，選定的先前研究提供了與我們的研究有關或支持我們研究的見解。

來自俄勒岡大學、南佛羅里達大學、海軍研究生院和凱斯西儲大學的研究人員，專注于建立基于性能和安全之間平衡的最有效的密碼文本算法或密碼框架[6]-[8]。這些論文解釋說，我們目前最常用的密碼套件對于小型UxS來說，計算量和功率都太大，例如Craziefile 2.0，它使用ARM Cortex M-4架構，工作頻率為168 MHz。其他研究則是研究用于開發UxS的軟件的安全基元，如機器人操作系統（ROS），并解釋了安全漏洞和緩解措施，以實現無人系統的安全、可靠部署[9]。最后一項研究揭示了這些基礎技術的脆弱性和保護它們的必要性。

從相關的研究來看，重點是尋找最佳的拓撲結構、路由協議或數據信息傳遞，以支持越來越多的無人駕駛系統和傳感器一起工作和運行[10], [11]。這些工作大多旨在通過將傳輸的開銷成本降到最低，找到維持C2的最有效方法[10], [11]。其他的UxS研究課題側重于網絡安全的最佳實踐，強調在無人系統中發現的漏洞到可能的新攻擊載體和可能的緩解技術之間的范圍[12]。

有過多的指導和研究概述了要求和解決方案；然而，沒有一個真正量化了國防部和海軍內部無人系統平臺和傳感器的C2鏈接安全的重要性。更少的指導和研究將協議和算法與這種需求相匹配。相關研究表明，這些觀點并沒有直接涵蓋選擇和使用標準化協議的整體性，以提高UxS C2鏈路安全、效率和互操作性。這些方法考慮了密碼器的內部性能、ROS軟件的安全服務和能力、UxS的脆弱性和整體網絡性能。本論文旨在研究一個標準化安全協議的實施，該協議可以作為應用層的安全軟件，與設備和互聯網協議網絡無關。

有大量的指導和研究概述了UxS的安全需求；然而，沒有一個真正量化了這些軍事用途的安全需求。從美國防部和海軍部的UxS平臺和傳感器的C2鏈路安全的重要性的現實世界經驗。

1.4 論文組織

本論文的其余部分組織如下。

第2章概述了JADC2和Project Overmatch倡議，以了解這些倡議的安全協議要求。本章還討論了美國國家標準與技術研究所（NIST）和美國國家安全局在加密協議的標準化和選擇方面發揮的作用。它回顧了安全通信協議的工業和軍事安全方法、相關性能以及通過使用專有和基于標準的安全協議解決的安全問題。

第3章提供了一個定性研究，包括面向網絡安全的訪談問題。研究的對象是在安全、自主設備和傳感器網絡、獲取或重疊方面有經驗的軍事、民事和承包商人員。從訪談中收集到的數據為國防部和國防部深入了解UxS的通信安全現狀以及相關的網絡安全和認證程序提供了更深的理解。

第4章根據第3章和第2章的結果進行交叉分析，提供了協議的比較和選擇。它討論了專有的和標準化的安全協議，這些協議是第2章中討論的網絡和倡議的關鍵網絡安全組成部分。它還將美國防部和美海軍部的UxS安全要求與定性研究的結果以及所討論的當前和新興的安全協議相匹配，以選擇UxS平臺的C2所需的最有能力的安全協議。

第5章概述了MLS在MDO UxS情況下的方法和實施。它描述了MLS和ROS的結構。它概述了協議功能概述，代碼開發階段，以及為支持實施而創建的核心功能。它還涵蓋了用于創建MLS指揮和控制（C2）應用程序（MLS C2）與ROS接口的分步方法概述。

第6章討論了在5中開發的各種MLS應用程序的實驗，并分析了其對研究用例的影響。這一章包括對測試過程的描述和對結果的描述。

第7章提供了一個結論，涵蓋了本論文研究的意義，對研究進行了總結，并推薦了繼續工作和替代方法的選項。

時空數據挖掘的目的是在大的空間和時空數據中發現有趣的、有用的但非平凡的模式。應用于公共安全、生態學、流行病學、地球科學等領域。這個問題是具有挑戰性的，因為虛假模式的高社會成本和過高的計算成本。近年來的時空數據挖掘研究因其快速增長而需要更新。此外，他們沒有充分研究時空數據挖掘的并行技術。本文介紹了時空數據挖掘方法的最新進展。其次，對時空數據挖掘的并行計算方法進行了詳細的綜述; 時空數據挖掘是在大規模的時空數據中發現新的、非平凡的但潛在有用的模式的過程。時空(ST)數據包括地理參考的氣候變量、流行病爆發、犯罪事件、社交媒體、交通、交通動態等。由于其跨學科性質，分析和挖掘這些數據對于推進許多科學問題和現實世界應用的最先進技術是非常重要的。因此ST數據在公共安全、生態學、流行病學等多個領域的應用尤為突出。

圖1展示了時空數據挖掘的整體過程。輸入數據經過預處理去除噪聲、誤差等后進行時空分析，了解其時空分布。采用合適的時空數據挖掘算法產生輸出模式，然后由領域專家進行研究和驗證，發現新的見解，并相應地改進數據挖掘算法。

圖2顯示了時空(ST)模式的一個示例。該圖描述了一個城市犯罪數據集輸出的級聯時空模式[45]，涉及幾種事件類型(酒吧倒閉、醉駕、襲擊)。圖2(a) -2 (c)顯示了每個事件類型的實例及其時間和位置，圖2(e)顯示了相同的事件實例。檢測到的ST模式提出了一個有趣的假設，即酒吧在關閉時是附近地區醉酒駕駛和攻擊犯罪的潛在發生期。這些信息可以幫助執法機構、公共安全組織和決策者確定適當的減輕犯罪行動。

通過算法挖掘時空數據帶來了獨特的計算挑戰。例如，由于數據量大，由于數據的多樣性，用戶可能會經歷不可接受的運行時間或花費大量的精力進行預處理。除了數量和種類，相對于吸收容量的高數據速度是另一個計算挑戰，用戶經常體驗到數據丟失。例如，數百萬條推文的實時處理涉及到對某些信息的實時預處理和挖掘。COVID 19安全數據[1]通過全國各地的附近信息(如poi、企業類別)每分鐘記錄人類流動情況。這涉及到信息的實時更新，例如對不同POI的訪問數量，導致大量的數據量(tb)，這是不可能在本地機器上存儲和處理的。此外，US Census[2]包括保存在不同表和模式中的數百萬條記錄，跨越TB級的數據空間.

查詢這樣的數據可能非常耗時，而且在科學或地理計算平臺上，進一步應用算法在大規模計算時的性能通常很差。這樣的計算需要一個可擴展和可靠的軟件生態系統來解決廣泛的研究問題，并有效地幫助社會的決策者。因此，重要的是要讓廣大的科學家和用戶了解高性能、可擴展和開源的軟件工具，這些工具可以通過并行計算促進時空數據分析，從而顯著推進領域研究。然而，這些工作在最近的空間和時空數據挖掘研究中卻很少受到重視。

在這里，我們提供了一個全面的時空數據挖掘技術，并簡要描述了它們的統計基礎和主要輸出模式家族(例如，異常值，預測，熱點等)。我們還提供了在順序處理和并行處理環境中被廣泛研究的最近方法的最新文獻。與Shekhar等人[62]類似，本次調研首先回顧了以往的綜述，然后陳述了我們對本次綜述的貢獻(第2節)。第3節提供了與空間和時空數據相關的關鍵術語，描述了它們的統計基礎，并簡要陳述了時空數據挖掘中并行處理的社會重要性。第4節描述了六個主要的輸出模式家族(即時空異常值、遙耦、預測、劃分和總結、熱點和變化檢測)以及它們各自在順序和并行框架下的檢測方法。第5節將討論一些當前的研究工具，包括最先進的并行工具、框架和庫，它們正在許多應用程序中使用。第六部分總結了本章的研究現狀和未來的研究方向。