該項目支持美國陸軍戰爭學院保持一個公認的領導者，并在與美國陸軍和全球陸軍應用有關的戰略問題上創造寶貴的思想。該項目于2018年由美國陸軍訓練與理論司令部總部要求，描述一個新的或修改過的作戰框架，以使陸軍部隊和聯合部隊在多域作戰（MDO）中對同行競爭者成功實現可視化和任務指揮。

由此主要形成一個在2019學年進行的學生綜合研究項目，該項目涉及4名美國陸軍戰爭學院學生和4名教員，由John A. Bonin博士領導。該項目研究了MDO的概念，即它如何影響任務指揮的理念和指揮與控制職能的執行。向MDO的過渡改變了陸軍指揮官和參謀人員在競爭連續體中進行物理環境作戰和信息環境作戰的傳統觀點。

該項目以第一次世界大戰期間美國陸軍引進飛機為案例，研究將新領域納入軍隊的挑戰。該項目還提供了對MDO的概述和分析，以及它正在改變我們的戰斗方式以及軍隊的角色和責任。這些變化將使聯合部隊能夠更有效地進行連續作戰，特別是在武裝沖突之下的競爭中。

向MDO的過渡將需要新的流程，該項目調查了多領域同步周期如何能帶來好處。物質系統、聯合專業軍事教育、聯合和陸軍理論以及總部人員結構將需要改變，因為領導人及其工作人員將需要不同的技能來在這個新環境中運作。

報告總結

陸軍新興的多域作戰（MDO）概念對最近修訂的陸軍任務指揮理論提出了新的挑戰。美國已經有75年沒有與同行競爭者作戰了；因此，個別軍種在概念上側重于打自己的對稱領域戰爭，而較少注意在其他領域支持其他軍種。隨著技術的變化和國防預算的縮減，各軍種正在迅速失去通過純粹的存在和數量來控制其領域的能力和實力。因此，各軍種需要從不同領域獲得不對稱的優勢，以便在其領域作戰中取得成功。

陸軍的指揮和控制方法是任務指揮。這種方法要求指揮官有能力理解、可視化、溝通和評估關鍵決策、風險以及關鍵情報和信息要求。多域作戰的任務指揮將要求指揮官在多個領域以及指揮梯隊之間和內部保持單領域的卓越和知識。同樣重要的是，指揮官必須創造、確保并維持對其自身決策過程的共同認識。風險分析和關鍵的情報和信息需求過程是必要的，以確保指揮官能夠設定條件，賦予下屬領導權力，并在多個領域的范圍內影響分布式行動。因此，為了滿足這些新的要求，需要有新的框架來理解和調整多領域的指揮關系和人員結構。

這些新的框架將需要一個多領域的同步化進程，為指揮官提供一個確定新需求并為其提供資源的方法。與使用軍事決策程序或聯合規劃程序的傳統作戰程序不同，這兩種程序都側重于單一領域的規劃，而多領域同步程序則是在整個規劃和執行周期中，從指揮官和參謀部之間的持續合作中演變而來，跨越所有領域和環境。這種演變創造了對關鍵決策、相關風險以及指揮官認為至關重要的關鍵情報和信息要求的共同理解。

這項研究支持美國陸軍戰爭學院繼續保持在創造與陸軍和全球陸軍應用相關戰略問題寶貴思想方面的公認領導地位。該研究考察了MDO概念的應用，即它如何影響任務指揮的理念以及指揮和控制功能的執行。第一次世界大戰期間飛機的引入提供了一個與當前情況相似的背景，因為1918年的陸軍在如何為大規模的地面行動提供最佳的指揮和控制，以對抗同行的對手，以及如何整合空中對陸地的支持。當陸軍試圖了解如何在多個領域進行整合時，從約翰-J-潘興將軍對飛機的整合中得到的啟示可以說明問題。威廉-米切爾在戰時和戰后的角色說明了我們在試圖執行MDO時可能面臨的一些挑戰，例如在未來大規模地面作戰行動中保衛網絡和空間領域。

對MDO的概述和分析將提供陸軍對該概念的定義，并描述陸軍在競爭連續體中的作用。MDO概念將需要新的組織和人員框架來在沖突連續體的所有方面實施MDO。陸軍不能保持一個靜態的組織；陸軍必須既能在陸地領域贏得武裝戰斗，又能幫助塑造競爭以防止未來的沖突。

武裝沖突以下的行動歷來都是聯合部隊和陸軍的斗爭。陸軍在戰斗中指揮和控制的任務指揮方法將不足以組織在武裝沖突以下對對手的日常競爭。陸軍在競爭期間為聯合部隊執行重要的任務，特別是在信息環境中，這些任務在MDO下將會擴大。

目前的作戰流程專注于單一領域，對于支持特定領域以外的功能適用性有限。我們必須有新的流程，允許所有領域的資產同步，以優化我們的效率，同時將這些資產的風險降到最低。盡管適用于所有級別的指揮部，但擬議的流程主要集中在高級行動和戰略層面所需的規劃和數據收集。

從單一領域到多領域的重點變化，使得聯合部隊和陸軍的理論必須進行修訂和更新。聯合專業軍事教育課程和聯合學說將需要進行調整，以教導下一代領導人如何跨域整合。僅僅了解其他部門是不夠的；指揮官和參謀人員需要了解其他領域的能力如何支持他們的工作，以及他們在支持其他領域方面的要求是什么。長期以來，聯合部隊只是名義上的聯合，每個領域都在為贏得自己的戰斗而戰斗。MDO概念使聯合部隊能夠優化其有限的資源，既能應對危機，又能在最好的情況下防止競爭中的危機發生。

表3-1. 陸戰、空戰、海戰和信息戰的特點

圖3-3. 陸軍的指揮與控制方法。ADP 6-0

圖3-4. 多域作戰框架

圖3-5. 信息環境框架下的多域作戰

引言

未來同等力量競爭者之間的軍事行動將以多域作戰（MDO）方法為特征，其特點是空中、海上、陸地、網絡空間和太空的綜合和并行使用。在整個軍事行動范圍內，從低節奏的維和任務和安全部隊援助到高強度、高節奏的作戰行動，軍方將利用所有的作戰領域，特別是太空領域。隨著作戰速度和節奏的加快，太空領域對于現代軍事活動變得至關重要，并使得指揮控制 (C2) 和戰術層面的決策時間周期縮短。

此外，鑒于民間社會行動者對公共領域開源信息的訪問加速和擴大，目前的軍事活動受到了更嚴格的審查。這樣做的一個后果是更加需要更快速更準確的情報來為軍事行動中的決策提供信息。不斷擴大來源和信息已成為決策的方式和手段，空間在軍事規劃和行動的演變中占據中心地位，而這一演變涉及到軍事人員要經常執行的一系列任務。

太空領域是當今確保持續的跨境情報和態勢感知并促進重要通信的唯一途徑。這一現實需要更加關注空間資產的安全性和未來空間應用的能力規劃。就目前而言，太空領域仍然沒有得到足夠的全球戰略關注。然而，軍方對太空的利用不僅會在未來幾年保留在國防組織和軍事能力規劃者的議程上，而且會變得越來越重要。

地球、太空的地緣政治和不斷擴大的威脅范圍

可以說，早在二戰期間，當德國向英國發射帶有彈道軌道的 V2 火箭時，就在戰爭中見證了太空的使用。在更近的時代，空間領域發揮關鍵作用的第一次軍事行動發生在1991年的第一次海灣戰爭期間。如果沒有使用由衛星支持的全球定位系統，為武器提供精確的導航和目標，并對沖突地區進行天基觀測以了解情況，美國及其聯盟伙伴可能不會在沙漠風暴行動中取得同樣的結果。

自第一次海灣戰爭結束以來，西方軍隊逐漸擴大其在太空領域的使用和嘗試，以此作為引入作戰優勢的一種方式。然而，這種對太空領域日益增長的依賴也為軍事行動創造并擴大了新類型的弱點，而對手越來越有能力利用這些弱點。在這種新出現的背景下，軍隊開始重新關注他們對空間的使用，以規劃和發展與新威脅和戰略弱點相關的空間能力，這一點至關重要。

這是一個需要應對的挑戰，因為很少有人會懷疑大國競爭又回到了全球舞臺上。隨著全球動態的變化，美國一直在重新平衡其全球態勢，將重心轉向亞洲。美國對中東的能源依賴度下降，也引發了關于其長期區域作用的討論。對歐洲來說，未來來自其東部和南部邊界的任何動蕩和不穩定都可能導致難民和流離失所者帶來前所未有的挑戰。在管理這種風險的安全影響方面，歐洲軍隊很可能面臨一個新的現實，即不能把對美國空間資產的依賴或可用性視為理所當然。

太空戰保障(SOA)

與此同時，歐洲自身對戰略自主和主權的決心可能會增強，并延伸到其未來的太空戰略。地緣政治因素和較低的進入壁壘可能會繼續引入新的參與者，追求空間的戰略和戰術使用，開發作戰衛星和地面基礎設施。雖然太空不能分為民用和軍用太空，但“軍事太空”領域將以美國、俄羅斯和中國的傳統大國為特色，但也會看到歐盟（EU）、印度、阿聯酋等其他國家加入。

隨著太空參與者數量的增加，使用和依賴太空進行軍事行動的風險正在迅速增加。空間擁堵是太空中的一個嚴重威脅，尤其是在低地球軌道（LEO）——在地球上空跨越 400-1500 公里的高度——衛星有被摧毀的風險。 LEO 不僅面臨軍事用戶飽和，而且越來越多的商業運營商生產和發射大量小型衛星，以服務于快速發展的商業航天工業。

日益增長的空間擁堵風險是真實存在的——自從2009年2月銥-33與Kosmos 2251的碰撞被廣泛研究以來，在2021年3月，云海1-02與1996年9月發射的俄羅斯天頂2號火箭的碎片的碰撞，加強了衛星作戰的風險。這些最近的碰撞很可能是意外，但最近觀察到衛星對其他衛星的近距離機動，這種近距離接觸可能是攻擊性意圖的結果，旨在使衛星不可靠、不值得信賴甚至完全無法使用。

通過光通信、密碼學、跳頻或精確無線電傳輸來保護數據和信息流將需要作為一個至關重要的能力設計參數。

最近觀察到的近距離接觸和行動似乎沒有造成任何明顯的損害，但這些事件已引發太空軍事行動者重新考慮他們的姿態并考慮加強對其資產的保護機制——包括可能通過武器化。 2019 年 12 月，北約明確承認太空是軍事作戰領域。眾所周知，反衛星（ASAT）武器已被廣泛試驗，并可能更容易被開發，作為將威懾和拒絕的邏輯引入空間領域的一種方式，以對付可能尋求利用傳統空間系統漏洞的對手。

這種軌跡會產生重大影響，因為這種發展會在最低水平上產生意想不到的后果和次要影響，僅僅是通過空間碎片散布到大片空間的風險。太空中的對手還將尋求瞄準衛星與支持地面基礎設施或指揮中心之間的關鍵通信中繼。技術欠發達的對手可以攻擊或破壞支持太空作戰的地面基礎設施，例如通過簡單地拒絕物理訪問、切斷電源線甚至物理攻擊和破壞。

太空中不斷擴大的威脅范圍并非包羅萬象——目前，這些威脅主要與 LEO 中的太空資產有關。在這里，軍事規劃人員可以提供一系列針對 LEO 環境的防御性反應——例如，強化支持和啟用地面基礎設施、地對空（反之亦然）通信渠道以及天基資產本身。此外，軍事規劃人員將需要創造新的方法和手段來提高太空態勢感知、太空交通管理、太空機動性、響應能力和有效載荷適應性，以及至關重要的國際合作和成就，以建立基于規則的太空秩序。

地面、通信和衛星強化

對手瞄準支持軍事作戰的太空能力的最簡單方法是專注于地面支持和使能基礎設施。幸運的是，這些太空能力要素是最容易防御的，必要時可以維修或更換。雖然這在減少軍事太空作戰的弱點方面可能最初看起來不太復雜且成本較低，但重要的是不要讓未來太空力量和能力規劃的這一要素脫離戰略設計和規劃過程。

GEO, MEO和LEO衛星

太空中不斷擴大的威脅范圍并非包羅萬象——目前，這些威脅主要與 LEO 中的太空資產有關。

隨著信息空間遇到太空，引入了雙重漏洞，特別是對于軍事通信。地面和天基資產之間的指揮與控制 (C2) 和信息通道對欺騙、干擾、阻塞和其他形式的干預高度敏感。通過光通信、密碼學、跳頻或精確無線電傳輸來保護數據和信息流將需要作為重要的能力設計參數。

衛星本身也越來越有可能成為攻擊性機動和作戰的對象，從而使其變得不那么有用甚至無用。太空中的軍事行動者必須開始考慮并解決如何保護天基資產免受物理攻擊、暴露于高能輻射、電磁篡改和一系列來自地球的新威脅。需要開發和實施用于檢測篡改和增強防御和適當對策的特殊防護層、傳感器。

改善空間態勢感知 (SSA)、空間交通管理和機動性

SSA為空間領域提供了精確的實時圖像，并使洞察意外或不尋常的事件成為可能。有了SSA，衛星運營商可以更好地監測和控制其資產接近潛在威脅和碰撞風險，特別是適用于低軌道空間碎片導航。必要的傳感器配置和數據處理技術將能夠對可能的衛星安全入侵提供早期預警。在新出現的情況下，由于準確的歸因成為可能，進攻性演習和行動的可否認性將不再是問題，從邏輯上講，可以實施更有力的威懾模式。

通過更準確地了解空間和鄰近度計算，可以更及時地確定要考慮和采取的適當行動，并有效地開發空間交通管理系統。改進的 SSA 將導致減少衛星安全風險，反過來這將減少規避機動的傾向，同時提供更安全的方式來實現和保持太空中的安全導航和機動性。通過啟用空間交通管理，將增強天基系統的安全性，延長衛星壽命，并支持更好地規劃更換、升級和新插入。

改進的SSA將導致減少衛星的安全泡，因為它是構成的，反過來，這將減少規避機動的傾向，同時提供更安全的方式來實現和保持空間的安全導航和流動性。通過實現空間交通管理，天基系統的安全性將得到加強，延長衛星的壽命，并支持更好地規劃替換、升級。

增強衛星的機動性是增強其防護能力和生存能力的一項勢在必行的防御措施。機動性的好處同樣適用于地面單元，機動性加強了保護，但需要解決一系列更復雜的挑戰，如燃料、駐扎時間和戰術、技術和程序（TTP）。

設計、響應能力和有效載荷適應性

如果由于對手的進攻行動或自然環境甚至意外而丟失??衛星，關鍵是要在盡可能短的時間內用同類或改進的系統取代任何失去的能力。事實上，衛星的未來在于微型或納米衛星，與傳統空間系統相比，這些衛星的建造和發射成本更低。當出現對新功能和要求的需求時，新的空間技術將創造新的方式來以更具響應性的方式提供這些功能。設計、制造、測試、程序和發射方面的響應能力需要成為空間能力規劃的關鍵標準，并且需要與工業和知識合作伙伴密切和持續的合作來支持。

在新衛星和空間系統的設計中，可能需要擴展新應用的開發，以便更快、更經濟地建造和發射衛星。通過開發計劃實施新的和不斷發展的需求是不合理的，軍隊必須更好地推動這些需求走向未來的迭代。對空間開發計劃的不斷變化和修改會增加巨大的成本和時間延遲。相反，重點必須放在使衛星更加模塊化或適應性更強，以便可以在不增加成本或復雜性的情況下修改其功能。如果將高度模塊化和適應性構建到當前正在開發的這一代衛星中，它們的可用性和壽命將大大提高。

地緣政治因素和較低的進入壁壘可能會繼續引入新的參與者，追求空間的戰略和戰術使用，運營衛星和開發基于地面的使能基礎設施。

國際合作和基于規則的太空秩序

對于較小規模的軍隊，特別是在共同安全保護下合作的軍隊，通過職責和能力分工來分擔負擔具有戰略意義。資產和能力的集中和共享使用將是發展太空能力的一個關鍵特征，這將依賴于國際合作的成果。在缺乏行為規則的情況下，有關空間利用的國際合作還需要解決目前存在于空間中的任何行為者的廣泛自由。到目前為止，擁有先進太空能力的國家數量有限，似乎一直不愿在彼此之間建立更具體的框架和制定長期規則，以避免妨礙未來的戰略可能性。然而，隨著低地球軌道越來越擁擠，太空中新的軍事行動者的出現以及它作為一個有爭議的作戰領域的演變，在沒有最低限度的規則和可接受的風險的情況下，不應再進入和利用太空。

結論

日益擴大的威脅范圍——本質上越來越多地跨域——以及鑒于產生或可用的數據大量增加而需要加速軍事決策，這加劇了作戰人員未來面臨的挑戰。混合戰爭和軍事競爭將需要能夠為軍事規劃者和作戰人員提供預警、卓越的態勢感知和迅速決策的系統。在保證完整性的情況下快速訪問信息對于戰略成功至關重要。在所有這些戰略要務中，太空領域將發揮至關重要的作用。

進入太空領域本身就有足夠的挑戰，但在太空軍事用途的背景下，必須考慮更多。盡管如此，對太空領域的依賴和使用是不可避免的，其能力規劃必須考慮，以提供產生新的戰略和作戰優勢的技術解決方案，并通過推進國際合作來不引人注目地使用太空。不過，最終，軍方不應忘記如何就失去關鍵太空基礎設施的使用權進行談判。在人們認為進入太空是理所當然的時代，地圖和指南針閱讀、野外定向、導航和無通信操作等軍事藝術可能需要保留更長時間。

作者介紹

荷蘭皇家空軍中校（退休）帕特里克·博爾德（Patrick Bolder）專門研究規劃、政策和戰略思維。他曾被借調到海牙戰略研究中心 (HCSS)，在那里他從事武裝部隊和國防部委托的項目。他在無人系統、人工智能和太空領域的軍事方面發表了多篇著作。他在無人和空間系統的軍事應用方面具備深厚的知識能力。

摘要

混合行動由多個行動領域的協調攻擊完成，包括網絡戰和信息戰。檢測混合型威脅的一個關鍵挑戰是如何識別個別事件是對手（精心策劃的）措施的結果，并將所謂不相關的事件聯系起來。由于物理和網絡及信息領域的行動可能發生在不同的時間、不同的地點、不同的速度，作為短期或長期的活動，并且可能是低強度的，因此連接這些點的任務變得更加困難。為了確定與具體任務規劃和執行相關的信息，混合威脅的風險評估必須始終在具體任務的背景下進行，包括其任務目標、行動區域和任務時間范圍。

在本文中，我們描述了兩種情況，在這兩種情況下，對手可能在物理以及網絡和信息空間中進行攻擊，以干擾行動。接下來，我們描述了一個演示器的高級架構，顯示了不同類型的傳感器和信息源是如何連接在一起的。為了應對混合威脅并充分發揮對分析員和決策者的支持潛力，有必要在不同的細節水平上實現態勢感知--從原始數據到高度聚合的風險評估--在不同的領域中共享信息，并在聚合水平上融合它們。

引言

多域作戰（MDO）并不是一個新現象。在戰爭中，長期以來一直在多個領域開展行動。從陸、海、空行動開始，空間和網絡領域補充了對手的組合。為了對付這些，需要不同部門的深入合作。同樣，混合威脅這個詞也不是2020年的發明。一開始是混合戰爭，它與非對稱戰爭、非正規部隊和信息行動等概念混雜在一起。

在早期，重點是傳統的軍事沖突。戰場是傳統的地面，坦克、飛機和艦艇與人員一起是主要的行為者。通信是決定勝負的一個關鍵因素。數字化的開始提供了新的好處和選擇，但也給戰爭帶來了新的脆弱性。今天被稱為網絡和信息領域（CID）的使用在軍事能力方面是一個很大的推動。隨著社交媒體的出現，信息領域發生了巨大的變化，因為它使對手更容易影響公眾輿論和關鍵人物的意見。此外，隨著物聯網中相互連接的設備越來越多，網絡威脅的重要性也在增加。今天的關鍵基礎設施（用于能源、交通、衛生等）比過去更容易受到信息技術的威脅，它們是現代戰爭中的熱門目標。這為敵對勢力的攻擊打開了大門。他們的工具箱不再局限于經典的軍事資產。當然，新興的技術導致了反擊和反擊的措施，以及一場永恒的競爭。

在軍事和民用領域，對信息交流的使用和依賴日益增加，產生了新的攻擊載體，同時也產生了防御這些攻擊的新需求。在今天的沖突中，威脅影響到政治、軍事、經濟、社會、信息和基礎設施等領域。不同的威脅可能是由正規和非正規部隊造成的。這些可能是不利的國家，也可能是出于非政府考慮的團體。

一個關鍵的挑戰是如何在戰術層面上認識到個別事件是對手（精心策劃的）措施的結果，并將所謂不相關的事件聯系起來。在任務規劃或任務執行的風險評估中，這個問題的答案可能會導致對自己的措施無動于衷的決定，如使用通信渠道、部隊保護、路線規劃或反網絡行動。由于物理和網絡及信息領域的行動可能發生在不同的時間，以不同的速度，作為短期或長期的活動，并且可能是低強度的，因此連接這些點的任務變得更加困難。

摘要

美國陸軍現代化戰略將人工智能（AI）確定為陸軍優先研究領域（PRA）之一[1]。作為美國陸軍作戰能力發展司令部（DEVCOM）科技事業的一部分，DEVCOM-大西洋前沿部隊今年發起了兩項新的人工智能倡議，以促進與外國學術界和工業界在該優先研究領域的合作機會。第一個倡議，即人工智能重點國際虛擬交流系列（AI FIVES）[2]，是一個虛擬研討會，為國際組織提供一個平臺，向美國國防部主題專家和利益相關者介紹他們的人工智能研發活動和能力，促進討論和合作。在AI FIVES下促成的演講涉及的主題包括對抗性機器學習；強大和有彈性的人工智能；來自小數據的預測分析；可解釋和可信賴的人工智能；網絡和安全；用于改善態勢感知和決策的人工智能；以及有人和無人的互動和團隊合作。第二項倡議，xTechGlobal - AI挑戰賽[3]，是陸軍助理部長（采購、后勤和技術）遠征技術（xTech）獎競賽項目[4]向國際參與者的首次擴展。xTechGlobal-人工智能挑戰賽從歐洲、非洲和中東的非傳統/小型企業技術開發商那里尋求創新的相關技術，以解決強大的人工智能能力問題，從而在嚴重的資源限制下，如計算能力和需求點的帶寬，管理、整合、處理并從不同的數據源中獲取信息，以便快速決策。在一次成功的競賽之后，有機會繼續并擴大xTechGlobal競賽，使之成為由大西洋、美洲和印度洋-太平洋地區不同地域的DEVCOM前沿要素贊助的其他優先挑戰主題。本文將討論這些舉措的起因、結果以及對陸軍更廣泛的人工智能研究活動的貢獻。

引言

美國陸軍作戰能力發展司令部（DEVCOM）是美國陸軍未來司令部的一個主要下屬司令部，是陸軍的科學和技術領導者[5]。DEVCOM由八個主要的下屬單位組成，包括 軍備中心；陸軍研究實驗室；航空和導彈中心；化學生物中心；指揮、控制、計算機、通信、網絡、情報、監視和偵察中心；數據和分析中心；地面車輛系統中心；和士兵中心。除了實驗室和七個中心外，DEVCOM還有三個國際前沿單位。DEVCOM-美洲、DEVCOM-大西洋和DEVCOM-印度太平洋。指揮部為陸軍的六個現代化優先項目提供基礎科學研究、技術開發、工程和分析支持，重點是提供支持多領域行動的能力。

大西洋發展司令部在英國、法國、德國和以色列的國際技術中心（ITCs）安排了科學家、工程師和軍官。國際技術中心的作用是發展與盟友和親密伙伴的關系；與外國政府、工業界和學術界進行技術搜索；通過學術界、工業界和政府的伙伴關系，與外國伙伴確定基礎和應用研究的機會，提供強有力的科學和技術支持[6]。DEVCOM-Atlantic還包括科學和技術的實地援助（FAST）顧問，他們作為作戰司令部的陸軍單位和研究實驗室之間的聯絡人，確定關鍵需求和實驗機會，以支持陸軍的任務。

從2020年開始，DEVCOM-Atlantic發起了兩項新的倡議，以促進其地理區域內以人工智能（AI）為中心的學術界和工業界的合作機會。第一項舉措，重點國際虛擬交流系列（FIVES）為國際組織提供了一個平臺，向美國國防部主題專家和利益相關者介紹他們的人工智能研發活動和能力，促進討論和合作。第二項舉措，xTechGlobal是陸軍助理部長（采購、后勤和技術）遠征技術（xTech）獎競賽項目[4]向國際參與者的試點擴展，其中包括一個人工智能問題聲明。

圖1：FIVES參與流程圖。

摘要

作者領導了一項跨學科的基準測試工作：決策分析、運籌學、風險建模、管理科學、沖突和戰斗模擬以及物流和供應鏈模擬。實踐者們自愿描述他們的做法并向其他人學習。雖然不同的實踐者群體對局部實踐達成了共識，但群體之間的互動卻很少。

以前的出版物描述了從基準測試中突出最佳實踐。我們發現了兩個差距：一個是令人不安的高比例的不良實踐，另一個是缺乏執行層面的風險評估。高管們往往缺乏時間或技術背景來對提供給他們的分析結果進行風險評估。

本文為高管們提供了一種新的、簡單的風險評估方法。六個非技術性的問題解決了在基準測試中看到的大部分風險。該方法是基于一個建立在國際基準工作基礎上的檢查表。作者還對具體的風險進行了研究，包括因對分析的依賴程度增加而產生的法律風險。在這些風險中，有一些與人工智能有關的獨特問題。

識別風險的工作表明危險來自幾個方面，并產生了一個不需要深入的建模、仿真和分析（MS&A）知識的風險檢查表。本文介紹了該清單，以及支持該清單的一些更深入的MS&A原則。這對管理人員和從業人員都很有用。

該研究得到了一些專業協會、行業團體和非營利性教育協會的支持，包括國際服務/行業培訓、模擬和教育會議（I/ITSEC）、石油工程師協會、電氣和電子工程師協會和概率管理。

研究總結和以前發表的結果

我們之前已經發表了（Roemerman等人）研究的本質和我們的數據收集。回顧一下，在2014年和2015年，作者提出了一個跨領域的基準研究。作為在多個領域工作的從業者，我們注意到一些領域的 "正常 "仿真和建模實踐在其他領域是未知的。我們向幾個組織提出了一個多領域的研究。普遍來說，反饋是積極的，但沒有人愿意領導這項工作。

最終，我們決定自己進行，并開始招募幫助。我們得到了許多我們曾經接觸過的組織的幫助，還有一些組織也加入了我們的行列：

• 電氣和電子工程師協會（IEEE）是第一個允許我們使用他們的一個網絡論壇來討論這項研究并尋求參與者。
• 石油工程師協會（SPE）也給予我們同樣的網絡論壇權限。
• 賓夕法尼亞大學沃頓商學院的兩位教授為我們的研究提供了建議和未發表文獻的訪問權，并得到了研究生的幫助。
• INFORMS提供了他們在線論壇的訪問權。
• I/ITSEC允許我們調查他們的部分成員。
• 概率管理公司允許我們接觸他們的會員，然后任命我們中的一位為最佳實踐主席。
• 洛克希德-馬丁公司和雪佛龍公司允許我們進入他們的建模和仿真社區進行采訪和調查。

總的來說，這些組織有大約200,000名會員（不包括這兩家公司，他們的雇員可能是我們所接觸的協會的會員）。其中，我們估計只有不到10%的會員是建模、仿真和分析（MS&A）的積極從業者。在這些會員中，我們估計大約有2100人看到了我們的調查和采訪邀請。

除了與這些大型團體合作外，我們最初以40多個個人為目標，因為他們的組織聲譽或他們個人的卓越聲譽而參與我們的數據收集。我們點名征集這些目標，事實證明他們是一個豐富的信息來源。最后，我們接觸了來自65個組織的126名個人，涉及許多領域（見圖1）。

圖1：參與者來自不同的領域

摘要

可解釋的人工智能（XAI）提供了克服這一問題的手段，它基于有關深度學習（DL）算法結果的額外補充信息。雖然完全透明對于復雜的DL算法來說仍然是不可行的，但解釋有助于用戶在關鍵情況下對AI信息產品進行判斷。應該指出的是，XAI是透明度、因果關系、可信度、信心、公平、信心和隱私等方面的總稱。因此，基本的方法論是多方面的。一種已經流行的方法是局部可解釋模型-預知解釋（LIME）方法，因為它可以很好地應用于各種應用中的不同模型。在本文中，LIME算法是在戰略運營的決策建議背景下進行研究的。在簡單介紹了其概念后，介紹了文獻中的應用。然后，一個戰略博弈的場景被認為是軍事戰爭的替代環境。一個基于DL的國際象棋人工智能被做成 "可解釋的"，以評估信息對人類決定者的價值。得出了與戰略混合行動有關的結論，這反映了所提出的方法的局限性。

引言

根據設想，未來戰略戰爭的決策將在很大程度上受到基于人工智能（AI）方法的信息產品的影響。特別是混合作戰，是在一個高維和變異的環境中進行的，在這種環境中，對潛在的威脅和機會的評估是人類操作者難以掌握的，戰略規劃必須納入異質的、多功能的和高容量的數據源。因此，基于人工智能方法的算法產生的分類、預測和建議在這種復雜的場景中變得越來越重要。在過去的幾年里，人工智能的方法已經獲得了巨大的發展，有大量的創新和令人尊敬的成果，可以從大型數據集中獲得更高層次的信息。然而，深度學習（DL）方法的一個主要缺點是其固有的黑箱屬性，即由于計算模型的復雜性，其結果是不透明的。例如，后者可能有數百個層和數百萬個參數，這些參數是在訓練階段通過算法發現和優化的。因此，即使結果是準確的，用戶也沒有機會理解它或掌握輸入數據的因果部分。這反過來又會影響到用戶對輔助設備的信任，在兩個方向上都是如此。這個問題在某些民事應用中起著次要的作用，例如語音識別，它經常被應用于與設備的互動，因為除了體面的失望之外沒有潛在的風險。對于其他非常具體的任務，如手寫字符識別，DL算法的性能超出了人類的平均水平，這意味著失敗的可能性很小，因此關于因果關系的問題可能成為附屬品。然而，在許多軍事應用中，當涉及到與人工智能的互動時，人類的信任是一個關鍵問題，因為錯誤的決定可能會產生嚴重的后果，而用戶始終要負責任。這實際上是兩方面的。一方面，操作者往往需要了解人工智能產品的背景，特別是如果這些產品與他或她自己的本能相悖。另一方面，不可理解的技術會對算法信息產品產生偏見，因為很難確定在哪些條件下它會失敗。因此，適當的信任程度可能很難計算。

可解釋的人工智能（XAI）是向黑盒人工智能模型的用戶提供 "透明度"、"可解釋性 "或 "可解釋性 "的方法的集合。這些術語幾乎沒有一個共同的定義，但許多出版物提到了：

• 透明度是指人類跟蹤和理解模型創建過程的可能理解程度。這就是從數據中提取信息，轉化為推理參數的表現形式。DL前饋網絡由于其基于大數據集的迭代學習過程和錯誤向各層的遞歸傳播而缺乏這一特性。
• 可解釋性是指對模型本身的理解程度，即從輸入數據到預測結果的信息流可以被理解。由于涉及的參數數量和層的層次結構，這對標準網絡來說是不可行的。
• 可解釋性是指對特定預測結果進行解釋的可能性程度。也就是說，用戶可以看到與輸入數據的一致性，在某種程度上可以看到是否存在因果關系。

XAI不能完全 "解釋 "DL模型，然而，它為工程師或操作員提供了更好地理解特定AI產品背后的因果關系的手段。而且很多時候，這可以幫助看到，從合理的因果關系鏈暗示算法決策或預測的意義上來說，該模型是否是合理的（或不是）。因此，XAI可以成為人工智能模型工程的一個重要工具，用于安全方面的驗證，甚至用于認證過程，以及為操作員提供額外的信息，以支持明智的決策。

雖然關于XAI的大多數文獻都集中在圖像識別的方法上，但這些結果很難轉化為基于特定挑戰性競爭形勢的戰術和戰略決策領域。在本文中，我們研究了人工智能模型在棋盤評估中的可解釋性。對更復雜的軍事戰略模擬的一些影響進行了討論。

本文的結構如下。在下一節中，簡要介紹了選定的XAI方法。然后，這些方法之一（LIME）被應用于棋盤評估問題，以證明在支持信息方面的解釋的質量。在最后一節，得出了結論，并討論了對更復雜的戰爭博弈和模擬的概括。

引言

本文件是北約 IST-151 研究任務組 (RTG) 活動的最終報告，題為“軍事系統的網絡安全”。該 RTG 專注于研究軍事系統和平臺的網絡安全風險評估方法。 RTG 的目標如下：

? 協作評估軍事系統的網絡安全，并在 RTG 的北約成員國之間共享訪問權限；

? 在 RTG 的北約成員國之間共享風險評估方法和結果；

? 將 RTG 的北約成員國使用的評估方法整合到一個連貫的網絡安全風險評估方法中，以使北約國家受益。

軍事平臺比以往任何時候都更加計算機化、網絡化和受處理器驅動。他們大量使用數據總線，如 MIL-STD-1553A/B、CAN/MilCAN、RS-422/RS-485、AFDX 甚至普通以太網，以及戰術通信的舊標準，如 MIL-STD-188C 和 Link 16。此外，捕獲器、傳感器、執行器和許多嵌入式系統是擴展攻擊面的額外無人保護的潛在輸入。結果是增加了網絡攻擊的風險。然而，這些平臺的持續穩定運行對于軍事任務的成功和公共安全至關重要。

軍事系統和平臺是網絡攻擊的首選目標，不是因為它們像消費電子產品那樣普遍，而是因為它們潛在的戰略影響。一旦受到影響，就可以實現各種短期和長期影響，從拒絕能力到秘密降低其有效性或效率。因此，軍隊必須在各個層面解決網絡安全問題：戰略層面，同時獲取平臺和系統；作戰層面，同時規劃軍事任務和戰術。

北約國家擁有大量可能面臨網絡攻擊的軍事平臺和系統。因此，北約將受益于利用當前的流程和方法來設計更安全的系統并評估當前系統的網絡安全。

本報告介紹了針對軍事系統和平臺量身定制的網絡安全評估方法，該方法由 RTG 團隊成員合作開發，并建立在他們的經驗和專業知識之上。團隊成員已經使用的流程被共享、分析、集成和擴充，以產生本報告中描述的流程。本報告的目標受眾是愿意評估和減輕其軍事系統的網絡安全風險的決策者。

圖一：網絡安全評估過程的五個主要步驟。

報告結構

第 2 節介紹了 RTG 團隊在其存在的三年中用于開發流程的方法。第 3 節列出了可以應用該過程的系統的一些特征。最后，第 4 節描述了評估流程，而第 5 節總結本報告。

執行總結

軍事平臺比以往任何時候都更加計算機化、網絡化和受處理器驅動。這導致增加了網絡攻擊的風險。然而，這些平臺的持續穩定運行對于軍事任務和公共安全的成功至關重要。

絕對的網絡安全是不存在的。必須通過迭代風險評估持續管理網絡安全。傳統 IT 系統存在許多網絡安全風險管理框架和流程。然而，在軍事平臺和系統方面，情況遠非如此。本文檔介紹了針對軍事系統量身定制的網絡安全風險評估流程。該流程由北約 IST-151 研究任務組 (RTG) 活動的團隊成員開發，該活動名為“軍事系統的網絡安全”。該過程可以應用于傳統的 IT 和基于固件的嵌入式系統，這些系統在軍事平臺和系統中無處不在。

摘要

建模和仿真有助于德國武裝部隊后勤的數字化，必須提供靈活性和穩健性等因素，以識別后勤鏈中的風險和弱點。 ESG，作為一家擁有多年軍事經驗的德國軍事技術公司，我們展示了成功的仿真和分析項目（例如，“以歐洲戰斗機為例，預測德國空軍的作戰能力”或“基于仿真的醫療救援鏈分析”），并提出進一步的行動方向，例如基于仿真的分析，以優化軍事供應鏈中的加法生產或自主系統的最佳概念。通過對軍事供應鏈使用后勤仿真，可以檢查和優化其穩健性和可持續性。這種基于數據的決策支持方法（工具 AnyLogic，德國聯邦國防軍基于仿真的分析指南和模型檔案）。它聚焦于一個關鍵問題，例如“在某些參數/因素/影響下，系統的材料運行準備情況如何更高概率的為在未來發展，以及什么可以提高系統的性能？”如本講座所述那樣提供各種優勢。

圖2-1 模型開發流程

圖2-2 系統結構

摘要

這項工作的目的是深入了解人工智能 (AI) 工具以及如何將它們應用于空中目標威脅評估。人工智能工具是包含人工智能元素的軟件產品。關于人工智能有多種不同的思想流派，并且可以在同一個工具中使用不同的方法。許多現代人工智能方法都涉及機器學習 (ML)。本參考文檔將涵蓋不同類型的 AI 和 ML 以及如何將它們應用于威脅評估。這項工作將介紹所有 ML 模型共有的元素，例如數據收集、數據準備和數據清理。該報告還將討論選擇適合不同問題的最佳人工智能類型。

此外，這項工作將描述處理缺失數據或數據不確定性的方法。將提出實用的解決方案，包括通過數據插補填充缺失數據或修改人工智能工具的架構。

最后，該報告將檢查人工智能工具的輸出與現有基礎設施的集成。將結合威脅評估過程及其可以改進的元素來描述 AI 工具。還將討論 AI 工具系統的通用架構。

國防與安全的意義

威脅評估對于維護國家安全利益和維護各國主權具有重要意義。空中威脅評估對于一個有大片國土需要保護的國家（例如加拿大）很有價值。人工智能和機器學習都可以應用于威脅評估的研究領域。通過學習構建人工智能驅動的工具，加拿大的國防和安全將通過獲得持續的前沿研究得到改善。無論哪個國家開發出最有效和最可靠的威脅評估工具，在決策和威脅反應方面都將獲得優勢。通過利用前面提到的快速擴張的領域，加拿大可以獲得決定性的優勢。

1 簡介

評估所有領域(如空中、網絡、陸地、海洋、太空)的威脅是維護任何國家安全的一個重要方面。威脅分析包括查看敵人過去、現在和預期的行動，以及這些行動對友軍資產或單位的影響。威脅評估還考慮了為減少、避免或消除風險而可能采取的任何防御措施[1]。在防空的背景下，空中目標威脅評估的任務需要識別、確定空中目標和優先排序，并管理任何必要的資源以應對威脅[2,3]。

當前的空中目標威脅評估任務由操作室中的一組高技能和經驗豐富的人員執行[3,4]。該任務涉及考慮先驗信息（例如，情報報告和評估標準）和獲取的信息（例如，從傳感器系統動態收集的運動學信息），以確定目標對某個感興趣點/區域（POI/AOI)。此信息（運動學和非運動學）稱為提示。這些信息的心理整合需要相當水平的戰術專業知識，包括有關威脅類型、軍事條令和基于經驗的評估啟發式的知識[4]。人工智能(AI)將允許根據防空作戰員(ADO)可用的線索以及他們的威脅評估決策[5]或專業知識來創建工具。

本報告全面概述了AI工具及其構建。這些方法是尖端的并且非常有效。本報告將清晰地展示人工智能工具的開發方式。它將展示哪些組件是必要的，如何獲取數據并使其對機器學習(ML)模型有用，以及AI工具如何與更廣泛的威脅評估環境進行交互。

2 人工智能

本節將介紹人工智能的概念和許多現代人工智能算法。它將包含有關AI和ML主要主題的背景知識。它還將描述AI工具中經常出現的組件。

2.1 概述

從一個非常廣泛的角度來看，人工智能是人工系統“執行與智能生物相關的任務”的能力[6]。然而，這是一個非常寬泛的術語，涵蓋了許多系統。例如，它不區分人工智能系統、智能系統和自動化系統。關于什么構成人工智能，文獻和文化中有許多定義。本報告中使用的“人工智能系統”的定義是文獻和文化中各種來源的觀點的結合。

人工智能系統是一種具有以下能力的人工系統：

1.執行“有趣的”[7]任務，這些任務“通常與智能生物相關”[6]

2.“自學成才”[7,8]

早期的AI開發人員研究的問題在智力上對我們來說很困難，但對計算機來說卻相對簡單。這些問題可以用一組形式和數學規則來描述[9]。例如，國際象棋游戲由一組有限且嚴格的規則定義，這些規則可以編程到人工智能中。然而，人工智能很難處理使用人類直覺而不是使用一組正式的規則來處理的任務，例如圖像識別。人工智能的一種方法是基于知識的方法，它涉及嘗試設計形式語言和手工制作的邏輯推理規則，以使機器能夠推理和解決問題。另一種方法是讓計算機從經驗中收集知識，而不是讓人類對程序的行為進行硬編碼。

機器學習是通過從數據中發現模式來獲取知識的能力。因此，這些數據的表示會顯著影響機器學習算法的性能。換句話說，提供給機器的信息（即特征）會影響它解決問題的能力。然而，手工設計的特征受到人類知識的限制。讓機器發現哪種表示最好稱為表示學習。學習到的表示通常比手工設計的表現要好得多。本報告在2.3小節中探討了人工智能的機器學習方法。

2.2 AI 工具的組成部分

AI 工具的最終目標是通過減少操作員的認知和體力工作量來改善操作員的決策過程。為此，人工智能工具通過提供協作環境來補充操作員的角色。人工智能工具處理可用信息，從數據中獲得洞察力，并以有利于操作員體驗的方式呈現信息和洞察力。圖1顯示了AI工具流程的概覽。該模型基于[3]中提出的決策支持系統(DSS)架構。

1.操作員是與工具交互和監控工具、根據工具輸出做出決策并根據這些決策向相關個人報告的人。輸入工具的信息可以是靜態的或動態的。靜態信息（例如配置文件和靜態操作員首選項）在操作期間不會更改。動態信息，例如數據輸入和設備操作，在整個操作過程中不一定保持不變[3]。將操作員與咨詢能力聯系起來的箭頭強調了該工具的協作方面。

2.咨詢能力負責管理操作員和系統之間的交互。這包括管理操作員輸入（即靜態和動態信息），管理環境輸入（例如，約束和環境信息），促進操作員交互（例如，人機交互，人機界面）和顯示信息。要顯示的關鍵信息包括算法的結果和當前的操作限制。

3.領域知識由用于評估的規則和關系組成。例如，領域知識可能包括操作員對信息變化影響的意見。

4.算法組負責處理數據和執行評估或預測任務。可以考慮許多不同的算法和功能來實現算法組。該組將提供應用程序中的大部分AI功能，并且可以選擇或組合不同的AI或ML應用程序。

5.環境為人工智能工具提供操作約束。更具體地說，環境由檢測和測量目標的傳感器系統以及來自更高級別個人的任務概覽和命令組成。

雖然[3]對圖1中的大多數組件進行了詳細解釋，重點是咨詢能力部分，但本報告側重于架構的算法部分。

圖1:操作員、環境和人工智能工具的交互

上面介紹的AI工具被認為是基于第 2.1 節中介紹的定義的AI系統。評估的復雜性和重要性使其成為一項不容易解決的任務。人工智能工具的學習和適應方面可以通過機器學習方法來完成，這將在2.3小節中進行描述。

2.3 AI 中的機器學習

本節將討論機器學習和人工智能的結合。有許多不同類型的AI算法，ML是這些算法的一個子集。本節將描述使用ML從數據中學習的算法類型，以及這對AI工具有何用處。作者還在他們之前的工作中定義了機器學習中的許多基本概念[5]。

2.3.1 概述

根據柯林斯詞典，機器是“使用電力或發動機來完成特定工作的設備”[10]。在機器學習的背景下，機器就是計算機。更具體地說，是計算機中的程序完成了這項工作。正如[11]中所定義的那樣，“如果計算機程序在T中的任務（由P衡量）上的性能隨著經驗E提高，則可以說計算機程序從經驗E中學習某類任務T和性能度量P。”這個定義提出了機器學習問題的三個主要組成部分：任務T、性能度量P和經驗E。

1.任務是要解決的問題。例如，分類任務涉及確定某個輸入屬于哪個類別（例如，對象分類）。其他任務示例是回歸（例如，成本預測）、異常檢測（例如，欺詐檢測）和去噪（例如，信號處理）。

2.性能度量是用于評估ML算法性能的指標。例如，準確度是一種可用于分類任務的性能度量。準確率是模型正確分類的示例的分數。“示例”被定義為特征的集合，通常表示為向量，其中n為特征個數，每個元素為一個特征[9]。數據集是一組例子的集合。

3.經驗是指模型在學習過程中所接受的訓練類型。在無監督學習中，模型所體驗的數據集僅包含特征，并且由模型來學習數據的特征。例如，學習描述數據的概率分布可能很有用。聚類也可以使用無監督學習算法來執行。在監督學習中，模型體驗的數據集不僅包含特征，還包含與每個示例相關聯的標簽。無監督學習模型觀察幾個例子，而監督學習模型觀察幾個例子及其標簽。但是，在某些情況下，有監督和無監督之間沒有明確的區別。例如，半監督學習涉及從包含標記和未標記數據的數據集中學習。在強化學習中，模型不是從固定的數據集中體驗，而是模型與環境交互并從交互中學習。

為了了解模型在處理現實世界中的新數據時的表現如何，通常會分離出一部分數據集，以便僅在完成所有訓練后才能使用。這被稱為測試集，由于模型之前沒有看到測試集中的數據，因此測試集上的性能可以作為模型真實性能的指標。文獻提供了機器學習算法和模型的許多不同分類（例如，[12]提出了機器學習的五種范式：連接主義（例如，神經網絡、象征主義、進化論、貝葉斯和類比）。本報告并不是對機器學習中在空中目標威脅評估領域有用的不同方法的詳盡回顧。本報告重點關注三類特定的方法：監督機器學習、無監督機器學習和強化學習。

2.3.2 監督學習

在監督機器學習中，可以使用一組標記的訓練示例（即訓練集）。該模型的目標是能夠為示例分配正確的標簽，其中正確的標簽是與特定示例對應的標簽。通過基于一組標記的訓練數據最小化某個損失函數來調整模型。具體來說，迭代調整模型的參數，以減少訓練誤差。

1.模型：模型是根據樣本特征輸出標簽的算法。

2.參數：模型的參數根據選擇的模型而有所不同。例如，在神經網絡中，參數包括神經元的權重和偏差。

3.誤差：也稱為損失，誤差用于衡量模型的執行情況。可以針對特定應用設計和修改損失函數。

4.迭代調整：在訓練過程中，采用一定的方案來改變每次迭代的參數。具體來說，迭代調整模型的參數，以減少訓練誤差。一個例子是普通梯度下降法[13]：

其中θ是模型的參數，α是學習率（決定每次迭代調整多少參數的超參數），J(θ) 是模型在整個訓練集上的損失函數， 是相對于θ的梯度。可以使用各種修改來改進普通梯度下降算法，例如動量[13]。這種改進產生的算法包括Adagrad[14]和Adam[15]。

2.3.3 無監督學習

由于機器學習，許多研究和應用領域都取得了許多成功。圖像理解（例如，檢測[16]、分類[17]）和自動化物理系統（例如，自動駕駛汽車[18]）只是成功的兩個例子。這些成功的很大一部分歸功于監督學習和強化學習的使用。然而，這兩種范式都僅限于人類輸入和經驗：監督學習的訓練信號是目標標簽，而在強化學習中，信號是期望行為的獎勵[19]。使用人類設計的標簽和獎勵的一個弱點是由于訓練信號的稀疏性而導致的信息丟失。例如，盡管用于訓練監督學習和強化學習模型的數據通常具有豐富的特征（例如，圖像），但目標和獎勵通常非常稀疏（例如，表示圖片標簽的單個向量）[19]。無監督學習的動機是更好地利用可用數據來更好地理解數據。因此，無監督學習范式“旨在通過獎勵智能體（即計算機程序）來創建自主智能，以學習他們在不考慮特定任務的情況下觀察到的數據。換句話說，智能體“為了學習而學習”[19]。無監督學習算法的強大之處在于它能夠發現標簽無法完全表達的數據的潛在模式和結構。

2.3.4 強化學習

強化學習（RL）的思想是學習采取什么行動來獲得最大的回報。這種范式背后的一個共同動機是智能體與環境之間的交互（圖2）。根據對環境的觀察，智能體執行影響環境的動作。作為響應，會生成新的觀察結果，并且智能體會收到獎勵或懲罰。

圖 2：智能體-環境交互

RL的兩個重要區別特征是試錯搜索和延遲獎勵。與程序員指定輸出應該是什么的監督學習不同，RL智能體必須進行實驗以發現導致最高獎勵的動作。此外，行動可能會產生長期影響。因此，較早采取的行動可能會導致稍后的獎勵或懲罰。

在監督學習中，該模型嘗試從訓練示例中學習以泛化并在新示例上表現良好。雖然功能強大，但在處理涉及交互的問題時，監督學習是不夠的。例如，在未知環境中學習時，獲得包含代表智能體在所有可能情況下應采取的行動方式的示例的訓練集可能是不切實際的。在這些情況下，智能體必須使用自己的經驗和與環境的交互來學習。

RL系統[20]有四個主要組成部分：

1.策略：策略根據智能體的感知狀態定義智能體的行為。換句話說，它決定了當智能體處于當前狀態時要采取什么行動（或行動的什么分布）。

2.獎勵信號：獎勵信號表明智能體在某個時刻的表現如何。獎勵的概念是RL問題的核心概念，因為從長遠來看最大化獎勵數量是智能體的最終目標。獎勵的類型是特定于問題的。例如，在訓練RL智能體玩游戲時，它可能會因獲勝而獲得正獎勵，而因失敗而獲得負獎勵。結果，通過監控獎勵信號來學習策略。例如，如果當前策略給出的某個動作導致了懲罰，那么該策略可能會以某種方式改變，以便在情況再次出現時避免該動作。

3.價值函數：價值函數表示如果遵循當前策略，智能體在未來的預期表現如何。雖然獎勵被視為即時指標，但價值函數是長期指標。例如，在當前狀態下投資獲得負回報可能會導致總回報為正。價值函數引入了延遲獎勵的方面：某個狀態的價值是預期在長期內獲得的總折扣獎勵，其中每個收到的獎勵都根據最近收到的時間進行折扣。

4.環境模型：環境模型存在于基于模型的RL問題中。它指示環境如何根據智能體在特定狀態下的行為做出反應。然而，環境模型并不總是可用的。無模型方法解決了這一挑戰。

正式表示完全可觀察的環境（即智能體的觀察完全描述當前環境狀態的環境）以進行強化學習的流行方法之一是使用馬爾可夫決策過程（MDPs）。馬爾可夫過程是服從馬爾可夫性質的一系列隨機狀態S：在給定當前狀態的情況下，未來狀態獨立于過去狀態。

其中是第時間步的狀態,t是當前時間步，是發生的概率。MDPs是馬爾可夫過程的擴展：除了表征馬爾可夫過程的狀態集S和狀態轉換集P之外，還有可能的動作集A和獎勵集R。

3 空中威脅評估——人工智能工具

本節將把空中威脅評估的任務與人工智能工具的能力聯系起來。 AI 能力將映射到威脅評估的每個階段，并將展示如何將其集成到現有能力中或改進現有能力。

3.1 AI 工具在威脅評估中的優勢

如第 1 節所述，ADOs等操作人員面臨認知和身體挑戰，這些挑戰不利于其做出可靠決策的能力。人工智能工具將通過提供以下兩個主要好處來應對這些挑戰：

1.減少認知和身體負荷量：人工智能工具為操作員提供的支持和顯示將緩解導致操作員總壓力的眾多因素。這種好處是通過使用決策支持系統(DSS)的設計原則來提供的。

2.利用最先進的方法：人工智能的機器學習方法是一個非常受歡迎的研究領域，因此在方法的開發和改進方面做了大量工作。通過使用AI支持空中目標決策，該系統可以使用和利用最先進的方法。

3.2 威脅評估中的 AI 工具組件

如2.2小節所述，通用AI工具中有多個組件可以專門用于評估。威脅評估AI工具中的組件及其專業化如下：

1.操作員（Operator）是評估過程中的ADO。操作員將負責確保提供給AI工具的信息盡可能準確。然后，ADO將與該工具交互，以充分了解威脅情況，并獲得AI生成的威脅評估。

2.咨詢能力（Advisory?Capability）負責與ADO以及各種傳感器和數據庫系統進行交互。這將涉及從雷達和其他傳感器收集數據，以及解釋從情報報告中獲得的數據。咨詢能力還負責確保ADO可以有效地與計算機界面一起工作。更新界面可能涉及一個可以結合機器學習的動態過程。

3.領域知識（Domain Knowledge）將包括ADO的經驗以及他們用來進行準確評估的任何規則。在空中威脅評估中，這可能包括常見的高度、異常的飛行模式或敵軍作戰節奏的變化。

4.算法組（Algorithms）負責目標數據的處理和威脅評估。這將包括處理軌跡數據以獲得提示數據，并使用提示數據和領域知識來評估目標的威脅。可能的評估算法包括基于規則的方法[3、4]、貝葉斯方法[3]和本報告[5]中提供的AI技術。

5.環境（Environment）為人工智能工具提供操作限制和目標數據。更具體地說，環境包括檢測和測量目標的傳感器系統以及來自更高軍事指揮鏈的任務概覽和命令。

3.3 機器學習在威脅評估中的應用

由于機器學習方法的種類和成功率眾多且不斷增加，機器學習在威脅評估中的應用數量僅限于研究人員的知識和經驗。本報告將概述如何將三種主要機器學習范式應用于人工智能工具進行威脅評估的示例。

3.3.1 監督學習

通過一組標記的過去目標示例，其中每個示例包含有關歷史目標及其相應威脅值標簽的信息，監督機器學習可用于將威脅值分配給目標。在[21]中，監督學習被用于構建多標準決策（MCDM）方法（EMCDM）的集成，以根據當時的線索值推斷目標在某個時間點的威脅值。EMCDM技術由各種MCDM方法組成，它們的輸出組合成一個單一的威脅值。MCDM方法的輸出基于作為輸入的提示值。用于訓練EMCDM技術的監督學習技術取決于集成技術的類型。例如，在加權組合EMCDM技術中，MCDM方法是使用監督學習調整的組合權重。在所有的EMCDM訓練中，示例集由標記的目標實例組成，其中目標實例被定義為目標在某個時間點的提示數據。

3.3.2 無監督學習

可以從目標中提取各種信息。因此，對于某個目標，可以為系統提供關于目標的大量線索，作為威脅評估的基礎。無監督學習可用于分析提示數據，以深入了解底層結構和模式。例如，無監督學習的一種用法是降維。通過降低提示數據的維數，系統可以處理更緊湊和簡潔的目標描述。換句話說，目標是以數據可以提供關于目標的大致相同信息但使用較少資源的方式轉換數據（例如，使用10個提示而不是50個提示）。

實現降維的一種方法是主成分分析（PCA）[23]。PCA旨在通過學習最大化新子空間中數據方差的線性變換，來表達低維子空間中的數據。最大化數據方差背后的直覺是假設更高的方差意味著更多的信息量。數據原本會有一定量的方差/信息。PCA嘗試使用低維子空間來近似數據，同時盡可能多地保留原始方差。PCA的結果之一是檢測和去除數據中的冗余，從而在沒有不必要的線索的情況下描述目標。然后可以將這些PCA生成的線索視為要使用的新的各種線索。然而，在應用過程中需要考慮基于PCA的假設（例如，方差足以描述信息量，主成分是正交的）。

自動編碼器[9]是經過訓練以將輸入重新創建為其輸出的神經網絡。自動編碼器通常由兩部分組成：編碼器和解碼器。編碼器網絡生成低維潛在特征。然后將潛在特征輸入到解碼器網絡中，該解碼器網絡嘗試輸出最初輸入到編碼器中的內容。通常存在約束和限制，以防止自動編碼器能夠完美地重新創建輸出（即，它只能提供近似值）。結果，模型被訓練為優先使用最有用的數據特征。因此，與PCA類似，自動編碼器可用于使目標提示數據更加簡潔，并且僅包含足以描述目標的提示數據。自動編碼器的其他用法也存在。例如，自動編碼器可用于去噪[24]應用程序。這在威脅評估中特別有用，因為目標數據（例如，傳感器數據、提示）本質上是含噪的。

除了降維之外，無監督學習的另一個用途是聚類。文獻中有大量關于用于聚類的無監督學習算法的工作，所有這些算法都用于威脅評估。在不關注特定算法的情況下，聚類的一種用途是將感興趣的目標與歷史目標進行聚類。這樣做的目的是發現感興趣的目標是否與歷史目標相似。如果有關于如何處理過去目標的知識，操作員可以在決定對當前感興趣的目標采取何種行動時考慮這些信息。

3.3.3 強化學習

可以將威脅評估過程建模為強化學習問題。例如，咨詢能力可以在操作期間使用RL來了解操作員希望如何顯示信息。這類似于社交網站知道在首頁上顯示哪些項目的方式。例如，如果RL模型有一個獎勵處理速度的策略，它可以測量從ADO開始評估到ADO提交威脅評估所花費的時間。這將允許模型因導致更短的威脅評估過程的行動而獲得獎勵，從而鼓勵更有效的交互選擇。如果某個深度為兩級的菜單項（即，它需要兩次單擊才能訪問）被頻繁使用，則模型可以將該菜單項放置為第一級深度項。如果該項目被非常頻繁地使用，則該項目應該在主屏幕上被賦予一個突出的按鈕位置。在空中威脅評估應用程序界面上工作的強化學習算法將能夠進行這些和其他更改，以檢查威脅評估的時間是否正在減少，在這種情況下，它將獲得獎勵。

有大量研究和許多資源可用于解決MDPs，這使得使用MDPs解決RL問題成為一個不錯的選擇[25]。

3.4 結構與流程

人工智能工具的結構需要考慮多種因素。該工具將在流程管道中運行，從數據收集和準備開始，到模型訓練，然后到模型預測，最后為用戶顯示結果。在AI工作流程中，可以更容易地將結構視為流程工作流[26]。一旦AI工具經過訓練，它就會不斷返回到周期的第一階段，并使用新數據和新見解進行重新訓練。這個過程使人工智能工具非常強大，可以隨著時間的推移保持準確性和有效性。

人工智能工具開發的第一階段是收集高質量數據。這些數據將存放在一個或多個可供AI工具訪問的數據庫中。人工智能工具將首先在數據庫中的現有數據上進行訓練，然后在生產時，它將主動監控任何操作數據庫中的最新數據，以便提供威脅評估。

除了收集數據，還必須確定最有效的機器學習或人工智能模型。該決定需要考慮可用數據的類型、數據的數量及其質量。與最終用戶面談也很重要，以確保所選模型將以對他們有用的格式輸出信息。這可能是一個要求，例如最終威脅評估值必須呈現為分類問題（例如，高、中、低）或回歸問題（例如，1.4、2.9、9.0）。要求也可能更嚴格，例如人工智能工具的推理必須能夠被人類操作員解釋。像這樣的要求可能會使現代機器學習研究的整個分支沒有吸引力，而是需要不同的模型。由于所選AI模型對整個工具的影響很大，因此必須在模型開發之前的早期階段收集最終用戶的需求。

一旦選擇了一個或多個模型類型，就必須對其進行訓練。在這個階段，由于上一步的需求分析，一些AI模型可能已經被淘汰。在此步驟中，將淘汰更多模型。在對數據進行訓練之前，通常很難判斷哪個機器學習平臺最有效。這意味著應該對多個模型進行數據訓練，并使用某種準確度指標進行比較。一旦確定了最準確的模型，該模型將被完全訓練并準備好在生產中使用。

下一階段是將模型部署到生產應用中。ADO獲得了一個功能性AI工具，可以連接到操作數據庫并協助威脅評估過程。輸出到ADO的最終值都將被處理和清理，最終格式將被確定。然后，隨著所有ADO將其威脅評估以及可用的線索提交給訓練數據庫，該工具將得到持續訓練。這將使該工具能夠與新出現的威脅和新情況保持同步。ADO還可以就AI工具提供的評估進行反饋。例如，如果AI工具提供“高”威脅評估，而ADO認為它應該是“中”，則ADO可以提供反饋信號，表明該工具不正確并且威脅等級太高。這將存儲在數據中并用于在線訓練，使其能夠不斷地向經驗豐富的ADO學習，也可以自學成型。

AI工具流程的最后階段是將工具轉移到精度維護。在這個階段，需要對工具進行監控，以確保準確性不會下降。該工具也將在此階段接收反饋并從ADO評估中學習。最后，人工智能工具的開發并沒有停留在這個最后階段；相反，它必須隨著威脅的演變、環境和要求的變化以及新的和更相關的數據變得可用，而相應地更新和改進。

圖3: AI工具中的模塊及其交互

圖 3 提供了AI工具中以下模塊的可視化表示：

1.數據庫組件

• 存儲傳感器數據、操作員情報和來自歷史數據的人為威脅評估。

2.數據訪問和存儲模塊

• 與數據庫交互以不斷地保存和讀取來自傳感器或人工操作員的數據。
• 查詢數據庫以提供關于1個目標的完整信息集，用于預測威脅評估。

3.數據預處理模塊

• 清理數據，處理缺失值，并正確格式化數據以用于訓練或訓練模型的推理。

4.ML 模型組件

• 實現機器學習模型的AI組件。這就是將整個工具定義為AI工具的原因。所有其他組件都用于支持該組件。
• 在訓練管道中，模型仍在開發中，可能會同時測試多個模型。
• 在推理管道中，已經選擇了一個模型，并由數據預處理模塊提供數據，以便它可以進行預測。

5.數據后處理模塊

• 在將推理步驟的結果顯示給用戶之前對其進行清理。
• 可以從零到一之間的預測值映射到更易讀的值或類別評級（例如，低、中、高）。

6.可視化/操作員交互模塊

• 負責所有操作員交互。提供數據的可視化和讀數，并以最佳方式傳達模型對威脅價值的預測。
• 獲取操作員對分配的威脅值的反饋（例如，太高、太低、非常準確）。
• 與數據訪問和存儲模塊通信，將操作員反饋存儲為有用的數據，以供未來訓練使用

3.4.1 人工智能工具集成

將ML組件集成到更大的AI工具中需要兩條不同的管道。第一個管道將是訓練管道，這是進行模型選擇、測試和訓練的地方。一旦確定了合適的ML模型，并且該模型已經針對所有當前可用的數據進行了訓練，它將在稱為推理管道的第二個管道中使用。

圖4顯示了訓練管道的可視化。第一步需要收集歷史威脅評估數據以及ADO威脅標簽（如果所需的ML模型使用監督學習算法）。接下來，這些數據將通過數據預處理模塊合并為格式良好的數據集。然后，這個大型數據集將被分成三個不同的集合：

1.訓練數據集：該數據集將是ML模型在訓練時唯一看到的數據集。它也將是三個數據集中最大的一個。通常在本節中描述的三組之間決定百分比分配。這取決于系統設計者的判斷。常見的比率是80/20或90/10，具體取決于可用訓練點的數量。這些點將用于訓練模型，但重要的是保留一個保留數據集，以確保您的模型不會過度擬合訓練數據（即，無法泛化到新的未見數據點）。

2.驗證數據集：這將在訓練進行時用作測試集。這些數據不會用于訓練模型，而是在訓練的非常時期結束時，將在這個小集合上測試模型。這對于確定模型何時得到充分訓練很有用。即使模型在訓練數據集上的損失可能會繼續減少，但如果驗證集上的損失已經趨于穩定，那么模型可能會過度擬合訓練數據集，應該停止訓練。

3.測試數據集：該數據集將為所有候選 ML 模型提供最終評估指標。它不會用于訓練，并且模型設計者也必須不要檢查此數據集。這將確保模型超參數不會根據此測試數據集進行調整。測試數據集的價值在于發現ML模型是否可以泛化到來自類似于訓練示例分布的看不見的數據點。如果測試數據集的損失遠高于訓練集和驗證集，則模型很可能對其訓練數據進行過擬合。如果有多個候選ML模型，則可以使用測試數據集上的損失和準確率來確定選擇哪個模型。

在模型訓練期間將使用訓練和驗證數據集，在模型評估期間將使用測試數據集。

圖4 ：ML 模型訓練管道

一旦最佳候選ML模型經過訓練和選擇，它將用于AI工具的生產版本。該模型將用于實時提供在線推理/預測。候選模型的訓練和測試可以繼續進行，也可以納入新模型或研究。這將確保AI工具始終使用性能最佳的ML模型。

一旦經過訓練的模型展示了所需水平的能力，就該使用推理管道了。推理管道是ML組件，將在操作中使用的實際AI工具中使用。該管道的示意圖如圖5所示。

圖5：ML 模型推理管道

人工智能工具將被要求不斷監控傳感器和操作員的情報，以獲得最準確的現實畫面。該數據將組合成與每個空中目標相關的提示數據集。一旦一組提示數據可用，它將被提供給ML模型，以便進行預測。然后，該預測將通過本工作前面討論的AI工具的其他組件提供給ADO。一旦投入生產，該模型還將通過運行來自新威脅評估情況的示例和迄今為止ADO對預測的反饋來保持最新狀態。這種訓練可以以在線方式（即連續）完成，也可以通過批量訓練（即以設定的時間間隔一次對所有示例進行訓練）完成。該模型還將對其性能進行監控，以確保準確性和損失不會隨著操作現實的變化而隨著時間的推移而降低。如果檢測到性能下降，則人工干預和糾正可以使系統恢復到以前的性能水平。

3.5 威脅評估和人工智能流程

本小節將解釋威脅評估過程的背景以及傳統上它是如何完成的。它還將標志著傳統流程中的挑戰和通過智能決策支持系統(DSS)改進的機會。還將介紹AI工具及其與傳統DSS威脅評估的關系。

3.5.1 用于威脅評估的因素和結構

有關因素信息和分類的描述，請參見[21]。出于 AI 目的，因素數據應構造為包含m個因素的向量，其中m是觀察中的因素數量，每個條目是一個因素值。每個完整的向量都是一個樣本，如果有足夠大的樣本訓練數據集，就可以進行機器學習。

對于空中威脅評估，已經確定了16個因素來構成關于目標的最有價值的信息[4]。這些見表 1。

表 1：用于目標威脅評估的因素。

3.5.2 挑戰和機遇

威脅評估過程絕非易事。這是一項壓力極大的任務，需要做出復雜的決策。該過程的認知和物理性質是由于各種原因造成的，當它們結合起來時，會對操作員的決策過程產生不利影響。

操作員不僅必須處理來自各種來源的大量和類型的信息，而且還要同時管理多個任務。例如，操作員管理可能來自眾多媒體、顯示器和人員的音頻、口頭和視覺信息[4]。除此之外，他們還必須執行其他任務，例如監控指定監視區域內的空中目標、了解可用資源以及準備情況報告[4]。這種高度的多任務處理和信息過載給威脅評估任務帶來了認知復雜性和身體壓力。

除了大量數據之外，運營商還面臨著信息中固有的不確定性。運營商必須考慮到數據源的不完善性以及人類行為的不可預測性[3]。不確定性量化和感知在威脅評估過程(和戰術軍事行動一般[3]，因為運營商依賴決策過程中的數據來獲取環境(和對手)的感知。

在時間限制下操作人員的工作也造成了相當大的壓力。需要時間來收集信息、處理信息并最大限度地減少不確定性。但是，空中目標正在高速移動，因此必須根據可用的融合做出決策此外，用于信息收集/處理和不確定性最小化的時間越多，制定后續決策和行動的時間就越少，對手收集/處理信息和行動的時間就越多。最后，錯誤決定的后果是嚴重的，甚至可能是災難性的。飛機的錯誤分類1988年造成290名平民死亡的事件[27]就是決策失誤的一個例子。操作員工作的重要性和不正確執行的后果增加了任務的壓力。

運營商在威脅評估過程中面臨的挑戰促使人們研究如何在不影響威脅評估可靠性的情況下減輕認知和物理工作量。更具體地說，有機會開發用于空中目標威脅評估的決策支持系統(DSS)[4]。圍繞DSS的設計原則（即DSS 所包含的內容）有許多著作。

DSS的關鍵要求之一是它不能取代運營商；相反，DSS是對運營商的補充。[3]將此要求描述為DSS充當“決策支持而非決策自動化”。這方面允許在威脅評估過程中操作員和系統之間的協作。讓人參與決策過程是至關重要的:人在環方面確保每個決策都有責任。軍事行動的合法性要求問責是其行動的組成部分，問責包括明確的合法性和道德標準。如果在這個過程中沒有操作者，那么誰應該為錯誤決策的后果負責的模糊性就會帶來法律和道德上的分歧。

除了確保操作員始終參與決策之外，文獻中還介紹了其他設計原則。[2]根據文獻及其實地工作，詳細列出了設計威脅評估系統的規則。顯著的設計特點包括：

1.透明度：DSS應該能夠證明其計算和后續建議的合理性[3,4]。因此，DSS應向操作員提供導致最終值[2]的中間計算以及每個提示對最終威脅值[4]的影響。消除DSS的黑盒特性的重要性在于建立對系統的信心和信任[3]。如果不知道決策/建議是如何生成的，人類不太可能接受自動化系統的決策/建議[29]。理解上的不透明為誤用和錯誤創造了機會[12]。由于使用機器學習方法來構建AI工具，因此這是這項工作的一個重要考慮因素。機器學習方法不限于人類定義的決策規則，因此可以表現出黑盒性質。因此，與傳統DSS相比，AI工具的透明度更為重要。

2.處理不確定性：DSS決策所依據的數據中有許多不確定性來源（例如，傳感器數據、威脅值計算中的參數）[2]。處理不確定性也是DSS的一個重要設計特征，因為它允許運營商調整他們對系統的信任級別。在[2]中，這個設計方面是通過使用提示數據的區間表示來實現的。

3.信息的有效和交互式顯示：使用圖形格式顯示信息很重要，因為威脅是一個模糊的概念[4]。應傳達給操作員的重要信息是威脅等級、威脅歷史、線索列表[4]，以及與建議相關的不確定性[3]。除了顯示信息之外，系統還必須能夠提供操作員可以與之交互的媒介。這可確保操作員留在威脅評估過程中[3]。

本報告中提出的人工智能工具可作為空中目標威脅評估的DSS。人工智能工具的人工智能方面在于系統的運行方式。更具體地說，人工智能工具將把人工智能概念（例如，機器學習、適應）納入其操作中。

3.6 AI 工具

AI工具將能夠集成到空中威脅評估的所有階段。本小節將描述威脅評估的每個階段與AI工具的能力之間的關系。

空中威脅評估的階段如下[4]：

1.掃描并選擇提示。

2.比較、調整適合和適應。

3.計算威脅等級。

4.繼續處理。

關于1（掃描并選擇提示），AI工具將能夠使用所有可用的提示。這與人類操作員不同，后者僅審查18個可用于評估飛機的線索中的6到13個[4]。這些信息將通過各種傳感器從環境中收集，然后通過通常的情報報告或傳感器讀數方式進行報告。這些數據將被編譯到一個數據庫中，供AI工具訪問以從中進行學習和預測。

關于2（比較、調整擬合和適應），AI工具將對數據庫中可用的線索進行計算。該數據可以與ADO專家提供的感知數據（例如預期海拔）進行比較，并檢查實際數據是否一致。如果數據與預期不一致，人工智能工具會將差異與歷史示例進行比較，以提供對差異的解釋或調整。如果數據無法協調，則可能需要調整模型的擬合度，人工智能工具可以選擇將飛機作為不同類型（即軍用、民用）進行處理。

關于3（計算威脅評級），人工智能工具將使用可用的線索，如果它增強預測，可能還會使用這些線索的子集，來預測目標的威脅評級。 Liebhaber、Kobus 和 Smith 在[30]中發現威脅等級獨立于檢查的線索數量。

關于4（繼續處理），如果所有提示數據都可以充分解釋，人工智能工具將完成分析，或者它將繼續搜索和處理新的提示。這個過程將一直持續到模型通過基于解釋的輸出獲得ADO的批準，或者直到所有可用的線索都被處理并且模型擬合得到盡可能好的調整。

3.7 AI 工具在威脅評估中的挑戰

第3.5.2節概述的關于操作員對DSS的信任的關鍵點之一是用于生成威脅評估結果的模型的透明度。操作員很難對沒有提供理由和解釋的機器輔助預測有信心[4]。出于這個原因，已經創建了許多在計算和標準加權方面具有透明度的DSS方法。例如，許多MCDM方法可以為每個單獨屬性的權重以及它們如何對最終威脅評估做出貢獻提供充分的理由。這是MCDM DSS工具的優勢之一。不幸的是，這種透明性可能會導致工具缺乏復雜性和表現力。相反，機器學習工具可以同時基于所有數據點之間的非常深的聯系做出假設，這可能是以人類不會的方式。這種增加的復雜性往往會降低工具的透明度和可解釋性。

某些機器學習方法的結果仍然是透明的，并且以與自學的MCDM方法相似的方式工作。例如，線性回歸模型可以提供每個線索如何影響最終威脅評估評估的完整理由。該模型既受益于透明度，也受益于無需人類專家參與的自學。

其他一些機器學習模型并沒有從透明度中受益。最先進的機器學習模型之一是神經網絡。這是一個擁有大量研究的大領域，也是深度學習分支的新爆炸。這些方法不那么透明。在[31]中發現的2020年文獻調查探索了許多現有的試圖使神經網絡和深度神經網絡推理對最終用戶可解釋的工作，但是，局限性仍然存在。

現實世界的威脅評估變量通常包括決策過程各個級別的不確定性。對威脅評估準確性的最大影響之一來自根本沒有獲取的數據。這種丟失的數據可能是由于無法收集、傳感器故障、傳感器誤報或許多其他原因造成的。當數據完全丟失時，就很難就目標所擁有的威脅做出明智的決定。幸運的是，機器擅長執行計算，可以估計、替換或忽略丟失的數據。

在[22]中，探索了為每個決策結構預先計算不同查找表的選項。這將涉及根據每種可能的信息缺乏狀態訓練許多不同的模型，并將它們與完整狀態相關聯。這假設對于訓練有大量完整的示例可供借鑒。不幸的是，“為所有可能的輸入組合訓練網絡的天真的策略在復雜性上呈爆炸式增長，并且需要為所有相關案例提供足夠的數據”[32]。相反，[32]建議定義一個可以被認為是真實的基礎模型，然后將所有數據與該模型相關聯。

在許多可能的情況下，在訓練時沒有或只有很少的完整示例可用。在這種情況下，必須確定是僅使用完整數據進行訓練，還是以某種方式合并不完整的示例。在[32]中，發現用均值代替缺失輸入會導致比僅基于完整示例訓練網絡更差的性能。因此，尋求改變神經網絡架構或訓練方法的方法，以有效地合并（可能大量）不完整的數據示例。

使用不完整數據進行訓練的最有效方法之一來自[33]。本文證實，在訓練神經網絡中使用原始不完整數據可能是比在學習開始之前填充缺失屬性更好的方法。所采用的方法涉及對神經網絡架構的輕微改變，但應該與大多數現有架構兼容。該方法通過將第一個隱藏層中典型神經元的響應替換為其期望值來工作。高斯混合模型在每個神經元的輸出上進行訓練，以學習概率密度函數和期望值。這消除了通過單個值對任何缺失屬性進行直接插補的需要。 “隱藏層不是計算單個數據點的激活函數（對于完整的數據點），而是計算神經元的預期激活”[33]。該方法還取得了與其他現有方法可比的結果，這些方法可以從不完整的數據中進行預測，但需要完整的數據進行訓練。

另一種方法可以通過提高缺失數據插補的準確性來采取。[34]研究了文獻中許多可能的數據插補解決方案。它還指出，一些無監督學習聚類算法，如分類和回歸樹(CART)和K-means，已適用于缺失數據的問題。缺失數據插補的優點是不需要對實際的機器學習模型或平臺進行任何更改。當前存在或將來構建的任何基于完整數據提供準確預測的方法都將有效地處理通過插補生成的數據。數據插補的目標是以盡可能接近現有真實數據分布的方式填充缺失值。如果成功完成，則可以對新完成的數據使用現有的統計分析和機器學習工具。

4 AI工具的架構

在本節中，將討論AI工具的潛在架構。將涵蓋從面向操作員的界面到AI組件組合的設計。所提出的AI工具的整體架構可以在參考文獻[35]中看到，它需要三個主要組件，如圖6所示。

圖6：AI 工具的概念框架

未來的人工智能工具可能會將舊的基于模型或自上而下的方法與新的數據驅動的自下而上的方法結合起來。這種類型的系統允許人工智能工具擁有一個由數百或數千個專家派生規則以及數百萬條特定領域知識（如歷史傳感器數據）組成的知識庫[36]。一種可以結合領域專業知識和數據驅動學習的人工智能系統是回歸樹。圍繞回歸或分類樹構建用于空中威脅評估的AI工具將是一個不錯的選擇。回歸樹的另一個好處是它們的輸出可以被人類操作員解釋，并且可以解釋它的選擇。整個模型基于一系列決策或規則，這些決策或規則可以在操作員界面中作為理由提供。這使ADOs可以對AI工具提供的評估充滿信心，或者質疑為什么某個值的解釋與他們的解釋不同。

AI工具的前端組件將是所有ADO交互發生的地方。它將顯示可用信息和AI工具獲得的見解。它還將允許ADO與信息交互并形成自己的結論。此前端將需要分析ADO工作流程。在[4]中已經對美國海軍ADOs進行了采訪，并提出了許多不同的圖形顯示建議。前端應顯示計算出的軌道威脅等級，并為該評估提供證據和解釋。還應提供原始數據，以便ADOs可以確認AI工具的假設。盡可能以圖形方式呈現給用戶的概率，因為這會減少冒險行為[37]。前端還將通過使用強化學習來利用AI功能。應制定一項獎勵快速完成ADO活動的政策，例如將資源分配到目標軌道以保護資產。此RL算法將能夠決定用戶界面(UI)元素的放置位置以及UI上顯示的內容。如果將常見動作從菜單移動到主顯示屏增加了RL功能獲得的獎勵，那么ADO完成任務所用的時間將會減少。這確保了前端最終變得最優，并適合實際ADOs的工作流程。

人工智能工具后端的兩個不同元素之間存在區別。在AI中，該工具可以是正在學習的，也可以是經過全面訓練并準備好執行的。首先將檢查學習后端。無論是第一次訓練AI工具還是處于持續學習狀態，它都會利用學習后端。學習后端連接到包含歷史數據的知識數據庫，可用于提供數百萬對自下而上的人工智能技術有用的數據點。這是機器學習和決策樹將特別有效的地方。如果實施決策樹學習算法，它將能夠創建有助于根據歷史數據和決策對新目標進行分類的規則。這些規則還允許AI工具向ADOs解釋其輸出。

當工具準備好用于生產并與前端交互時，將使用正在執行的后端。這種執行就緒狀態將存儲自上而下或基于模型的人工智能的人類專家規則。該組件將是一個由學習后端輔助的專家系統。通過對ADOs的專業知識和對目標線索重要性的看法的采訪中獲得的數千條規則將使其成為AI組件。同時，通過將這些人工規則與通過機器學習在學習后端找到的規則相結合，可以優化值和預測。

一些功能性和非功能性需求可以從目前已知的用于威脅評估的AI工具中指定。更高級的要求應通過與未來ADO 客戶的面談來制定。

4.1 功能需求

1.當傳感器或智能數據更新時，人工智能工具應攝取數據并進行訓練或預測。

2.AI 工具應為 ADO 定義的感興趣區域內的所有目標提供評估預測。

3.界面應提供評估說明并允許 ADO 交互。

4.AI 工具應提供自動模型訓練或新數據的重新訓練。

5.AI 工具應與 ADO 請求時可用的任何數據子集一起使用，并在新數據可用時合并它。

4.2 非功能性要求

1.AI 工具應在數據可用后 100 毫秒內提取數據。

2.AI 工具必須處理每個實例和感興趣區域的數百個目標。

3.AI 工具應在 2 秒內提供 ADO 要求的特定威脅評估。

4.界面必須符合 ADO 偏好，并允許在 3 次點擊內訪問所有常用命令。

5.人工智能工具必須對缺失的數據做出強有力的反應，并繼續進行評估和學習。

4.3 未來步驟

本報告之后的下一步將是開發供ADOs用于空中威脅評估的AI工具。為完成此目標應采取的一系列步驟如下：

1.需求分析：人工智能工具開發人員應在威脅評估過程的每個階段與關鍵決策者坐下來。應采訪ADOs，以確保該工具滿足其工作模式和預期結果的所有要求。還應與流程早期的關鍵人員進行面談，以確保系統兼容性。這將包括傳感器和其他資產經理，他們可以確認系統輸出將如何格式化并提供給AI工具。人工智能工具完成分析后，需要以有用的格式輸出和存儲，因此依賴人工智能工具輸出的系統中的決策者應該分析他們的需求。

2.確定AI工具所需的組件：完成需求分析后，開發人員應決定哪些通用AI工具組件將需要，哪些可以省略（如果有的話）。可能還需要開發某些專門的組件來支持威脅評估和軍事環境所面臨的獨特挑戰。應該開發工具的架構，并為每個組件分配明確的職責。該架構還將受益于每個組件之間的嚴格輸入和輸出合同，以便數據可用于現有系統。

3.AI和ML組件的選擇和評估：架構和需求確定后，應該明確哪些類型的AI和ML適合該問題。每個可能涉及AI或ML的組件都需要提出和訓練多個候選人。然后將比較這些候選者，以確定哪個最有效地解決了獨特的要求。一旦選擇了最佳模型并選擇了正確的AI類型，所有模型將被移入生產環境并準備連接到AI工具中的其他組件。

4.文檔和培訓：一旦開發了最終的AI工具并通過代碼注釋和其他文檔工具正確記錄了文檔，就該開發外部文檔了。該文檔應傳達AI工具的實用性以及如何有效使用它及其功能。審查ADO要求將有助于為受眾塑造文檔。一旦開發了該工具，培訓會和從ADOs收集反饋將很有用。

5.集成到生產系統：人工智能工具將投入生產，以協助ADOs進行空中威脅評估。需要檢查智能管道中較早的系統和管道中較晚的系統之間的所有連接以確認兼容性。

6.監控和維護：隨著時間的推移，隨著新威脅或新情況的發現，人工智能工具將能夠得到更新和改進。無論是通過人工還是自動系統，持續監控AI工具以確保預測質量不會隨著時間的推移而降低，這一點很重要。通過使用新版本更新舊模型，也可以納入AI和ML研究的新改進。

5 結論

人工智能工具是執行通常由人類處理的復雜任務的最先進方法。這為提高人類操作員的效率和有效性提供了許多可能性，例如執行高腦力任務的ADOs。威脅評估就是這樣一項非常適合人工智能協助的任務。重要的是要承認，人工智能工具不會取代操作員做出關鍵決策：相反，它們將為決策者提供更準確的數據，以有效地做出關鍵和及時的決策。

將ML集成到AI工具中可以帶來許多過去只能通過人類設計才能實現的新可能性。ML可以讓AI工具在沒有人類教授或者面對不斷變化的情境要求或敵人能力的情況下，從數據中學習。它可以重新設計AI工具交互，使其對 ADOs盡可能有用。它可以幫助將新目標與歷史示例進行聚類，從而為ADOs提供更好的威脅心理模型。可以自動檢測異常數據或空中目標并向操作員報告。

熟練和經驗豐富的ADOs與AI工具的結合將實現更快、更準確和更強大的空中威脅評估。通過讓人工操作員參與進來，該工具將保持ADO的責任和專業知識，同時提高生產力和效率。結合處理不完整數據狀態的現代方法也將使該工具對數據不準確或不可用具有魯棒性。

因此，該工具應該有助于國防和威脅評估過程。