亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

西方軍事強國依靠復雜而精確的武器來威懾和擊敗不對稱和近似對手。這些武器必須與有關其目標的準確信息相匹配，如位置和狀態。

當涉及時間緊迫的目標時，這種信息需要迅速提供，否則，目標可能會轉移。被定義為 "傳感器到射手"（STS）周期過程代表了實施攻擊的過程。它與情報、監視、偵察和目標獲取（ISTAR）資產、信息處理、決策和相關武器系統有關。對于現代軍隊來說，從戰術層面到戰略層面，快速通過這一過程的各個階段是至關重要的。

從殺傷鏈到殺傷網

STS周期有許多同義詞，其中最常見的是 "殺傷鏈"，它定義了從目標的出現，通過計劃和授權，到目標交戰的過程。傳統上，殺傷鏈反映了與該過程中的各個要素相關的一套線性程序。然而，為每個目標保持離散的殺傷鏈并不總是適合于緊急要求或短暫的機會。現代軍隊試圖通過簡化的數據共享、更快的數據鏈、自動化流程和平行任務來加速這一過程，從而形成一個 "殺傷網"，最終目標是在幾秒鐘內而不是幾分鐘或幾小時內實現打擊。

在一個依賴精確效果的軍隊中，傳感器與效應器一樣重要。通常情況下，改進傳感器比升級武器更有助于提高打擊效率，因為改進傳感器和信息處理提供了更多的交戰機會，提高了成功交戰的概率。這種改進包括增加傳感器的數量或種類，為"從傳感器到射手 "系統提供信息，并擴大帶寬以提高信息傳輸的速度和深度以及信息傳遞的質量。建立一個由多個不同傳感器組成的 "傳感器網"，可以將多個反饋信息融合在一起，提高探測隱蔽目標的概率，為射手提供更準確的信息。

傳感器通常與武器共處一地，形成緊密的傳感器到射手系統，但在其他情況下，傳感器、指揮與控制（C2）和射手是分散的。當傳感器數據通過無線網絡傳輸時，帶寬限制、電子攻擊和干擾會造成擁堵并延遲信息流和處理。衛星鏈路特別容易受到這些干擾。現代網狀網絡具有固有的彈性，可以承受這種挑戰，并經常被用于當代傳感器網絡中。在武器系統相對接近的情況下，這種網絡可以提供一個 "戰術云"，即使在面臨干擾的情況下也能進行通信。

無人機制造商AeroVironment推出了一個緊密結合的STS系統的例子，該系統包括一架監視無人機--PUMA 3 AE和SWITCHBLADE 300游蕩彈藥。操作員可以使用SWITCHBLADE 300 STS套件在同一個顯示器上監控這兩個系統，允許他們在攻擊前后看到PUMA 3 AE的傳感器視圖，同時還可以看到游蕩彈藥的攝像機在接近目標時的畫面。這兩個系統的傳感器和數據鏈被設計成與同一控制單元上顯示的地圖視圖同步。這一過程簡化并加速了監視任務中遇到目標的反應。俄烏戰爭中的雙方都采用了這種跨無人機的獵殺團隊。

精簡過程

精簡各層級、各領域和聯盟伙伴的流程要復雜得多。一個典型的例子是在烏克蘭看到的炮兵反擊任務。在發射第一輪炮彈之前，火炮射擊要遵循結構化的、詳細的規劃和火力指揮流程。但對敵方炮兵目標執行反擊必須更短，因為目標往往是 "短暫的"，特別是當涉及到移動火箭發射器和自行火炮時。這類任務依靠各種傳感器，如聲學傳感器、雷達，來探測敵人的火力，并利用計算機計算敵人的火力軌跡，推斷出敵方的火力位置。因此，這一過程需要在敵人離開其火力位置之前迅速進行。在反火力STS循環中，傳感器和射手都是由炮兵操作的，通常是在師或團一級。他們共享網絡、程序和信息格式，快速處理信息并執行反擊任務。

在非常遠的距離上，對敵方火力的反應需要更多的傳感器來提供足夠的覆蓋。例如，對射程達數百公里的彈道導彈作出反應，需要基于更高層次的傳感器和情報來源的目標信息，而射手們可能無法獲得這些信息。美國陸軍計劃將部署低地球軌道（LEO）通信衛星，即戰術空間層（TSL），與戰術情報瞄準接入節點（TITAN）地面站整合在一起，以支持縮短遠距離傳感器到射手的周期要求。

另一個考慮是傳感器和信息系統之間的連接，這可能是漫長而復雜的。當在戰術層面操作時，在傳感器和射手之間共享一個單一的通信層可以簡化連接，同時可以利用自動化來減少操作人員的認知負擔。

盡管加速STS周期需要改進許多要素，但它通常包括扁平化的層次和清除現有流程中的障礙。另一個加速過程的手段是機器對機器的連接，這在較低層次上最容易實現。這種解決方案在較高層次上的實施更具挑戰性，特別是在聯合和多國聯盟行動中，不同的信息系統和數據共享標準之間的連接成為必要。有時，將兩名官員聚集在一個房間里，可能比自動化更能解決長時間的延誤。其他解決方案包括引入信息翻譯器，以簡化不同計算系統之間的連接。一旦信息系統可以相互交談，就可以引入額外的增強功能，例如使用機器學習和人工智能來處理大量的數據。

連接所有傳感器和射手

在現代殺傷性網絡中，傳感器可以將它們的饋送上傳到戰術云，形成一個由許多傳感器和用戶共享的網絡，而不是將一個特定的傳感器與一個特定的用戶聯系起來。為了最大限度地減少上傳帶寬的要求，可以用人工智能和機器學習對信息進行預處理，以進行自動目標識別（ATR）和數據挖掘。上傳這些事件和它們的時間關鍵數據，以及其他可能對某些用戶有意義的饋送，都會被優先處理。進一步的處理可以在云中完成，包括測量、態勢評估和與其他傳感器的關聯，以產生決策過程中可能需要的額外信息。

美國國防部追求的聯合全域指揮與控制（JADC2）是殺傷網概念的體現，旨在提高互操作性和決策速度。盡管這樣的網絡在理論上很有前途，但它的實施是復雜的，特別是在陸地領域，而且它在有爭議的環境中的持續運行也無法得到保證。因此，用戶應該保持處理JADC2的一部分被拒絕或降級情況的能力，而部隊需要以孤立的方式運作。

美國陸軍一直在多維 "項目融合"（PC）演習中測試JADC2的一些方面，連接陸軍、空軍、海軍、海軍陸戰隊和太空部隊的系統和能力。去年的演習（PC21）將多個情報、監視和偵察（ISR）以及武器平臺整合到陸軍的殺傷性網絡中，以產生一個詳細的實時共同作戰畫面（COP）。這項工作依賴于110項新技術和概念。

在PC21上，陸軍為多域特遣部隊（MTDF）的作戰框架采用了計劃中的五個作戰云服務器中的第一個。每個戰斗云服務器能夠通過衛星連接處理一個完整的傳感器到射手系統，計劃為陸軍的五個多域特遣部隊各配備一個服務器。每個MDTF將分別駐扎在美國大陸、歐洲、太平洋和北極地區，而第五個將被指定為全球MDTF--一個空中機動部隊，準備在24小時內將殺傷網部署到世界任何地方。每個MDTF云服務器運行四個人工智能程序，以實現殺傷網的自動化，稱為RAINMAKER、PROMETHEUS、FIRESTORM和SHOT。

殺傷網

在PC21，RAINMAKER通過衛星鏈接將15個傳感器和19個武器系統連接到戰斗云。RAINMAKER翻譯來自不同來源的數據，每個來源都有自己的 "語言"。在PC21演習中，RAINMAKER還面臨著電子干擾的模擬挑戰，以及作為演習一部分的對手部隊對位置、導航和計時（PNT）數據的欺騙。為了克服這些挑戰，RAINMAKER在射頻（RF）鏈路上實施了新的抗干擾波形，并尋求開放的通信渠道來重新配置網絡，以保持傳感器的反饋。

PROMETHEUS的任務是在RAINMAKER提供的ISR平臺的傳感器反饋中尋找威脅和目標。一旦發現目標，它們就會被交給 "多域作戰中優化反應的火力同步"（FIRESTORM）程序，其工作是根據連接到系統的每個射手的位置和狀態，將最佳 "射手 "與最合適的目標相匹配。對于每個目標，FIRESTORM向戰場指揮官提出幾十個'傳感器-目標-武器'射擊方案。一旦做出選擇，它就會被發送到同步高光速瞄準（SHOT）程序中執行。隨著被選中的武器在幾秒鐘內收到開火或發射的命令，所有與該任務相關的其他射手都被釋放，執行不同的任務。這時，PROMETHEUS接手執行戰損評估。涉及這個復雜的四項程序的整個過程只需幾秒鐘。

美國陸軍的第一個MDTF于2017年在華盛頓州的劉易斯-麥克喬德建立，而第二個則于2021年9月在德國威斯巴登的克萊卡塞爾基地建立。陸軍計劃于2023年在夏威夷的Schofield Barracks啟動其第三個MTDF。

新的STS能力

在以色列醞釀的另一個傳感器到射手的概念是 "風暴云"的發展，涉及新系統的整合，作為新單位和能力建設的一部分。2022年8月3日在Hatzor空軍基地啟動的第144中隊是這個概念的一個組成部分。這支新部隊將操作Aeronautics公司的ORBITER 4無人機，為以色列國防軍（IDF）的 "風暴云"計劃提供空中ISR層。這個雄心勃勃的系統是一個全面的、自動化的廣域監視、目標獲取和自動化情報處理系統的一部分，旨在增強小型獨立部隊的作戰能力。

傳感器、戰斗管理系統、武器和數據處理系統的聯網使它們成為分布式 "傳感器到射手 "系統的一部分。拉斐爾公司的FIRE WEAVER是一個傳感器到射手系統，旨在為營級戰術編隊服務。拉斐爾公司最近為SPIKE NLOS推出了一個傳感器到射手的系統，稱為SPIKE NLOS任務工作組（SPIKE NMT）。該系統將ORBITER-4無人機上的攝像傳感器和拉斐爾BNET軟件定義的無線電，與FIRE WEAVER系統整合在一起。該系統采用了SPIKE NLOS第六代導彈，可安裝在陸地平臺上，射程為32公里，或安裝在直升機上，射程為50公里。

傳感器到射手系統為軍隊在日益復雜的戰場上保持步伐提供了一種有希望的手段。然而，正如許多創業公司的經驗表明，成功實施并贏得用戶的關鍵是采取簡單的小步驟。對機器來說，瀏覽龐大而超復雜的系統可能很簡單，但在戰場上，人類操作員必須是第一位的。

人工智能（AI）的最新進展引起了人們對人工智能系統需要被人類用戶理解的關注。可解釋人工智能（XAI）文獻旨在通過向用戶提供有關人工智能系統行為的必要信息來增強人類的理解和人類-人工智能團隊的表現。同時，人為因素文獻長期以來一直在解決有助于人類表現的重要考慮因素，包括如何確定人類的信息需求、人類負荷以及人類對自主系統的信任。從人類因素的文獻中，提出了可解釋人工智能的態勢感知框架（SAFE-AI），這是一個關于人工智能系統行為解釋的發展和評估的三級框架。提出的XAI級別是基于人類用戶的信息需求，這些需求可以用人因文獻中的態勢感知（SA）級別框架來確定。基于我們的XAI等級框架，我們還提出了一種評估XAI系統有效性的方法。進一步詳細說明了在確定解釋的內容和頻率時對人為負荷的考慮，以及可用于評估人為負荷的指標。最后，討論了通過解釋適當校準用戶對人工智能系統信任的重要性，以及XAI的其他與信任有關的考慮，還詳細介紹了可用于評估用戶對這些系統信任的指標。

隨著最近人工智能文獻中對可解釋人工智能（XAI）的關注，定義XAI系統應該傳達哪些信息以及如何衡量其有效性變得越來越重要。Gunning和Aha（2019）將XAI定義為 "能夠向人類用戶解釋其原理的人工智能系統，描述其優勢和劣勢，并傳達對其未來行為方式的理解"。我們采用了XAI的這一定義，并將解釋定義為支持人類推斷人工智能系統上述細節的必要信息，包括關于其輸入、模型和輸出的信息。開發XAI技術的動機經常被說成是需要在日益復雜的人工智能系統中實現透明化（Fox等人，2017；Lipton，2016），以及需要在日益不透明的系統中獲得用戶信任（Borgo等人，2018；Fox等人，2017；Lipton，2016）。提高人工智能系統的透明度和說明人類對這些系統的信任都有助于提高人類-人工智能團隊的績效；因此，支持人類-人工智能團隊的績效是XAI的主要目標之一。事實上，以前的研究已經證明了智能體的透明度對人類-AI團隊中人類隊友的任務表現的積極影響（Chen等人，2017，2018；Stowers等人，2016）。一些文獻認為，存在性能-可解釋性的交換，即更多可解釋的人工智能系統會以某種方式犧牲算法性能（Gunning & Aha，2019；Lipton，2016）。然而，如果缺乏系統的可解釋性抑制了團隊的整體表現，那么改進算法性能所提供的好處可能會喪失。例如，如果一個基于醫學機器學習的成像系統能夠在對某些醫療問題進行分類時取得更大的準確性，但它的方式使人類醫生更難注意到其判斷中的錯誤，醫生-AI團隊的績效可能會受到整體影響。因此，我們認為優化人類-AI團隊的表現，通過對系統行為的解釋來實現，是XAI的主要目標。

在人因方面存在著豐富的文獻，探討了人類與自動化系統互動的場景，以及在任務執行過程中影響人類表現的各種因素。態勢感知（SA）的概念，已經在人為因素領域和人類-自動化團隊的背景下進行了研究（Chen等人，2014；Endsley，1995），定義了人類在任何場景下操作的信息需求（Endsley，1995）。XAI系統，作為提供人工智能行為信息的系統，可以為人類用戶的SA子集做出貢獻，該子集與人工智能行為有關。通過XAI系統提供的支持人工智能的信息，可以提高人類-人工智能團隊的績效；然而，除了XAI支持的人工智能子集之外，整體的人工智能也是支持團隊績效的必要條件，但并不完全是充分條件（Endsley，1995）。

人為因素的文獻討論了其他的因素，這些因素對于人與AI團隊的表現同樣是必要的，并且也與XAI系統有關。首先，雖然SA定義了人類需要的信息，但工作負荷的考慮影響了如何以及何時提供這些信息（Parasuraman等人，2008）。其次，用戶對自動化系統的信任的重要性已經在之前的文獻中得到了明確的探討（Lee & See, 2004; Schaefer等人, 2014）。重點不是增加用戶的信任，這通常被作為XAI的動機（Borgo等人，2018；Fox等人，2017；Krarup等人，2019），而是適當地校準信任，導致人工智能系統的適當使用（Chen等人，2014；Ososky等人，2014；Schaefer等人，2014）。

除了討論SA、負荷和信任的概念以及對這些考慮因素的相關設計建議之外，文獻還將這些概念操作化，提供了評估的方法和指標（Parasuraman等人，2008）。正如SA支持但不等同于性能一樣，XAI系統提供的高質量解釋支持但不等同于SA、適當的人類工作負荷或對AI系統的充分信任。然而，根據與這些因素相關的方法和指標來評估XAI系統，有助于了解所提供的解釋是否實現了提高人與AI團隊績效的最終目標。除了團隊績效之外，將SA、工作負荷和信任作為XAI的中間目標來衡量，可以明確績效評估中存在的潛在混淆因素。

雖然之前已經提出了一些評估XAI系統不同方面的指標（Doshi-Velez和Kim，2017；Hoffman、Miller等人，2018；Hoffman、Mueller等人，2018；Lage等人，2019），但XAI文獻目前缺乏一套全面的評估解釋質量的合適指標。雖然可能無法明確和獨立地定義一個解釋的質量，但在許多情況下，一個解釋只有在它有助于實現SA、適當的信任和適當的工作負荷等中間目標以及提高績效的最終目標時才是 "好 "的。換句話說，在許多情況下，SA、信任和工作負荷以及團隊績效可以作為代理，表明XAI系統是否實現了它的預期目標，因為XAI系統的目標往往與這些概念有關。因此，XAI從業者可以利用現有的人類因素指標來評估他們所提出的技術。

在本文中，我們討論了與XAI相關的人類因素文獻（包括現有的XAI技術），并根據人類因素界的發現提出了一套XAI系統的設計考慮和評估指標。我們首先更詳細地討論了人的因素中的SA概念，并提出了可解釋人工智能的態勢感知框架（SAFE-AI），其中包括XAI的級別，定義了哪些關于人工智能算法和過程的信息應該由XAI系統來支持；這些級別與Endsley（1995）提出的SA級別緊密對應。我們進一步強調了一套現有的XAI技術如何適合我們的框架，以及用于評估現有技術的指標如何映射到SA的評估。SAFE-AI旨在為定義XAI系統的需求提供一個以人為本的結構化方法，為XAI技術的開發提供指導，并為XAI系統的評估提供指導。

SAFE-AI可以用來定義XAI系統的信息要求，但是信息要求本身并不能決定XAI系統的整個設計。同樣重要的是，要考慮在交互過程中的任何給定點向用戶展示多少信息，以及展示信息的頻率，以便用戶能夠實際處理這些信息。這些考慮與人類的工作負荷有關。此外，系統可能有必要向人類用戶提供額外的信息，以便適當地校準人類對系統的信任，這可能會影響到適當的使用和團隊表現。因此，在本文中，我們還討論了工作負荷和信任的人為因素概念，XAI中考慮過這些概念的現有工作，以及如何將與每個概念相關的指標應用于XAI系統的評估。理想情況下，SAFE-AI可以被應用于確定一套初始的交互信息要求，而信任和工作負荷的考慮可以被用來完善這套初始要求，并充實與XAI系統如何被整合到真實世界環境中有關的額外細節。這項工作的初步版本可以在Sanneman和Shah（2020）中找到。本文通過擴展與SAFE-AI框架相關的XAI技術的文獻回顧，以及包括對工作負荷和信任及其與XAI系統的關系的額外討論，對初步版本進行了擴展。

本文的其余部分組織如下：在第2節中，我們討論了態勢感知，包括來自人類因素的相關文獻，我們基于態勢感知的XAI框架，來自XAI文獻的相關例子，以及一個激勵性的例子來澄清對框架的討論。在第3節中，我們擴展了人類因素中人類工作負荷的概念，以及XAI的相關考慮和衡量標準。在第4節中，我們討論了XAI的信任相關考慮。在第5節中，我們根據人類因素文獻的結果和發現，列舉了未來可能的方向，在第6節中，我們總結了本文。

通過這項美海軍的頂點研究，人工智能（AI）三人小組利用系統工程（SE）的方法來研究人工智能輔助的多任務資源分配（MMRA）如何使所有軍種的任務規劃者受益。這項研究的動力來自于優化我們武裝部隊中的MMRA問題集，對于戰術領導人有效管理現有資源至關重要。存在著一個將人類決策者與人工智能支持的MMRA規劃工具相結合的機會。在計算速度、數據存儲和商業應用中的整體公眾接受度方面的快速技術進步促進了這一點。

該團隊從三個任務集著手處理MMRA問題：車隊保護、航空支援和航母打擊群（CSG）行動。車隊保護用例探討了利用定向能（DE）的移動式地基防空系統。航空用例探討了美國陸軍的未來垂直遠程攻擊機（FLRAA）的能力組合，這是一個未來垂直升降機（FVL）的前里程碑B計劃。最后，CSG用例從高度復雜的系統（SoS）角度探討了MMRA。

盡管這些用例各不相同，但團隊探討了這些觀點之間的相似性和矛盾性。每個用例都應用了一般的MMRA流程架構。然而，每個用例的輸入和輸出都是單獨評估的。圖A描述了MMRA的總體流程架構。

如圖A所示，MMRA被設想為在確定的決策點由人在回路中激活。在這些事件中，MMRA系統用實時輸入進行一次循環。由黑盒MMRA系統確定的輸出被顯示給人在回路中的人，以進行標準決策程序。雖然這項研究僅限于問題的分解，但未來的研究領域是開發一個由人類系統集成（HSI）驅動的產品實現。MMRA通過對日益復雜和相互依賴的資源分配問題進行客觀評估，加強了指揮系統的決策。圖B描述了MMRA人工智能系統過程的行動圖。

MMRA決策已經超出了傳統決策過程的復雜程度。這種復雜性適用于任務規劃的各個層面。戰術層面是在士兵個人的直接指揮系統或單位層面進行的。行動和戰略層面則是在梯隊或總部層面進行。所有這些都需要對現有資源進行準確和有效的分配。

圖C中的圖形，"戰術評估過程。圖C "戰術評估過程：MMRA決策的復雜性 "描述了MMRA是如何在一個作戰場景的決策點上隨時間推移而進行的。初始規劃是在??0進行的，與 "MMRA過程結構 "中的 "初始 "黃色活動塊相關。之后的某個時間，??1, ??2, ??3, ..., ????決策點與 "MMRA過程流 "中的 "決策點重新規劃 "黃色活動相關。"初始 "和"決策點重新規劃 "這兩個黃色活動塊啟動了一個完整的 MMRA 過程流，它包含了 "初始 "和 "決策點重新規劃 "連續體中描述的所有活動。

決策點在三個MMRA用例中被普遍定義。然而，為了解情況，對設想中的場景采用了獨特的故事情節。雖然這里不能列出所有的案例，但CSG獨特決策點的一個例子是CSG內部、CSG外部或自然災害援助的應急反應。通常，所有的決策點都發生在出現新的任務、提供不同的任務優先級、資源耗盡、資源被破壞或任務無法繼續完成時。

為了更好地理解MMRA問題集的范圍，該團隊對所有三個用例進行了可擴展性和復雜性分析。可擴展性分析抓住了靜態MMRA問題集的范圍，與該用例的歷史背景相比較。因此，可擴展性分析為最初的MMRA規劃問題集提供了一個從傳統系統到現在用例方案的背景。在DE Convoy Protection和CSG用例中，可擴展性都有不可量化的增加。對于DE車隊保護來說，由于精確攻擊的技術進步，紅色部隊的能力增加。此外，CSG的藍軍能力增加了，在某些地方是三倍，因為反措施能力、導彈類型的可用性和不同級別驅逐艦之間的數量擴大了。作為補充，航空用例產生了15%的可擴展性，從傳統的實用級直升機到FVL FLRAA。

復雜性分析抓住了動態MMRA問題集的范圍，與各自用例的歷史背景相比較。這些復雜性分析提供了進一步的MMRA背景，因為當MMRA在交戰中被重新規劃時，戰術決策發生在多個決策點。所有三個用例的復雜性分析都構建了故事情節，展示了無形的、越來越具有挑戰性的MMRA考慮。隨著MMRA的可擴展性和復雜性的增加，未來對人工智能輔助的MMRA決策的關鍵需求變得清晰。

繼續分解人工智能輔助的MMRA問題集可能會引起美國武裝部隊的興趣。在所有的使用案例中，在初始和重新規劃的作戰場景中，戰術決策的復雜性都顯示出隨著時間的推移而增加。我們強烈建議對人工智能支持的MMRA問題集進行進一步研究。確定的未來研究領域有：工具的倍數、硬件/軟件部署戰略、戰術與作戰與戰略層面的資源配置、連續與離散的重新規劃節奏、人工智能機器學習的考慮，如數據的數量/質量、人類在環路中對人工智能的接受程度、人工智能輸出儀表板的顯示以及人工智能的倫理。

監測和響應系統（MRS）是一種安全機制，旨在幫助保護底層系統免受攻擊，或在發生損害時幫助識別和扭轉損害。雖然MRS試圖發現其他安全機制可能無法檢測到的潛在威脅，但MRS自身也可能有未被發現的漏洞。另外，如果對手可以哄騙一個組件來提供誤導性或分散注意力的信息，MRS可能會導致安全管理員錯過攻擊，為對手的工作提供便利。

本報告的目的是總結一項實質性的工作，旨在制定分析和評估MRS的原則，無論是在實施后還是在設計階段。特別是，這項工作包括三個獨立的領域：基于語法的MRS模型、基于圖形的MRS模型以及為MRS建立保證案例。首先，我們探索了如何根據MRS所包含的組件的清單來指定MRS；我們通過無上下文語法將這些組件指定為數據類型。我們發現，這種類型的目錄雖然信息量大，但并沒有強調允許我們分析其組件是否以MRS的安全架構所要求的方式運行的結構。這促使我們將MRS的描述重新解釋為有向圖，其中箭頭的流動方向與通過MRS的信息方向相同。派生的圖結構限定了事件對MRS的不同組件產生因果影響的方式。然后，我們探討了使用保證案例來理解MRS的組件級結構，因為它們是一種仔細的非正式推理，旨在確定可能導致MRS無法實現其安全目標的重要因果過程。為了論證一個MRS抵制不良后果，它必須在連續的分解層次上為組件提出具體的責任。

總而言之，我們探索了一些技術，使設計者能夠建立更安全的MRS，分析者能夠評估現有MRS的安全狀況。我們的一些技術運行良好，并且是輕量級和直接使用的。我們工作的主要貢獻是開發了一種改進的方法，該方法利用MRS模型，為設計者或分析者提供了在這些模型的許多不同觀點之間進行導航的能力，以及一種跟蹤MRS的觀點和支持MRS達到其預期安全目標的論據的技術。

機器學習的應用非常廣泛，對各種工業和軍事目標都很有用，但目前的方法是否魯棒（穩健）？魯棒性要求的不僅僅是在理想條件下的準確性；它意味著系統能夠抵抗數據中的擾動，包括自然和對抗性原因的擾動。這項研究的目的是分析用于電網故障分類的神經網絡的魯棒性。我們專注于經典的9總線模型模擬產生的數據；然而，這些方法和結果可以擴展到更復雜的微電網，如海軍艦艇、潛艇和基地上的微電網。首先，我們測量隨機和對抗性噪聲對測試數據的影響，并比較三種網絡類型。然后，我們通過改變節點和層的數量來測試不同的結構。最后，我們測試了在訓練數據中加入噪聲是否能提高魯棒性。在潛艇上采用機器學習方法之前，我們必須首先了解其弱點和潛在的錯誤。這項研究為如何測試魯棒性，神經網絡在哪些地方有隨機或對抗性噪聲的風險，以及如何修改網絡以提高其魯棒性提供了基礎。

在一個日益數字化的世界里，在線匿名和隱私是互聯網用戶的一個首要問題。像The Onion Router（Tor）這樣的工具為用戶提供了匿名的互聯網瀏覽。然而，最近，Tor的匿名性因指紋識別而受到影響，機器學習模型被用來分析Tor流量并預測用戶的瀏覽習慣，有些模型的準確率超過99%。Tor有一些試圖防止指紋識別的防御措施，但許多都被利用深度神經網絡（DNN）的新技術所擊敗。對DNN強大的新防御措施使用對抗樣本來欺騙分類器，但這些防御措施要么是假設用戶可以事先獲得完整的流量跟蹤，要么需要Tor服務器的昂貴維護。在這篇論文中，我們提出了Prism，這是一種針對指紋攻擊的防御措施，使用對抗樣本來實時愚弄分類器。我們描述了一種生成對抗樣本的新方法，該方法能夠在隨著時間的推移學習輸入時創建對抗樣本。Prism將這些對抗樣本注入Tor流量流中，以防止DNN準確預測用戶正在瀏覽的網站，即使DNN通過對抗性訓練進行了加固。我們表明，Prism將防御性指紋模型的準確性從98%以上降低到0%。我們還表明，Prism可以完全在服務器端實現，提高了在沒有GPU的設備上運行Tor的用戶的部署能力。