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

當小型無人機系統（sUAS）由疏忽、魯莽或惡意操作者操控時，將對地方及聯邦機構構成重大威脅。隨著sUAS與傳統航空器共享空域的情況日益增多，且其可能作為武器侵入管制空域，人員、設施及資產防護已成為核心議題。本研究通過集成低成本分布式傳感器與機器學習（ML）模型，提升戰場態勢感知能力，補強現有傳感平臺對sUAS的實時探測、分類與定位效能。

本文提出"無人機偵測指揮中心"（DDCC）概念架構。該系統對接分布式節點網絡，通過聲學與光學雙模態實時獲取sUAS數據，并具備截取關鍵幀能力以增強未來機器學習模型的預測性能。基于大疆Matrice 600 Pro采集的數據集，構建多組深度學習模型實現sUAS存在性分類及節點距離預測。重點評估聲學測距性能（與光學測距對比），最終融合多源數據構建定制模型，驗證融合數據是否優于單模態方案。初步實驗顯示：聲學分類準確率79.6%，光學分類準確率86.7%；獨立測距任務中聲學平均絕對誤差10.463米，光學誤差16.961米；經卷積循環神經網絡處理融合數據后，平均絕對誤差降至9.57米，較聲學數據提升0.88米，較光學數據提升7.385米。

本章首先闡明研究問題與目標，隨后介紹DDCC系統——該專有平臺可同步聯動多傳感器執行"記錄"與"預測"指令。

在sUAS激增的背景下，無論操作者性質（疏忽/惡意/軍事），均對地方及聯邦機構安全構成緊迫威脅。面對sUAS與傳統航空器空域共享及其武器化趨勢，人員設施防護已成關鍵挑戰。本研究旨在驗證"低成本分布式傳感器+ML模型"在sUAS探測、分類及測距中的有效性，并構建DDCC系統——該系統可加載預訓練模型，基于視頻、音頻及融合數據實現sUAS存在性識別與距離測算。

本文致力于解決空基威脅探測的多維挑戰（特指sUAS），通過在DDCC中融合"聲學特征卷積循環神經網絡"（CRNN）與"YOLOv8目標檢測模型"，構建可實時識別、分類及測距的全域解決方案。研究目標明確如下：

1. 一體化架構集成：研究CRNN聲學分析與YOLOv8視覺檢測在DDCC中的無縫融合，設計優化雙模態協同架構
2. 聲學測距回歸模型：構建訓練CRNN實現聲源測距（單位：米）
3. 光學測距回歸模型：構建訓練全連接深度神經網絡實現視頻源測距（單位：米）
4. 訓練驗證體系：采用多樣化sUAS場景數據集對視覺/聲學組件進行嚴格訓練驗證，優化模型魯棒性
5. 跨模態融合技術：開發創新融合算法整合視聽信息，發揮多模態互補優勢。融合核心目標在于證明"視聽結合"較單模態具有更高預測精度

DDCC作為專有系統，通過傳感器網絡執行指令（如記錄/預測）。其客戶端界面采用3x3網格排列的九宮格視頻流布局，每區塊均支持"連接"、"錄制"、"預測"、"靜音"功能鍵，配備服務器主機配置文本框及遠程重啟下拉菜單。樹莓派4服務器傳輸的實時音視頻流顯示于對應區塊，捕獲數據的分類預測結果集中呈現在日志域。系統可加載預訓練模型執行定制化預測任務，本研究特訓模型專注于基于視頻/音頻/融合數據的sUAS存在性識別與距離測算。

文檔結構如下：第二章詳述sUAS探測技術背景與研究進展；第三章解析DDCC系統設計與節點配置；第四章闡述數據采集、模型構建及訓練驗證方法論；第五章呈現全流程實驗結果；第六章探討未來sUAS數據采集路徑；第七章總結研究并給出結論陳述。

本文詳述一種基于多層PageRank算法的新方法，用于確定基礎設施網絡中的關鍵節點。涵蓋所有相關背景與技術定義以描述所采用的數學框架，設計實驗方案評估關鍵基礎設施網絡資源配置對預防級聯故障的價值，并提供適用于測試本技術的用例數據說明——愛達荷國家實驗室（INL）的"全危害分析（AHA）"數據集。文末附有基于AHA數據的實驗概要結果。

本文描述的網絡科學方法可協助國土安全從業人員識別關鍵基礎設施系統中的核心資產。具體而言，我們以用例無關的方式提出多層PageRank中心性算法，其每個參數均可按從業需求調整，并討論如何根據特定數據定制該方法。作為概念驗證基準，除基礎設施資產連接數據外，我們未引入任何主觀假設。根據《美國法典》第5195c條："關鍵基礎設施指對美國至關重要的物理或虛擬系統與資產，其失效或損毀將對國家安全、國家經濟安全、國家公共衛生或安全任一或多個領域造成破壞性影響。"該定義全面闡述了關鍵基礎設施資產與系統的概念內涵，有助于理解互連基礎設施系統（即網絡）中的級聯故障。以下基于系統角色劃分的三類基礎設施資產定義具有實操性：

• 脆弱性資產：因易受攻擊性及可達性而可能失效的基礎設施資產
• 關鍵性資產：為眾多支撐網絡運行的資產提供戰略支持的基礎設施資產
• 核心資產：兼具脆弱性與關鍵性雙重屬性的基礎設施資產

這些定義借鑒既有文獻，在保留《美國法典》第5195c條核心概念的同時采用適用于網絡分析的表述。基礎設施網絡的級聯故障危害極大，例如：若為水處理廠供電的變電站故障，將直接導致水處理廠停運；而依賴潔凈水源的醫院隨之停運則構成級聯故障的間接影響范例。本文提出的核心資產定義正是為識別在基礎設施網絡級聯故障中起關鍵作用的資產，助力從業人員延緩或阻斷故障傳播。

從機理看，脆弱性資產依賴其他資產，網絡中的敵對事件易通過此類資產引發級聯效應；關鍵性資產則支撐眾多其他資產，使敵對事件更易通過關鍵資產鏈傳播。因此，核心資產即指在敵對事件中既易失效（脆弱性）又能最大范圍傳播故障（關鍵性）的資產。

本文結構如下：第2章提供基礎設施網絡分析與多層PageRank的數學框架；第3章闡述多層PageRank與關鍵基礎設施分析的關聯；第4章介紹作為概念驗證基準的"全危害分析（AHA）"數據；第5章描述仿真實驗設計方案及參數調優方法；第6章對比多層PageRank算法與其他網絡中心性算法及傳統PageRank算法的結果；第7章為結論部分。

生成高質量標注合成圖像數據的能力，是構建和維護機器學習數據集的關鍵工具。然而，確保計算機生成數據質量達標極具挑戰性。本報告旨在評估并改進"虛擬自主導航環境系統與環境傳感器引擎"（VANE::ESE）生成的合成圖像數據，同時記錄為處理、分析VANE::ESE圖像數據集并基于其訓練模型所開發的全套工具集。研究還呈現多項實驗結果，涵蓋對可解釋AI技術應用的探索，以及在不同合成數據集訓練的多模型性能對比分析。

虛擬自主導航環境（VANE）是由軟件工具與虛擬場景構成的自動駕駛建模與仿真系統集合。其環境傳感器引擎組件（VANE::ESE）專用于在虛擬環境中高精度模擬車輛傳感器物理特性（涵蓋攝像頭、激光雷達、毫米波雷達等）（Carrillo et al. 2020）。本報告聚焦評估、優化VANE::ESE仿真引擎在生成合成圖像數據方面的性能——該類數據用于訓練機器學習（ML）計算機視覺模型，以執行目標檢測與圖像分類任務。合成數據生成能力的核心價值體現在兩方面：首先，因數據基于預設場景生成，可為每個圖像樣本實現自動標注，能零成本構建超大規模數據集；其次，可構建特定虛擬場景生成數據，有效覆蓋現實采集難以企及的高危邊界場景（例如戰損建筑或車輛的圖像數據）。快速生成特定場景的標注數據集對機器人與自主系統等廣泛領域具有重要價值。

然而，利用合成數據訓練ML模型仍面臨雙重挑戰：其一，海量合成數據集存在標注準確性保障及多格式標簽轉換等通用問題；其二，彌合真實數據與合成數據之間的差異尤為困難。現有研究提出多種解決方案——包括通過全域自適應技術改進模型（Wang and Deng 2018）、采用生成對抗網絡轉換圖像（Pfeiffer et al. 2019），以及直接提升仿真圖像的視覺真實感。真實圖像數據存在巨大差異（即便同類物體樣本間亦如此），要在保留準確標注的前提下復現這種差異性與真實度極具挑戰。本研究采用務實性操作路徑優化VANE::ESE圖像數據：接收生成數據集→運用本報告記錄的多重方法與工具分析→向開發團隊反饋優化建議→迭代提升后續數據集質量。

本工作的核心目標是提升VANE::ESE合成圖像數據在目標檢測與分類神經網絡訓練中的泛化能力，次要目標是開發并完整記錄用于處理分析VANE::ESE數據集的軟件工具集。

隨著美軍持續全球部署，其加大了在嚴酷環境下的醫療支持。遠程醫療支持的應用增強了滿足此類需求的能力。有效實施遠程醫療援助需依賴衛星通信，并常需借助民用服務供應商。本研究評估結合虛擬專用網絡（VPN）安全與隱私增強的衛星通信網絡效能，測試IPsec、OpenVPN與Wireguard三種協議在地球靜止軌道衛星供應商Viasat與低地球軌道衛星供應商Starlink上的性能影響。研究發現：VPN部署對延遲產生小幅但持續影響，對包間延遲變異（IPDV）影響可忽略；VPN應用導致吞吐量下降（尤以下行吞吐量顯著）。具體而言，OpenVPN對吞吐量影響最大，Wireguard提供最高總吞吐量，IPsec性能最穩定，推薦用于企業級應用。

多數戰區缺乏地面互聯網或蜂窩網絡等基礎設施。本研究資助方——空軍研究實驗室（AFRL）正針對軍事行動遠程醫療需求應對此現狀，重點關注南太平洋與北極區域。地面互聯網服務供應商（ISP）及其基礎設施可能滯后于普及水平，或根本不存在。這種基礎設施缺失（多數人視其為理所當然）促使衛星通信成為填補缺口的關鍵手段[2]。遠程醫療效能與網絡性能直接相關，通信系統須滿足遠程醫療應用最低需求。本研究基于文獻[3]成果（直接比較Starlink與Viasat在遠程醫療應用中的性能），評估常見VPN協議對此類系統的影響并權衡利弊，旨在支持嚴酷環境下高效遠程醫療目標。遠程醫療使部署醫務人員（通常訓練有限）能夠實施高風險或需重大后勤支持的醫療操作。此類支持稱為"實時臨床支持（RTCS）"[4]，其利用全球專家資源為部署于嚴酷環境的醫療人員提供監督指導。

文獻[3]表明，低地球軌道（LEO）衛星服務總體優于地球靜止軌道（GEO）衛星服務（尤其在協議針對LEO運行特性優化時），但未專門探討安全性特征。本研究旨在相同網絡條件下開展類似測試，引入不同VPN協議作為增強安全性的可選方案。當軍用通信衛星不可用時，此方案將尤其有益。

遠程醫療需求是軍事全球部署與當地醫療人員匱乏的直接產物。衛星技術普及使得部署基礎訓練醫務人員成為可能，同時由少數經驗豐富專家提供后方支援。這種分布式模式使少量全科醫療人員能服務同等數量病患。醫療信息處理需重點考量患者隱私與安全性，對全部流量施加VPN協議是可行解決方案，但該方案亦引入額外開銷。本研究量化衛星通信疊加VPN對遠征遠程醫療的影響，預期其網絡性能影響與地面網絡部署相同VPN協議時類似。為此構建典型遠程醫療測試網絡，配置VPN并選取網絡性能指標，通過標準化測試方法采集數據，分析各VPN協議影響程度。

本研究主要基于文獻[3]對Starlink與Viasat支持遠程醫療的效能分析，新增IPsec、OpenVPN、Wireguard三種常見VPN協議，測試衛星通信鏈路疊加VPN的可行性。測試方法部分借鑒文獻[5]——其使用iperf3程序與亞馬遜云服務（AWS）（但受AWS限制），本研究將采用AWS搭建VPN服務器，iperf3進行吞吐量測試。文獻[5]旨在對比Wireguard與OpenVPN性能，發現Wireguard在多核設備表現更優（因測試版OpenVPN無法利用多核），且研究在Wireguard未集成至Linux 5.6內核前完成。

文獻[6]基于Linux商用硬件對比IPsec、OpenVPN、Wireguard性能，在40 Gbit/s網絡（遠超本研究吞吐量）中發現Wireguard在高吞吐場景潛力最大，但Linux網絡棧引入顯著開銷。該研究采用MoonGen而非iperf進行測試。盡管硬件環境不同，本研究預期衛星鏈路影響外結果趨勢相似。文獻[7]對比兩版Wireguard與多配置IPsec、OpenVPN，發現Wireguard連接最快但吞吐最低、延遲最高，IPsec綜合最優。差異主因或是其采用支持AES-NI指令集的硬件加速（本研究未啟用），且iperf v2.0.10單線程成瓶頸。

??論文結構??

本論文共五章。第二章概述遠程醫療、衛星通信、VPN及待評估網絡性能指標。第三章詳述遠征遠程醫療測試方法，涵蓋網絡需求與測試環境構建。第四章闡述測試流程與結果，含數據分析。第五章總結研究成果，提出應用建議與未來研究方向。

盡管軍事革命相關論述或存過度炒作之嫌，但人工智能（AI）與自主技術改變戰爭形態的潛力正逐年增長。各國正部署可半自主導向目標的無人機，而AI正提升全球軍事目標鎖定流程效率。此類系統的風險真實且嚴峻——無論源自單體系統或系統集群，化解風險方能充分釋放技術潛能。國防部在載人系統安全研發部署方面經驗豐富，但AI與自主技術帶來新挑戰。作者前期報告曾探討AI與自主系統的新穎性，聚焦其對國防部門測試與評估（T&E）體系的持續及預期影響。AI單體系統特殊性構成挑戰，系統間交互亦然。本報告聚焦自主系統集群（無論是否AI驅動）引入的新漏洞（單體測試中或不存在）。自主平臺間沖突潛力顯著，其互操作性需求亟需跨軍種協同努力。鑒于美國與對手技術研發競速，當前正是為聯合部隊建立技術導向動態框架之機，確保美軍保持整體作戰能力。

建議

本研究結論適用于AI與自主系統全生命周期（含研發及測試評估）：
? 研發階段：涉及系統設計與工程技術要素
? 測試評估：涵蓋虛擬/實裝測試的實踐與政策要素

實現系統間真正互操作性需從開發早期至維護階段的全鏈條參與（概念設計者、項目經理至工程師均需介入）。各軍種應任命或授權領導層確保AI與自主系統研發符合作戰概念中的互操作性要求。鑒于作戰概念預設系統在共享環境中的協同能力，領導層應避免研發孤島化，強化預期互操作系統項目間協作。

國防部門應探索制定確保系統互操作性的行為標準（匹配操作員訓練及戰術、技術、程序的標準化程度）。現行技術標準側重接口等要素（機器通信方式），自主系統需建立類人操作員規程的行為標準以實現協調。此類標準應超越通信協議等底層要求，涵蓋共享環境中的預期交互方式（如機動與火力沖突自動化解）。

測試主管部門應協同制定實施T&E政策以確保自主系統兼容性。各軍種需在系統研發早期關注互操作性問題（建立作戰概念中共現項目的關聯），而認證后續互操作性（如本框架所述）屬T&E部門職責。T&E部門應運用通用建模與仿真（M&S）工具強化互操作性（輔以實裝測試）。標準提供顯性互操作路徑，而無需直接協調的M&S資源共享可驅動系統兼容性研發。

本文探討了如何在軍隊中開發和訓練強大的自主網絡防御（ACD）智能體。本文提出了一種架構，將多智能體強化學習（MARL）、大型語言模型（LLM）和基于規則的系統組成的混合人工智能模型集成到分布在網絡設備上的藍色和紅色智能體團隊中。其主要目標是實現監控、檢測和緩解等關鍵網絡安全任務的自動化，從而增強網絡安全專業人員保護關鍵軍事基礎設施的能力。該架構設計用于在以分段云和軟件定義控制器為特征的現代網絡環境中運行，從而促進 ACD 智能體和其他網絡安全工具的部署。智能體團隊在自動網絡操作 (ACO) gym中進行了評估，該gym模擬了北約受保護的核心網絡，可對自主智能體進行可重復的培訓和測試。本文最后探討了在訓練 ACD 智能體理過程中遇到的主要挑戰，尤其關注訓練階段的數據安全性和人工智能模型的穩健性。

圖 1：四個網絡位置（A-D）容納五個藍色智能體（1-5）的情景。

本文探討了為自主網絡防御（ACD）智能體訓練混合人工智能（AI）模型時所面臨的挑戰和機遇，尤其是在戰術邊緣環境中。這些挑戰源于此類環境所特有的獨特、不可預測和資源受限的設置。北約研究任務組 IST-162 和 IST-196 的工作重點是 “軍事系統的網絡監控和檢測”[1]、[2] 和 “虛擬化網絡中的網絡安全”。虛擬化網絡中的網絡安全"[3] 至 [5]，本研究旨在利用混合人工智能框架推進 ACD 智能體的設計和功能，以確保整個聯盟網絡的穩健網絡安全。多智能體強化（MARL）、大型語言模型（LLM）和基于規則的系統的采用構成了我們 ACD 架構的核心，增強了智能體在戰術邊緣環境中普遍存在的斷開、間歇、有限（DIL）帶寬條件下有效執行自主網絡防御任務的能力。這些條件要求系統具有彈性，能在網絡和資源嚴重變化的情況下保持高性能水平，這對傳統的網絡安全系統來說是一個重大挑戰。例如，將深度強化學習（DRL）與生成式人工智能相結合，有利于開發能夠進行復雜決策和自適應學習的智能體，提高其在動態網絡環境中應對復雜網絡威脅的能力[3]。此外，本文還討論了如何將 ACD 智能體集成到模擬的北約啟發的受保護核心網絡環境中，并在此環境中針對一系列網絡威脅對其進行評估。智能體利用人工智能技術的戰略組合，自動執行監控、檢測和緩解等關鍵防御行動，支持對關鍵軍事和民用網絡基礎設施的持續保護。

本文的貢獻如下： 第一，在一個集成了 MARL、LLM 和基于規則的系統的代理層次結構中使用代理智能體范例的方法論，以增強自主網絡防御能力。第二，討論在戰術邊緣環境中為 ACD 智能體訓練混合人工智能模型的挑戰和機遇。第三，定義一套評估指標，用于衡量 ACD 代理在數據和訓練保護方面的性能。本文的組織結構如下： 第二節回顧了相關文獻并解釋了研究原理。第三節詳細介紹了使 ACD 智能體適應戰術邊緣環境的方法。第四節介紹了我們的實證評估結果。最后，第 V 節總結了本研究的意義并概述了未來的研究方向。

隨著人工智能自動化的出現，北約需要重新審視其防御能力，這種能力將任務控制和作戰管理與多域/全域態勢感知和作戰以及目標循環決策支持和有人無人編隊（MuM-T）等功能結合在一起。為此，本材料為北約“軍事多傳感器融合引擎之人工智能 ”提供支持，旨在提高北約社區對數據融合人工智能如何支持軍事指揮官和參謀人員從最初規劃階段到未來行動的執行和評估階段的認識。這一行動周期被稱為 C4ISTAR（指揮、控制、通信、計算機、情報、監視、目標獲取和偵察）。

國防人工智能

人工智能自動化提供了新型機器，可增強人的感知能力和積極意志，使人對自己的行為和疏忽負責，只有人有能力進行智能感知，并在適當的意義上自主行動。

• 認知型機器融合大量傳感器、觀察者、環境和任務數據流，生成全面的態勢圖，這是人類有意識地進行規劃、感知、行動和適當評估效果的認知基礎。

• 意志型機器將人類深思熟慮、負責任的整體決策轉化為自動執行的指令鏈，用于數據采集、子系統控制以及對目標產生影響。

北約需要在短時間內，利用空間分布式資產應對復雜局面。因此，北約未來的 C4ISTAR 能力在知識開發、規劃、執行和行動評估方面嚴重依賴于人工智能自動化[1]。在數字時代，“觀察、定位、決策和行動 ”各階段的 OODA 循環將大大加快，并以網絡為中心的協作方式 “以機器速度 ”執行[2]。

北約在多極世界中的競爭對手有效地推動了 “人工智能 ”和 “自主”，北約首席科學家將其確定為科技趨勢[3]。此外，與以往的軍事創新不同，如果以投資額來衡量，民用領域主要推動了這一系統工程分支的快速研發。

對 C4ISTAR 人工智能自動化的討論產生了三項建議和七項關鍵成果，涉及所需的算法、要處理的數據、所需的編程技能、要使用的計算設備、不可避免的以人類為中心的設計、必要的研發工作審查以及其他軍事層面的整合。

卡爾-馮-克勞塞維茨（Carl von Clausewitz，1780-1831 年）是普魯士將軍和軍事理論家，他強調戰爭的道德、心理和政治方面[4]。因此，人工智能自動化需要受過數字化教育的軍事指揮官和參謀人員的精神。他們不需要知道如何設計和編程人工智能自動化 C4ISTAR 系統，但需要評估其優缺點、風險和機遇。相關的數字道德和能力是可以傳授的。它解決了軍人精神的一個關鍵問題，C4ISTAR 系統中的人工智能自動化加劇了這一問題，但從根本上說并不新鮮。

人工智能和自動化賦能C4ISTAR

在未來的多域作戰（MDO）中，有人駕駛組件和無人駕駛系統構成了全面聯網的系統體系。相互配合的多傳感器、多效應器無人系統可保護士兵或資產，執行偵察或具有電子或動能影響的作戰任務，而衛星、預警、后勤或運輸將被整合在一起。核心基礎設施是作戰云，它可為執行任務的所有人員實時提供相關信息，并提供 “以機器速度 ”進行自適應資源管理的手段。在數字時代，復雜情況下的信息優勢和決策主導權（即使在很短的時間尺度內）決定著任務的成敗。例如，根據德國軍事航空戰略，在 C4ISTAR 場景中，人類決策者的責任至關重要。因此，未來 C4ISTAR 系統的結構必須便于人類決策者負責任地使用。人工智能自動化是至關重要的，因為它可以通過認知和意志輔助實現復雜性管理和負責任的行動。與此同時，從一開始就伴隨著技術開發的現實模擬必須確保在北約的防御和作戰任務中，全面遵守道德和法律不以犧牲效率為代價。

在此使用的 “人工智能”（AI）一詞不僅包括機器學習或深度學習等，還包括數據驅動和基于模型的算法的整個 “云”，包括貝葉斯學習、博弈論和自適應資源管理等方法。這種方法符合美國國防部的人工智能戰略，該戰略 "將人工智能定義為‘機器執行通常需要人類智能的任務的能力’。這一定義包括已有幾十年歷史的人工智能，如飛機自動駕駛儀、導彈制導和信號處理系統。雖然許多人工智能技術已經過時，但在過去十年中，人工智能技術取得了合理的突破，大大增加了人工智能實用、強大和有用的應用領域的多樣性"。過去十年的許多成就都集中在機器學習（ML）領域，這是人工智能的一個子領域。機器學習與統計學密切相關，它將自動 “學習 ”到的知識編碼成 “人工智能模型”，而這些模型往往已無法直接為人類所理解。這種 “算法云 ”通過編程藝術和工藝實現，并由定性和定量適當的測試和訓練數據支持，驅動著一個數據處理周期，該周期從從多個異構來源收集的基本信號、測量和觀察報告開始。我們稱 “人工智能 ”為融合這些海量數據流和背景知識的過程，該過程在多個層面上提供與任務相關的信息碎片，并將其整合為全面、近乎實時的態勢圖。

在此基礎上，軍事指揮員和參謀人員就能了解當前嚴峻環境下的形勢和任務式指揮的狀況。人類根據所要實現的任務目標在不同的抽象程度和詳細程度上做出行動決策。算法將意志行為轉化為部分或完全自動化的指令序列，用于控制網絡平臺、多功能傳感器、通信和效應器。從數據融合中獲取信息和通過自適應資源管理收集數據的算法，屬于 C4ISTAR 認知和意志機器的方法論核心，可輔助指揮官和參謀人員的智能思維和自主意志。它們利用復雜的應用數學方法，在強大的計算設備上運行，其中量子計算可能會改變游戲規則。被輔助的心智和意志的概念，以及意識和責任的概念，將人作為 “人 ”而不是 “物 ”來看待，并開啟了 C4ISTAR 的倫理層面。

在討論這一復雜領域的方方面面時，我們不妨以美國空軍參謀長聯席會議副主席約翰-海滕將軍（生于 1959 年）最初勾勒的人工智能自動化七大支柱為指導，并對其進行適當調整。由此產生的 “C4ISTAR 支柱 ”包括 “算法云”、“數據、數據和數據”、“編程藝術”、“計算設備”、“人類中心主義”、“推、拉、實現 ”和 “聯合與組合”。沿著這條路徑，并著眼于各國在人工智能領域的政策和發展以及全球人工智能科學界，探討了未來 C4ISTAR 的不同視角，包括決策和 MuM-T。此外，人工智能自動化與 C4ISTAR 架構的幾個集成方面，包括對概念和概念的潛在重新定義，及其對各種目標循環的影響也將變得清晰可見。北約系列講座 SET290 對北約社區的預期影響是提供有關 C4ISTAR 領域人工智能自動化益處的信息，提高北約成員國的認識，并支持整個聯盟適應基于人工智能的技術。最后，提出了三項建議，并將討論總結為與上述七大支柱相關的七項關鍵成果。

數據

分布式跨平臺 C4ISTAR 需要具有互操作性和模塊化的人工智能功能，能夠融合來自多種數據源的異構數據，而這些數據格式并不總是精確可知的，甚至可能已損壞。因此，需要仔細分析與 “算法云 ”相輔相成的 “數據云”。從更抽象的角度來看，我們將其區分為

• 算法開發、測試和認證所需的數據；
• 訓練或適當再訓練數據驅動算法所需的數據；以及
• 任務期間需要處理的數據，即傳感器、環境和任務數據。

因此，未來的 C4ISTAR 系統將需要一個信息基礎設施，用于收集、調整、登記、驗證、組織、評估、提供簿記，并在分散的空戰云中安全地分發這三類數據。這種為算法提供數據的信息和通信骨干網可確保可擴展的數據管理，并為各種算法及其模型的標準化、互操作性和穩健使用奠定基礎。此外，這種基礎設施還是可重現性、可驗證性和可追溯性以及效率和效益的先決條件。否則，至少要為每種能力和子系統單獨開發其中的要素，這種方法不僅效率低下，而且可能助長敵意網絡攻擊，妨礙互操作性。

由于分散化和人工智能自動化必然意味著脆弱性，數據完整性是 C4ISTAR 的基礎。造成完整性丟失的原因包括傳感器意外失靈、編程錯誤、濫用測試和訓練數據或數據亂倫。此外，人工智能算法總是從數據中生成現實中不存在的人工制品，或者存在 “盲點”，即無法顯示實際存在的東西。在幼稚的系統中，失去完整性很容易使數據融合變成混亂，資源管理變成管理不善。在軍事環境中，不同層次的敵意干預也是一個熱門話題，對手會接管傳感器或子系統，然后產生欺騙性數據或采取不必要的行動。我們需要保護自己的系統免受來自電磁頻譜和網絡空間的攻擊，以及針對所使用的人工智能的敵對攻擊，同時還需要制定以這種方式攻擊敵方系統的戰略。用于 C4ISTAR 的成熟認知和意志機器包括對這些缺陷的檢測，這是抵御敵方干擾和欺騙的基礎。因此，保持數據的完整性、可靠地檢測違規行為或測試不可避免的缺陷是否至少符合所制定的統計規范，將是前面提到的信息骨干網的核心功能。

舉例來說，考慮一下用于物體分類的神經網絡，從抽象的角度來看，它將輸入分配給輸出。輸出描述了輸入圖像對用戶的 “意義”。這類函數的特點是內部自由度極大，數值可調。在所謂的 “訓練階段”，通過 “告訴 ”神經網絡特定輸入的實際 “含義”（例如，通過 “理解 ”的例子）來調整它們。訓練數據的 “標注 ”需要人類的理解。如果訓練的時間 “足夠長”，神經網絡就會得到一個任意的輸入，而輸出則被認為是公認的 “什么”，即輸入的 “含義”。因此，神經網絡本質上是函數近似器。將大量提供插值點稱為 “學習 ”的人可能會喚起非專業人士的錯誤聯想。

然而，事實證明，即使是訓練有素的網絡，也只需要對輸入圖像中的幾個像素點進行特定的改變，就能完全誤導網絡。例如，神經網絡受到這種 “有毒噪聲 ”的欺騙，可能會將在人類看來沒有任何變化的熊貓誤認為長臂猿猴，并 “感覺 ”自己的判斷是正確的[10]。這一發現的軍事意義顯而易見。針對人工智能系統的攻擊系統已經被開發出來，而我們自己的人工智能系統也需要進行加固，以抵御這種 “對抗性攻擊”。就像電子戰中出現的情況一樣，電子措施需要反措施，反措施需要反反措施，如此循環。此外，對于大多數與軍事相關的應用而言，數據驅動算法所需的具有適當代表性的訓練數據數量不足。

聯合與聯盟

由于作戰原因，多域作戰或聯合全域作戰（MOO、JADO）的軍事層面正在融合，需要多域 C4ISTAR（MD-C4ISTAR）系統。顯而易見，未來 C4ISTAR 系統的信息和通信基礎設施不僅適用于空域，經適當修改后還適用于陸地、海洋、太空或網絡。在本文中，比抽象討論更有啟發意義的是一個例子，它將結束我們對 C4ISTAR 人工智能自動化七大支柱的討論。讓我們假設一個車隊在城市環境中遭到簡易爆炸裝置的襲擊。協調運行的固定翼和旋轉翼無人機為前方空中管制員（FAC）提供支持，為全面的態勢圖提供輸入數據，包括預期的附帶損害，這是指揮戰斗無人機進行自衛的基礎。在這里，人工智能自動化為有效和負責任的交戰提供了技術前提，同時將非戰斗人員的風險降至最低。我們認為，武裝無人機可以實現可靠的目標偵察和控制，或者至少與其他武器相比，可靠得多，直至做出最終交戰決定。交戰規則（ROE）不做任何戰術規定，但規定了具有法律約束力的特定任務框架，對交戰前的形勢分析非常重要。根據法律、政治、戰略和行動要求，交戰規則將戰時法（ius in bello），即國際法和軟法原則具體化。例如，區別對待（只有在完全確定目標的情況下才交戰）、相稱性（選擇與威脅相稱的效應器）、謹慎和責任人歸屬。顯然，在設計基于人工智能的系統時應考慮到 RoE（設計時遵守 RoE）。總之，人工智能自動化所支持的認知型和意志型機器可在這一雙域場景（空中和地面）中支持軍事行為體獲得全面的態勢感知，并在具有挑戰性的城市戰區中選擇行動方案。與此同時，還能最大限度地降低所有參與方的風險。

圖 1：為 C4ISTAR 實現負責任行動的人工智能自動輔助。

用于數據融合的人工智能

北約的科學技術組織（STO）及其下屬的各種小組是就 C4ISTAR 使用人工智能自動化所產生的技術問題提供建議的優秀和成熟的工具。我們在此指出，應加強北約軍事部門與科學部門之間的交流，以便將北約科技組織不同工作形式提供的研究成果用于作戰。

由于北約成員國之間可能會達成更廣泛的共識，因此我們在結束發言時提出了一些建議，以解決某些盲點，至少根據作者的觀察，公眾對北約的看法存在盲點。

1. 應系統地建立數字倫理和相應的倫理道德，以便在多域 C4ISTAR 中負責任地使用人工智能自動化。正如一份德國官方文件所指出的，這種技能尤其能使空軍指揮官 “評估數字技術的潛力和影響，并在數字化環境中進行管理和領導”[50]。特別是，領導哲學和個性發展工具應鼓勵在 C4ISTAR 方面具備這種能力。

2. 除了人工智能自動化在縮小能力差距、擴大能力范圍、制定相應的概念、操作程序和組織措施方面的作戰優勢外，還需要實現道德和法律合規。只有這樣，認知和自愿輔助才會被空中指揮官的良知所接受，同時也會被更廣泛的社會共同利益所接受。這兩方面的成功將標志著真正的創新。

3. C4ISTAR 項目應從一開始就以可見、透明和可核查的方式對技術可控性和個人責 任進行全面分析。否則，與人工智能自動化相關的范式轉變和大量的物質努力將很難在政治、社會和經濟上得到實施。當然，會有更多或更少的 AirC2 項目出現問題，這意味著根據這些原則采取示范性方法是適當的。

未來 C4ISTAR 的特點是各級決策的 OODA 循環大大加快。人工智能自動化旨在降低相關技術的復雜性，減輕軍事指揮官和參謀人員的日常或大量任務負擔。這樣，決策者就能集中精力做只有人才能做的事情，即有意識地以智能方式感知情況并采取負責任的行動。

我們通過七項成果來總結我們的討論，這些成果涉及所需的算法、需要處理的數據、所需的編程技能、需要使用的計算設備、不可避免的以人類為中心的設計、必要的研發工作審查以及其他軍事層面的整合。

1）通過自適應資源管理快速發展的信息采集和數據收集算法是認知和意志機器的方法論核心，可協助空中指揮官和參謀人員的智能思維和自主意志。

2. 未來的 C4ISTAR 系統將需要一個信息骨干網，在分散的云中為測試、訓練/再訓練和信息融合收集、調整、登記、驗證、組織、評估、提供簿記和安全分發數據。

3. 人工智能自動化的算法核心將由相對較小的嫻熟程序員團隊實現，他們對自己正在做的事情了如指掌。標準軟件工程將在 C4ISTAR 環境中嵌入這些 “巧奪天工 ”的核心。

4. 泛在計算是分布式作戰云的一個基本特征。在混合計算架構中嵌入的量子處理內核上運行的數據關聯和資源分配算法可能會改變游戲規則。

5. 人工智能在 C4ISTAR 中的重要性不在于選擇人類智能還是人工智能，而在于將人類智能和人工智能有效、可擴展地結合起來，以確保最佳性能。這包括倫理和法律層面。

6. 成功的人工智能自動化研究和實驗驗證只有在符合作戰附加值和軍事概念與程序的情況下，才能引發 C4ISTAR 的創新。此外，它還必須獲得文化和社會的認可。

7. 由于作戰原因，軍事層面正在融合，需要適當的多領域 C4ISTAR 系統。

電磁環境對于了解和開展多域軍事行動至關重要。因此，理解和管理這一物理層面至關重要。北約卓越建模與仿真中心（M&S CoE）開發了一個名為 “ELMO”（多域作戰電磁層）的項目，旨在為所謂的電磁頻譜作戰（EMSO）虛擬化創建一個合成環境。ELMO 的后續工作包括技術演進，在已開發的功能之外提供更多的功能。該系統提供干擾和雷達覆蓋區域的計算和可視化功能。ELMO 還可生成地理參照文件，與其他 M&S 系統共享，包括計算機生成部隊 (CGF) 工具。文件共享通過 “兵棋推演交互式場景數字疊加模型”（WISDOM）進行，該模型允許通過 HLA1516e 進行數據交換。已與 VBS4（也有直接插件）、JCATS 和 MASA SWORD 模擬器進行了連接測試。本文介紹了 ELMO 項目的成果，證明了 ELMO 在所有 M&S 支柱中的應用能力： 教育與培訓（演習）、行動支持--執行（決策支持）、概念開發與實驗（CD&E）--能力開發、任務演練--規劃（行動方案分析）和采購。

圖 1：典型的 ELMO 虛擬環境可視化。

“ELMO”（多域作戰電磁層）項目快速概覽

電磁環境是了解和開展未來軍事行動的一個基本要素。它的橫向特性從多領域的角度滲透到作戰場景中，因此，理解和管理這一物理維度至關重要。

北約卓越建模與仿真中心（M&S COE）開發了一個名為 “ELMO”（多域作戰電磁層）的架構，目的是為所謂的電磁頻譜作戰（EMSO）虛擬化創建一個合成環境。在這種情況下，M&S 具有實施復雜電磁多域場景的靈活特性，能夠在場景中顯示在真實世界環境中無法看到或檢測到的東西。這一特性將簡化對主要電磁頻譜參數的理解，并增強電子戰背景下電子資產所提供的作戰和信息特性。

電磁層是利用 AGI 公司開發的軟件工具包（STK）和 Mathworks 公司開發的 MATLAB 構建的。這兩個工具的集成被用來生成臨時合成的軍事組件，如干擾器和雷達預警接收器。

然后構建了一個特定場景，以模擬軍事電磁環境，其中 STK 合成資產（如衛星、雷達和通信系統）與 MATLAB 開發的軍事組件相互作用。MATLAB-STK 集成生成的電磁層成功地提供了戰場上整個電磁頻譜的綜合可視化。圖 1 是這種可視化的一個示例，其中電磁場區域清晰可見，并用與其功率密度相關的顏色表示。例如，在這種情況下，功率主要集中在敵方雷達上，以便更有效地進行干擾。

在演示場景中進行的測試證明，ELMO 有能力開發一個復雜的框架，不僅適用于指揮官的決策，還適用于能力開發和實驗、培訓、采購以及任何可能的 M&S 應用領域。

組織這些測試是為了包括任何類型的平臺、多領域和許多不同的行動，其中包括電磁頻譜的使用，如電子防御、電子攻擊、電磁頻譜測量。考慮到它們的作用，必須清楚地描述其中的一些組件，這些組件已用于進一步開發本文所述的系統。

首先，陸地平臺上安裝了一個通信干擾器，能夠抑制 2G 和 3G 通信，以保護高價值目標免受無線電控制簡易爆炸裝置的攻擊。該保護系統提供的 “安全氣泡 ”取決于許多因素，包括干擾器和通信系統的技術特性，考慮到天線的距離、地形、建筑物、天氣條件等。

此外，還有一種雷達用于引導從陸地炮臺發射的導彈，由對應方控制。可通過安裝在無人機上的特定干擾器對其進行干擾，該干擾器可通過合成天線將能量集中到雷達上。

此外，還有一個安裝在固定地點并由對口單位控制的定位、導航和定時（PNT）干擾器，能夠抑制行動區內大片區域的 GPS 和 GALILEO PNT 設備。

最后，由于在第二架無人駕駛飛行器上安裝了 ESM 設備，可以監測電磁頻譜。這對正確使用通信干擾器至關重要，不僅要在主動模式下使用，干擾上載到情報庫中的頻率，還要在被動模式下使用，利用測量到的頻率信息在這些頻率上傳播能量，從而大幅提高干擾活動的成功概率，這意味著恐怖分子無法在適當距離啟動遙控簡易爆炸裝置以造成破壞。

作為分布式海上作戰（DMO）的一個關鍵原則，盡管有人和無人、水面和空中、作戰人員和傳感器在物理時空上都有分布，但它們需要整合成為一支有凝聚力的網絡化兵力。本研究項目旨在了解如何為 DMO 實現有凝聚力的作戰人員-傳感器集成，并模擬和概述集成實施所需的系統能力和行為類型。作為一個多年期項目，本報告所述的第一項工作重點是建立一個適用于 DMO 建模、模擬和分析的計算環境，尤其側重于有人和無人飛機的情報、監視和偵察 (ISR) 任務。

在半個世紀的建模和仿真研究與實踐（例如，見 Forrester, 1961; Law & Kelton, 1991），特別是四分之一世紀的組織建模和仿真工作（例如，見 Carley & Prietula, 1994）的基礎上，獲得了代表當前技術水平的計算建模和仿真技術（即 VDT [虛擬設計團隊]；見 Levitt 等人, 1999）。這種技術利用了人們熟知的組織微觀理論和通過基于代理的互動而產生的行為（例如，見 Jin & Levitt, 1996）。

通過這種技術開發的基于代理的組織模型在大約三十年的時間里也經過了數十次驗證，能夠忠實地反映對應的真實世界組織的結構、行為和績效（例如，參見 Levitt, 2004）。此外，幾年來，已將同樣的計算建模和仿真技術應用到軍事領域（例如，見 Nissen, 2007），以研究聯合特遣部隊、分布式作戰、計算機網絡行動和其他任務，這些任務反映了日益普遍的聯合和聯盟努力。

本報告中描述的研究項目旨在利用計算建模來了解如何為 DMO 實現有凝聚力的戰斗傳感器集成，并建模和概述集成實施所需的系統能力和行為類型。作為一個多年期項目，本報告所述的第一項工作重點是建立一個適用于 DMO 建模、模擬和分析的計算環境。在這第一項工作中，將對當今的海上行動進行建模、模擬和分析，重點是有人駕駛和無人駕駛飛機的情報、監視和偵察（ISR）任務。這為與執行 ISR 任務的一個或多個 DMO 組織進行比較確立了基線。這也為與其他任務（如打擊、防空、水面戰）進行比較建立了基線。第二階段接著對一個或多個備用 DMO 組織進行建模、模擬和分析。

在本技術報告的其余部分，首先概述了 POWer 計算實驗環境，并列舉了一個實例，以幫助界定 DMO 組織和現象的計算建模。依次總結了研究方法。最后，總結了沿著這些方向繼續開展研究的議程。這些成果將極大地提高理解和能力，使能夠為 DMO 實現戰斗員與傳感器的集成，并為集成實施所需的系統能力和行為建模和概述。

作者正在研究分布式雷達在穿墻感應中的應用。這項技術的預期操作場景是在建筑物外的（安全）遠程距離內探測和識別建筑物內的人員和武器裝備。本研究使用的雷達結構和信號處理算法類似于美國陸軍作戰能力發展司令部（DEVCOM）陸軍研究實驗室（ARL）實施的埋藏和隱蔽表面目標探測的設計；目前的雷達發射和接收頻率更高。

在這項研究中，實驗是在ARL的阿德爾菲實驗中心（ALC）507號樓（"沙盒 "區域）進行的，使用的是室內低金屬兩層夾板結構。用來測試分布式雷達的受控環境與用來測試ARL針對電子目標的諧波雷達的低金屬環境相同。

圖1 步進頻率雷達收發器：(a)賽靈思的RFSoC與Alion/HII的雷達固件，以及(b)定制的發射器/接收器（Tx/Rx）濾波器和放大器PCB，由28VDC供電

結論及后續工作

本研究中收集的數據表明，在低矮的金屬建筑中，相互成直角的天線對能夠探測到多個移動目標，而這些目標從建筑外是看不到的。隨時間變化的距離圖顯示了目標所遵循的路徑；在一個頻道中跟蹤的目標路徑的模糊性可以通過在另一個頻道中跟蹤同一目標來緩解。仍需努力將同時收集的數據的IQ振幅一致地結合起來，以解決多個目標。一個目標是在二維（下行和上行）圖像上繪制目標位置，也許是以視頻動畫的形式疊加在場景的俯視圖上（即被成像的建筑物的典型平面圖）。在對移動目標進行成像時，發射器和接收器天線的雙穩態配對是否具有優勢（與標準的單穩態發射器天線配對相比）還有待確定。