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

本論文探討了支持分布式海上作戰（DMO）的兩種不同通信架構的選項。這兩種架構分別是星形網絡和無線網狀網絡。為本研究開發場景模型的目的是幫助讀者更好地理解緊密結合的數據類型、數據速率和所需網絡功能對網絡設計的影響。本研究針對需要視頻、語音和數據鏈路組合的場景中的各種資產，對每種架構進行了評估。它深入分析了每種設計所固有的信息傳遞延遲，并評估了每種網絡的可靠性。研究發現，利用機載路由功能的低地球軌道衛星星形和網狀網絡可提供最低的定時延遲。研究還發現，通過專用通道提供視頻饋送時，網絡抖動最小。最后，網狀網絡的可靠性略高于傳統的星形網絡，這是因為數據鏈路具有冗余性，而且缺少一個可能易受攻擊的中心樞紐。因此，利用特設無線網狀通信網絡將支持在分布式海上作戰進行有限的進攻性聯合火力打擊期間部署自適應部隊包。

圖 1. 星形網絡拓撲（左）和全網狀拓撲（右）。

在任何戰斗環境中，良好的通信都是取得勝利的關鍵。即使是在擁有堅實通信基礎設施的地理位置，如果戰地指揮官不能及時收到來自戰地資產的正確信息報告，也會造成混亂。在海戰中，尤其是在近海，通信基礎設施充其量也是微乎其微。

為響應美國防部長關于改進聯合火力（JF）行動的號召，本畢業設計探討了支持分布式海上行動（DMO）的兩種不同通信架構的選項。這兩種架構分別是星形網絡和無線網狀網絡。

為本研究開發情景模式的目的是幫助讀者更好地理解緊密耦合的數據類型、數據速率和所需網絡功能對網絡設計的影響。這有助于突出已實施網絡的設計限制。模擬結果用于定義基準參考和可追溯數據要求，以支持為 JF DMO 設計的戰術網絡。

A. 戰術通信網絡拓撲結構

網絡設置通常用拓撲結構來描述，拓撲結構是網絡內節點排列和通信的物理方式（美國陸軍工程部，1984 年，7）。本研究評估了圖 1 左側所示的傳統星形網絡和圖 1 右側所示的多層網狀通信網絡，并量化了這些鏈路的排列可能對操作產生的影響。

1.星形網絡

最廣泛使用的無線網絡拓撲結構是星形幾何模式。星形拓撲結構包括一個中心節點，所有信息都通過該節點流動。在星形格式中，所有信息都必須從每個參與資產發送和接收，并通過中心樞紐路由。這種配置中的中心節點是單點故障。如果中央節點離線，整個網絡就會癱瘓。

2.無線網狀網絡

多層戰術無線網狀網絡是指在網絡內共享信息的過程。網狀網絡描述了一種配置，其中每個節點都具有通信能力，可以相互發送和接收信息。在網狀網絡中，節點是自組織的，可根據需要通過路由算法自動建立（Shillington 和 Tong，2011 年）。

B. 結論

本研究的設計要求側重于網絡配置、對信息定時延遲的影響、網絡抖動和可靠性。研究發現，使用具有機載路由功能的低地球軌道（LEO）衛星的星形和網狀網絡可提供最低的定時延遲。研究還發現，在提供視頻饋送專用通道時，網絡抖動最小。最后，網狀網絡的可靠性略高于傳統的星形網絡，這是因為數據鏈路具有冗余性，而且沒有潛在的易受攻擊的中心樞紐。因此，在分布式海上行動的有限進攻性聯合火力打擊中，利用特設無線網狀通信網絡將支持部署自適應部隊包。

本文探討了在具有不同終端用戶設備（物聯網設備）和不同邊緣計算服務器的邊緣計算網絡中基于機器學習的任務分配問題。任務分配問題通過生成的請求分類來解決，這種分類可映射到具有足夠計算能力且靠近設備的服務器上，這意味著服務延遲和可靠性。此外，還研究了網絡攻擊對分類算法的影響。

本文發表于 2023 年 5 月 16-17 日在北馬其頓斯科普里舉行的北約科學技術組織研討會（ICMCIS），由信息系統技術（IST）小組組織。

根據愛立信最近發布的《移動報告》[1]，到 2028 年，5G 移動用戶將達到 50 億。此外，到 2028 年，預計將有 347 億臺機器和設備進行無線通信，形成物聯網（IoT）。人類與機器之間的大規模通信將促進新一代移動通信系統的研發。雖然 5G 標準仍在制定過程中（3GPP 第 18 版將于 2024 年凍結），但 6G 網絡已被提出 [2]-[5]。6G 的關鍵范式之一是邊緣計算和邊緣智能。

在未來的 5G/6G 架構中，移動邊緣主機運行移動邊緣平臺，促進邊緣應用和服務的執行。從數據分析的角度來看，邊緣智能指的是在數據產生和進一步利用的地點或附近進行數據分析并開發解決方案。因此，邊緣智能可以減少延遲、成本和安全風險，使相關業務更加高效。從網絡角度看，邊緣智能主要指部署在網絡邊緣的智能服務和功能[6]，[7]。研究的重點是能夠自主管理資源和控制功能的自學習網絡和系統。這里的資源指的是通信（無線電頻譜）和計算（計算能力）資源，以及通信和計算中的相關能源。將大量本地數據傳輸到中央云進行訓練和推理是不切實際的。這就需要在無線鏈路上采用新的架構和相關的通信效率高的訓練算法，同時在網絡邊緣進行實時、可靠的推理。這種架構也帶來了新的挑戰：訓練數據訪問受限、推理準確率低、缺乏通用性以及邊緣設備的處理能力和內存限制[8]。

在本文中，我們考慮的邊緣計算網絡架構包含多種服務器（具有多種計算和存儲能力）和多種物聯網設備（產生多種通信和計算請求）。該架構如圖 1 所示。

圖 1. 邊緣計算網絡架構。箭頭代表各種通信和計算任務流。

將通信和計算（2C）任務優化分配到合適的服務器是一個具有挑戰性的問題。文獻 [9][10] 已對這一問題進行了探討。然而，由于對邊緣網絡組件的了解有限，這種優化并不總是可行的。因此，在這里，我們考慮使用機器學習（ML）對生成的 2C 請求進行分類。這種分類旨在支持將請求以近乎最優的方式委托給網絡邊緣的適當服務器。

5G/6G 網絡的架構將幾乎完全虛擬化，并基于軟件功能。因此，它很容易被黑客利用、攻擊和破壞。在敏感應用（如需要超低延遲和超高可靠性（URLLC）的關鍵任務應用）的情況下，對用于流量引導的 ML 算法的攻擊可能會導致致命錯誤[11]-[13]。在我們所考慮的邊緣計算網絡中，2C 任務應根據服務要求進行分類（例如，端到端延遲、數據包錯誤率 PER、委托任務的計算復雜性......等），分類標準可能會發生變化，但考慮到例如具有已定義的敏感度級別（從非關鍵任務到高度關鍵任務）的多類分類，任何錯誤分類都可能導致致命的分類錯誤，尤其是當類別接近分類器時。

在下文中，我們將研究這些攻擊如何影響 2C 任務的分類以及如何將其卸載到邊緣計算服務器上。在第二節中，我們將介紹選定的基于 ML 的任務分類方法，并在第三節中考慮對這些算法的安全攻擊。在第四節中，我們定義了安全評估所選擇的關鍵用例。第五節介紹模擬結果。在第六節中，我們將總結工作并討論進一步的研究方向。

人工智能驅動的軟件飛行員有可能實現美國空軍對負擔得起的戰術空中力量能力的追求；然而，對啟用空戰自主算法的數據的基礎性要求并沒有得到充分理解。

本文討論了空軍戰術空中力量數據管理的挑戰，承認反對數據對協同作戰飛機（CCA）實戰的重要性的論點，并確定了四個具體原因，即資助和實施一個深思熟慮的數據管理計劃對加速CCA的成功開發和實戰至關重要。這個米切爾論壇的初稿的目的是提供清晰度，并邀請大家討論訓練CCA算法的戰斗所需的數據集，因為美國空軍尋求履行其 "隨時隨地飛行、戰斗和贏得......空中力量 "的使命。

該論壇介紹了來自美國和全球各地航空航天專家的創新概念和發人深省的見解。

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。

本報告記錄了通過利用深度學習（DL）和模糊邏輯在空間和光譜領域之間整合信息，來加強多模態傳感器融合的研究成果。總的來說，這種方法通過融合不同的傳感器數據豐富了信息獲取，這對情報收集、數據傳輸和遙感信息的可視化產生了積極的影響。總體方法是利用最先進的數據融合數據集，為并發的多模態傳感器數據實施DL架構，然后通過整合模糊邏輯和模糊聚合來擴展這些DL能力，以擴大可攝入信息的范圍。這項研究取得的幾項進展包括：

• 將DL模型實施到片上系統（SoC）硬件中
• 高光譜圖像（HSI）數據的DL
  • 1.在HSI上建立DL，以獲得水的特性和底層深度
  • 2.在HSI上使用開放集識別方法
• 框架內融合方法的消融研究
• 使用DL和模糊聚合的HSI和LiDAR多模態傳感器融合的新框架
• 探討神經模糊邏輯在遙感數據中復雜場景的不確定性下自動推理的作用和實用性

出版物[1, 2, 3, 4, 5]進一步詳細介紹了取得的進展。

近年來數字圖像通信、計算機技術和圖像處理技術發展快速增長，不同的圖像攻擊，致使圖像安全已經成為一個基本需求。圖像安全方法被分為密碼學和數據隱藏技術，包括數字水印和密碼學。本研究報告回顧了現有的圖片數據隱藏技術，其優點和缺點，以及未來的研究方向。除了調查之外，我們還包括對幾種損害圖片傳輸的幾何和圖像處理攻擊的簡要解釋，以及闡述了多媒體安全的基本思想、基本需求和最新應用。我們討論了各種方法及其特點、類型、需求和工作機制。我們根據不同的領域對這些技術進行分類。數據隱藏方法的一般概念，它們的特點，最近的應用，以及最近對擬議技術的研究工作在下面的章節中進行了討論，最后，不同方法之間的比較已經在一個表格中呈現。

1 引言

使用互聯網來分享和傳輸大量數據的做法已經取得了快速的進展。最近，多媒體安全已成為所有應用中最關鍵的問題之一，以保護通過網絡存儲和傳輸的數據。在最近的十年中，多媒體通信被廣泛使用，這在許多領域都是至關重要的，如娛樂、工業、經濟、電子醫療和軍事應用[1]。

多媒體數據，已經通過互聯網以各種形式，如視頻、音頻、文本和圖像，快速而廣泛地傳輸到目的地。通過互聯網傳輸的數字數據對所有用戶來說都是可獲得和可檢測的。由于數據在傳輸介質上的發送過程、數據存儲庫和數據處理，數據內容可以被自由竊聽、收集、復制和非法分發。多媒體具有獨特的特點，需要對加密方法有特殊的要求[2]。人們提出了多種技術來保護圖像并證明其所有權，例如水印和密碼學，如圖1所示。

1.1 攻擊

如圖2所示，在圖像通過多媒體網絡傳輸時，許多類型的攻擊會對其產生影響。這些攻擊被歸類為噪音攻擊（鹽和胡椒，高斯噪音），幾何攻擊（翻譯，縮放和旋轉），以及其他[3]。另一方面，圖像去噪如平均濾波器、中值濾波器和索貝爾濾波器。直方圖均衡化和自適應直方圖是圖像處理攻擊的一個例子。此外，圖像壓縮攻擊。

2 密碼學

密碼學的方法旨在防止對加密數據傳輸的竊聽。密碼學背后的想法是隱藏數字數據。密碼學來自希臘語stegano，意思是 "覆蓋"，和graphy，意思是 "書寫"。因此，這兩個詞已成為 "覆蓋式寫作 "的同義詞[4]。使用私鑰，它探索了不同的嵌入方法。秘密信息是賦予隱藏內容的名稱，而覆蓋文件是賦予保存秘密文件的容器的名稱。任何種類的多媒體元素，包括視頻、音樂、照片和文本，都可以被用作封面[5]。

如前所述，密碼學包括在另一個多媒體文件中嵌入關鍵信息，如圖3所示。因此，密碼學模型必須有更多的擴展等效能力[4]。作者在[5和6]中證明了一個好的隱寫系統的三個關鍵標準。安全性、不可知性和有效載荷容量都是重要的考慮因素。圖5描述了他們的研究[8]中確定的第四個質量：穩健性。因此，任何提議的算法都應該保留這些品質中的大部分。

如圖4所示，各種隱寫方法可以分為空間、變換、自適應域、基于區域、人類視覺和機器學習。這種分類將在接下來的章節中更深入地描述，同時也會介紹一些最新的研究[9]。

3 數字水印

圖像處理技術的發展使復制、改變和分享數字內容變得更容易，而且成本低，同時保持高質量。數字照片的水印是檢測篡改和證明所有權的另一種方法[60]。如圖6所示，水印是在圖像中插入一段信息而不改變其價值的一種手段，以便識別數據的原始來源。

水印法克服了密碼學的局限性，將水印放入封面圖像中，從而防止水印被發現[61]。圖7中描述了水印方法的多種要求。

一個數字水印系統分為三個階段：生成水印、嵌入和提取。當一個數字圖像的版權出現問題時，提取水印以證明他的版權。

本研究報告分析了當前利益相關者對軍事自主系統的人為輸入或控制的想法。作者首先定義了關鍵術語，如 "機器學習"、"自主系統"、"人在回路中"以及軍事背景下的 "有意義的人為控制"，然后討論了當代利益相關者的文獻對無人駕駛軍事系統的人的輸入/控制的說明。然后，報告討論了各利益攸關方是否對進攻性和防御性系統中所需要或期望的人類控制水平達成了共識，以及是否因系統具有致命性和非致命性能力或西方和非西方國家之間的意見不同而有所不同。報告最后從政策和操作的角度闡述了利益相關者的想法對加拿大國防部/空軍的可能影響。

主要研究結果

• 在與自主系統有關的關鍵術語的定義方面存在著相當多的爭論。

• 在國家對自主武器應采取何種監管手段的問題上，各利益攸關方一直存在分歧。

• 參加這些討論的締約國已就自主武器的一系列指導原則達成共識，包括 "必須保留人類對使用武器系統決定的責任"。

• 在近30個表示支持禁止致命性自主武器系統（LAWS）的國家中，沒有一個是主要的軍事大國或機器人開發商，主要的軍事大國似乎都在對沖自己的賭注。

• 許多民主國家認為，他們打算保留人類對使用武力的控制/判斷，不需要禁止，因為現有的國際人道主義法律（IHL）足以解決圍繞自主武器的問題。

• 加拿大擁有重要的人工智能（AI）能力，該能力被用于民用而非軍事用途。

• 如果在國防領域不接受至少某種程度的（人工智能支持的）自主性，可能會降低與盟國的互操作性，給加拿大武裝部隊（CAF）的行動帶來風險，并且隨著時間的推移，使CAF對國際和平與安全的貢獻失去意義。

在當代戰爭中，數據科學對于軍隊實現信息優勢至關重要。在這項研究中，通過綜合的、半系統的文獻綜述，對158篇同行評議的文章進行了分析，以獲得對該主題的概述。該研究考察了文獻在多大程度上關注數據科學在軍事決策中的機會或風險，并按戰爭級別（即戰略、戰役和戰術級別）進行區分。

在社會科學文獻中觀察到對數據科學風險的關注相對較多，這意味著政治和軍事決策者受到對數據科學軍事應用的悲觀看法的影響過大。然而，在正式科學文獻中，幾乎沒有涉及到數據科學的感知風險。這意味著對數據科學軍事應用的擔憂并不是針對能夠實際開發和增強數據科學模型和算法的受眾。對軍事數據科學的機會和風險的跨學科研究可以解決觀察到的研究差距。

考慮到戰爭的級別，與其他兩個級別相比，觀察到對戰役級別的關注相對較少，這可以說是一個研究空白。軍事數據科學的機會大多出現在戰術層面。相反，對戰略問題的研究大多強調了軍事數據科學的風險。因此，對軍事戰略數據科學應用的特定領域要求幾乎沒有表達。在當今的戰爭中，缺乏這樣的應用可能最終導致次優的戰略決策。

1 引言

如今，數據科學和相關概念吸引了大眾的關注。然而，分析數據以支持決策并不新鮮。考慮一下歷史文明中著名的人口普查的例子，可以追溯到巴比倫帝國（公元前4000年）。巴比倫人利用人口普查來調節糧食庫存，以確保整個人口有足夠的食物[1]。然而，相對較新的是捕捉一切事物和每個人的數據的傳感器的數量，產生的數據量不斷增加。結合計算能力的急劇增加，這為廣泛的行業帶來了分析的機會，例如癌癥研究[2]、金融[3]和公共服務[4]。對軍隊來說也是如此。除了這些機會之外，決策者也面臨著由于數據量不斷增加而帶來的挑戰。僅舉幾個例子。如何在決策過程中整合所有相關數據？我們使用哪些算法，為什么？我們是否被允許將所有可用的數據用于所有目的？然而，在競爭環境中，主要的挑戰和決定勝負的因素之一可能是比競爭對手更快地處理更可靠和詳細的數據的能力。在商業上，這相當于贏得或失去金錢或市場份額；在政治上，這可能最終導致地方或全球范圍的權力轉移。因此，軍隊--作為政治的工具--必須努力爭取權威的信息地位，這一點也得到了政策制定者的認可，例如[5]，[6]。

為了實現這種信息優勢，有必要處理所謂的戰爭迷霧，即與戰爭密不可分的不確定性。在當代信息環境中，數據科學對實現這一地位至關重要。換句話說，數據科學既是利用大數據機會的前提，也是回答那大量數據帶來的挑戰的前提。

隨后，關于戰爭行為中的信息優勢有大量的研究，例如[7]、[8]、[9]、[10]。有關軍事決策中的數據科學的研究大多集中在軍事行動的戰術層面上的數據科學機會，例如[11]、[12]、[13]，而關于軍事戰略決策中的數據科學的研究卻很少。那些針對戰略層面的研究主要關注算法決策的風險而不是機會，例如[14]、[15]、[16]。據我們所知，目前還沒有關于數據科學在各級軍事決策中的機會和風險的廣泛文獻調查。為彌補這一空白，我們重點關注以下研究問題：

• 問題1：關于軍事決策中的數據科學的學術文獻在多大程度上集中于機會或風險？

• 問題2：這種關注點是否因研究集中的戰爭級別而不同？如果是的話，這意味著什么？

• 問題3：在安全研究學科之外，有哪些關于數據科學的研究可以在理論上加強軍事決策？

我們對數據科學在軍事決策中的作用進行了綜合的、半系統的文獻回顧，對目前關于這一主題的研究進行了嚴格的評估，并確定了未來研究的差距。在社會科學文獻中，我們發現人們對數據科學在軍事上的效用持相對悲觀的態度，在戰略層面的懷疑程度最高。因此，我們建議加強對軍事數據科學的跨學科研究。

本研究的主要貢獻是對有關在軍事決策中使用數據科學的知識體系進行了廣泛評估。此外，還指出了一些未來研究的機會。除了豐富學術討論外，這也有助于改善實踐中的軍事戰略決策。

本文的其余部分結構如下。為了把我們的研究放在一個更廣泛的角度，第2節概述了先前關于軍事決策中的數據科學的研究，我們還提供了數據科學的定義和軍事決策發生的戰爭級別。第3節描述了研究方法，解釋了為本文獻綜述尋找相關文章的過程，我們在第4節介紹并討論了我們的主要發現。在結論部分，我們概述了本文獻綜述的理論和實踐意義，以及我們研究的局限性。

結論

為了在信息時代保持競爭優勢，軍隊必須利用數據和計算能力來獲得權威的信息地位[5]。然而，數據科學在軍事決策中的應用還沒有得到充分的發揮。我們對軍事決策中的數據科學進行了綜合的、半系統的學術文獻回顧，以獲得對該主題的概述，并對其進行批判性評估。此外，我們還分析了文獻在多大程度上關注了數據科學的機會或風險，以及這與研究集中在的戰爭層面有什么關系。我們在文獻回顧中包括了158篇文章。在這個結論部分，我們概述了我們研究的理論和實踐意義以及局限性。

5.1 理論和實踐意義

首先，社會科學文獻顯示出對數據科學風險的相對關注。由于我們假設對軍事決策感興趣的政策制定者很可能主要是由社會科學文獻提供信息，這意味著政治和軍事政策制定者受到對數據科學在軍事領域應用的悲觀看法的影響過大。

同時，在正式的科學文獻中，幾乎沒有涉及數據科學的感知風險。這意味著對數據科學在軍事上的應用的擔憂并沒有針對那些能夠實際開發和加強數據科學模型和算法的受眾。這表明，這些模型的進一步發展不會適合所有具體的軍事決策需求。我們相信，對軍事數據科學的機會和風險的跨學科研究可以解決所觀察到的研究差距。

當我們放大軍事決策時，我們觀察到與其他兩個層面相比，戰爭的操作層面的關注度相對較低，這表明在軍事操作數據科學方面存在研究空白。

軍事數據科學的機會大多出現在戰術層面。相反，強調軍事數據科學風險的研究往往主要集中在戰略層面，其中核威懾最引人關注。因此，軍事戰略數據科學應用的特定領域要求幾乎沒有被表達。在當代信息環境中，缺乏軍事戰略數據科學可能會導致次優的戰略決策。這本身就是一個道德問題。因此，進一步研究軍事戰略數據科學的機會對軍隊來說是非常有價值的。

我們為這種未來的工作提供了一些建議，主要來自非軍事文獻，再次強調了跨學科研究在加強軍事決策方面的價值。數據科學可以改善這種決策。顯然，這并不是說數據科學應該在決策過程中完全取代人類，但我們至少應該探索各種可能性，為決策提供最佳參考。

對軍事數據科學的進一步研究（特別是在戰略和行動層面）不僅是學術責任。我們同意梅茨的觀點，這也需要培養未來的戰略領導力，注重創業精神[61]。畢竟，只有當數學、計算機科學和商業知識齊頭并進的時候，數據科學才會成功。而后者又取決于商業領袖如何設想他們的未來。

5.2 局限性

首先，由于我們在廣泛的領域中進行了跨學科的文獻回顧，不可能選擇所有的相關文獻。因此，我們對與各學科相關的期刊進行了初選。鑒于現有期刊的總數，這種選擇本身可能會影響我們研究的有效性。為了盡量減少這種影響，我們又進行了一次電子搜索，如我們的方法論部分所述。

第二，我們只審查了學術文獻。未來的研究可能會受益于包括關于數據科學在軍事決策中的應用的非學術來源。

總而言之，盡管對某些文章是否強調數據科學的風險或機會的分類可能被認為是未定的，但我們相信，仔細閱讀最后一組論文的結果與所提出的評估類似。

本報告是在 FA9453-19-1-0078 資助下編寫的。首先，提出了兩種數值方法來解決通信和導航中產生的非線性優化問題。其次，開發了兩個關于機器學習模型的解決方案質量和安全性的結果。

該研究項目的目標是開發高效的大規模非線性優化算法，以解決通信和導航方面的數據分析問題。這些問題被公認為在數學上具有挑戰性，并與空軍的利益直接相關。

在資助期間，我們成功研究了兩個研究方向。首先，我們設計了大規模非線性優化問題的最佳一階方法。在這個方向上，我們提出了兩個一階方法，可以對決策變量進行近似梯度更新。這兩種方法都可以解決分散通信的多Agent優化所產生的非線性優化問題。通過將多代理優化重新表述為約束性問題，我們開發的方法可以以最佳梯度/操作者評估復雜度來解決問題。我們開發的方法也可用于解決圖像重建問題。

第二，我們分析了機器學習模型中的解決方案質量和安全問題。在這個方向上，我們完成了兩個研究結果。我們的第一個成果是關于在多集群環境下，從二元結果的條件邏輯回歸模型中計算出來的估計值的屬性。我們表明，當每個單獨的數據點被無限次復制時，來自該模型的條件最大似然估計值漸進地接近最大似然估計值。我們的第二個結果是關于安全的矩陣乘法問題，我們設計了一種準確和安全地進行分布式矩陣乘法的方法。我們的安全協議可以確保在進行這種矩陣乘法的通信過程中沒有任何信息被泄露。

本報告總結了網絡科學實驗方法項目期間的研究成果，大約涵蓋2017-2020年。該項目重點關注兩個主要議題：彈性網絡的上下文感知網絡和網絡安全。上下文感知網絡旨在改善戰術網絡及其支持服務的性能，使用上下文感知來加強目前的實踐方法，這些方法不一定考慮環境的動態和資源有限的邊緣設備和網絡的限制。彈性網絡的網絡安全旨在加強戰術網絡在動態和復雜對手面前的安全性。

參與本項目的美國陸軍作戰能力發展司令部陸軍研究實驗室的研究人員在相關主題的多個外部合作伙伴計劃的形成和合作中具有重要影響。這些項目的成果被納入任務資助的項目。這些合作伙伴計劃包括美國-英國分布式分析和信息科學國際技術聯盟（DAIS ITA）、戰場物聯網合作研究聯盟（IoBT CRA）、技術合作計劃（TTCP）和北約科學和技術組織信息系統技術（NATO STO IST）小組。

這項研究的影響包括：網絡模擬實驗驗證了支持理論結果的算法和技術的可行性，在網絡和通信研究界對研究成果進行了大量報道，并對陸軍概念科技（S&T）文件做出了貢獻。下文中總結的重點包括：利用沙堆模型開發網絡控制中的級聯故障的最佳控制，并確定可以防止級聯故障的條件；將密匙壽命提高一個數量級的物理層安全認證協議；以及對指揮與控制（C2）、火災和網絡科技概念文件的貢獻。

圖 1 包含理解、適應和執行周期的上下文感知網絡示意圖