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。

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。

海軍人員日益依賴個人無線設備，這為網絡攻擊與信號情報（SIGINT）漏洞暴露帶來巨大風險。盡管此類設備能提升連接性與用戶士氣，但其可能向敵方暴露敏感數據的特性也造成重大作戰安全風險。本研究通過評估網絡利用風險、電磁特征控制（EMCON）暴露隱患及現行網絡安全培訓方法的不足，探討艦艇個人設備安全威脅。研究運用美國海軍“桑普森”號驅逐艦案例與商業無線控制（COMICON）策略部署，分析現行安全協議的成功與缺陷。通過審視俄烏沖突中“馬基夫卡襲擊”等真實事件，識別可能影響美國海軍行動的類似威脅。對美國海軍網絡安全培訓的調研表明，“2025網絡感知挑戰”等現有項目缺乏應對個人設備漏洞的充分能力。本文提出實施混合政策框架以降低風險，具體措施包括：擴展網絡安全教育項目；強化符合EMCON標準的設備規范；部署先進監控系統；開展人員文化意識宣傳活動。同時兼顧士氣管理需求，以應對新興網絡威脅并維護作戰完整性。

2025網絡感知挑戰

2004年，美國國防部頒布第8570.1號指令，要求所有國防部附屬信息系統用戶接受初始與年度更新的信息保障培訓。海軍人員作為國防部信息系統用戶的重要組成部分，需特別關注。值得注意的是，該指令根植于1987年《美國計算機安全法案》。該法案規定聯邦信息系統全體雇員與用戶須接受周期性安全培訓。在此背景下，“2025網絡感知挑戰”項目旨在落實國防部指令要求，培養水兵及其他軍職人員適應性的信息安全意識文化，以維持國家安全標準。

項目描述中，美國防部將“2025網絡感知挑戰”定位為核心職責，旨在落實國會、國防部長、管理與預算局（OMB）及其他相關機構授權的終端用戶意識培訓。培訓聲明指出：“網絡感知挑戰的目標在于引導行為，聚焦授權用戶可采取的行動以降低國防部信息系統的威脅與漏洞。”其核心是確保國防部全體人員適應不斷演進的信息技術要求，并應對現有與新興的網絡及信號情報（SIGINT）漏洞（例如美國海軍人員使用無線個人設備產生的風險）。教育課程涵蓋保護敏感信息的基礎概念，包括機密性、完整性與可用性。通過傳授這些核心原則，使水兵掌握威脅檢測技能，并理解數據安全對個人信息與機構資產的重要性。水兵將接受標準網絡與信號情報風險培訓，包括惡意軟件與釣魚攻擊，強調虛擬通信中的警惕性。

除理論知識外，“2025網絡感知挑戰”計劃通過培訓水兵，建立安全數字操作的制度化實踐。培訓目標聚焦培養人員識別在線活動風險并實施風險緩解措施的能力。例如：指導水兵使用高強度登錄憑證與多重驗證機制，避免在社交媒體披露個人數據；教授美國海軍網絡與系統的最佳操作實踐，通過教育計劃提升網絡安全主動參與度。2015年數據顯示，國防部網絡十個月內遭受約3,000萬次惡意入侵。鑒于美國海軍行動多部署于海外，此類非受控攻擊對國家安全與全球和平構成威脅。隨著海軍網絡在信息戰領域達到高成熟度，對手正致力于利用其漏洞實施間諜活動。圖2展示了“2025網絡感知挑戰”培訓模塊。

人工智能（AI）中的知識推理與表征對推進威脅識別的預測性研究至關重要。大規模數據的快速增長催生了自動化解決方案的部署，但當前機器學習接口仍難以可靠預測異常行為——這限制了其在關鍵決策中的適用性。為應對此挑戰，圖神經網絡理論與動態系統現代庫普曼理論的最新進展，推動了結合知識圖譜構建的深度圖表示學習技術發展。該方法通過學習捕捉異常威脅評分的圖嵌入，提升威脅分類精度。通過預測生成圖與真實圖譜間的圖相似性度量進行迭代對比，進一步優化預測結果。利用庫普曼方法對新聞文章中的暴力事件信息進行降維處理。提出的"基于庫普曼學習演化的半監督預測自編碼器表征（SPARKLE）"方法，為動態情報構建提供可擴展、自適應的框架，最終在未來威脅監控系統中實現實時態勢感知。建議未來研究將此創新方法與多源權威數據整合，以推進AI驅動的現代威脅分析。

圖：俄烏沖突每周時間序列數據

數據量的持續激增常導致信息過載，這迫使人們采用自動化工具實現高效利用。然而，當前機器學習接口難以滿足威脅識別與分類所需的精準可靠預測，使其無法勝任關鍵決策流程。基于圖的方法與現代庫普曼理論的最新進展，增強了人工智能技術從復雜數據集中提煉關鍵信息的能力。快速制定明智決策的迫切需求，推動著威脅識別方法的改進。

傳感器及其能力在融入復雜互聯戰場環境后日益精密。空間、平流層氣球、浮標與山頂部署的系統，可在動態復雜網絡中同時充當數據生產者與消費者。聚合、格式化與綜合海量數據以提供預警、推斷意圖并列舉應對建議，需具備對作戰環境的深刻認知、復雜傳感器數據本體論，以及精細而全面的對抗行為模型。此外，傳感器數據產出效用與數據分析深度常受顯著制約。本研究通過多層次方法評估預測能力：（1）應用機器學習模型壓縮數據；（2）構建知識圖譜捕捉對抗行動與意圖的關聯線索，并借助海軍研究生院"哈明"高性能計算環境創新應用庫普曼算子實現圖譜動態演化；（4）通過檢索增強生成（RAG）最大化分析效用以優化結果。研究框架始于理論與領域概述，涵蓋知識圖譜、機器學習方法、生成式動態圖、庫普曼算子預測及RAG技術，最終通過"基于庫普曼學習演化的半監督預測自編碼器表征（SPARKLE）"展示威脅分類精度的顯著提升。研究結果表明，SPARKLE迭代框架的應用有效增強預測能力并改善威脅分類成效。

傳感器已遍布從海底到太空的全域。"新聞文章中的暴力事件信息（VIINA）"時間序列數據集用于評估多種方法的性能。全球部署的龐大傳感器網絡產生的觀測數據，已遠超人類未經自動化輔助處理信息與語境的能力。此環境為結合知識圖譜構建與機器學習塑造戰場空間感知提供了理想的實驗場。

A. 問題陳述

當前面臨的問題在于亟需對海量數據實施自動化預處理以提升威脅環境中的態勢感知能力。"數據豐富但信息貧乏（DRIP）"凸顯了現有缺陷——分析人員當前無法在目標監視要求時限內處理偵測信息以支撐識別任務。2022年成立的"全域異常現象解析辦公室（AARO）"需就限制空域與敏感空域內的"未識別異常現象（UAP）"活動向國會提交報告（AARO，2022年）。全球范圍內（包括AARO等機構）迫切需要通過改進異常檢測與威脅識別方法提升預測能力。問題核心在于：現有技術與有限專業分析人員難以有效識別未明現象，導致空天優勢喪失。需開發高效自動決策輔助系統實現異常檢測與威脅識別，分析目標威脅以制定明智交戰決策。當前威脅識別預測方法無法滿足實時高風險決策需求。

B. 研究目標

表征、推理與持續學習是智能人工系統的關鍵要素。本研究采用多路徑方法（聚焦圖技術），旨在通過不同數據表征與多種圖譜技術測試，探索知識表征與預測推理間的關系，以異常檢測支撐識別任務解決DRIP問題。核心目標是理解基于圖譜的自動化如何整合知識圖譜構建（KGC）與機器學習模型實現增量信息獲取，及其對推理預測效能的影響。

C. 研究問題與假設

引入基于圖譜的解決方案可提升自動化預測在人機協同中的作用。概率建模技術、圖神經網絡與聚類算法可應用于圖結構數據，此類系統可產生增強模式分析、異常檢測與威脅識別的新興特性。

? 研究問題1：當信息表征以知識圖譜形式構建時，機器學習模型能否實現可靠預測？
 ? 假設1：知識圖譜構建（KGC）能提升異常檢測的預測能力以支持威脅識別，通過捕捉強弱關聯提升預測精度。

? 研究問題2：圖結構數據集（知識圖譜）能否用于訓練機器學習模型，通過增量更新改進人機預測系統？
 ? 假設2：知識圖譜構建（KGC）可利用概率圖機器學習從數據中提取信息，創建實體與關系，作為訓練數據集對知識圖譜實施增量持續更新。

? 研究問題3：當庫普曼算子與圖技術結合機器學習模型時，能否有效檢測并精準預測威脅以支持識別任務？
? 假設3：生成式與基于圖的技術可彌補當前技術缺口，使預測結果更具可靠性。

D. 研究目的聲明

日益增長的圖譜分析與表征研究，或為決策者利用預測評估制定高置信度決策提供新路徑。海量作戰可用數據需自動化預處理，知識圖譜構建與實體抽取自動化至關重要。需理解機器如何利用圖譜表征實現知識圖譜實體的動態構建與關聯預測。本研究旨在證明：在數字化時代數據激增背景下，知識圖譜構建與圖譜表征支持學習模型持續更新，可有效處理大規模數據。

E. 普適性

有效利用海量數據需深刻理解作戰環境，包括識別威脅或目標的潛在可開發行為與異常活動。聯合目標選定學員指南將目標定義為"可能需實施打擊或其他行動的實體與對象"（美國防部[DoD]，2017年）。其他考量因素包括機密情報收集需求、可用通信鏈路及數據處理能力以實現數據流動與運用。由于這些多樣化能力構成復雜互聯戰場環境的一部分，必須全面捕捉其二元關聯。圖論技術的應用為管理此能力網絡、從海量數據中提取有效信息以優化處理與融合提供了理論基礎。

F. 研究框架

本研究通過分析俄羅斯入侵烏克蘭相關新聞文章中的暴力事件文本預測潛在威脅。在決策者需及時獲取可操作預測信息的情境下，此類能力關乎生死存亡。支撐本研究的各要素模塊將在文獻綜述部分深入剖析。

方法論章節闡述SPARKLE迭代應用框架，展示知識圖譜在機器學習增量更新中的重要性，并描述流程輸出。后續分析通過模型對比與相似性分析開展預測精度比較評估，在討論環節提出復雜度測量方法以證明其在異常檢測中的表征能力超越傳統方案。

G. 研究意義與未來方向

當信息以知識圖譜形式結構化時，機器學習模型可實現更可靠預測。知識圖譜構建（KGC）通過捕捉強弱關聯提升預測精度。圖結構數據促進人機預測系統的增量更新，概率圖機器學習通過動態提取實體與關系實現持續學習，構建自適應演進的知識圖譜。庫普曼算子與圖譜技術的整合強化威脅識別能力，圖相似性度量與模型對比證明SPARKLE框架在復雜模式檢測中的預測提升。此概念可擴展至信號分類等其他領域（未來研究部分探討）。本研究核心貢獻在于提出AI驅動的現代威脅分析創新方法。

本研究探討了政府和國防機構的情報搜索人員所面臨的數據超載問題。研究利用認知系統工程（CSE）文獻中的方法，對情報搜索工作領域進行深入分析。這些見解被應用于設計和評估專門用于情報搜索任務的人類-人工智能智能體團隊的支持概念和要求。領域分析揭示了 “價值結構 ”的動態性質，“價值結構 ”是一個術語，用于描述管理情報搜索過程的不斷變化的標準集。此外，領域洞察力還提供了搜索聚合和概念空間的詳細信息，可將價值結構有效地應用于情報搜索。利用這些發現的支持系統設計可以使情報搜索者在更抽象的層次上與數據互動并理解數據，從而提高任務效率。此外，新的系統設計還可以通過相關的系統提示，促進對大型數據域中未被選擇對象的 “環境感知”，從而為搜索者提供支持。通過支持概念和人工智能團隊實現的 “環境感知 ”有可能解決數據超載問題，同時提高搜索覆蓋范圍的廣度和深度。

圖 4. FAN 領域模型。為了強調整個 FAN 的抽象功能結構和目標互動，圖中模糊了流程塊的細節。詳細的智能搜索功能模型見補充材料圖 S1。

政府和國防機構的情報搜索人員面臨著越來越多的數據和文件，他們需要從中查找或 “發現 ”信息，以獲得支持明智決策的見解。這種情況被稱為數據超載問題，即個人在系統或其他代理的幫助下，難以選擇、組合或綜合所需的數據子集，以完成需要在更大的數據領域進行態勢評估的任務[1]。在這種情況下，情報搜索人員與同事一起利用搜索工具，協同努力從幾乎無限的可用于任務的文件中查找、收集和評估文件，以完成為情報目標提供信息的任務。具體地說，數據超載妨礙了搜索人員識別數據子集的能力，而這些數據子集能提供足夠的細節來滿足情報目標，這對行動任務的完成至關重要。

用于一般情報搜索任務的系統可能會導致數據超載癥狀。具體來說，情報搜索工具會表現出與 “鎖孔脆性”[2] 概念有關的缺陷。這里所說的 “鎖孔 ”是指縮小呈現數據的范圍，將剩余數據分配到更多的隱藏屏幕上。這種呈現方式要求研究人員手動瀏覽和綜合來自多個數據屏幕的信息，以了解搜索的效用。同時，這些現有工具的脆性與它們支持從情報搜索工作領域的數據中提取意義的潛力有關。因此，“脆性 ”產生于搜索工具對信息的狹隘表述。對于需要從大量數據中提取意義的復雜任務來說，這種局限性導致了效率的下降，而這些數據又超出了給定系統的表述范圍。此外，由于情報搜索工作和信息領域的結構復雜，無法充分捕捉和傳達，妨礙了對支持行動所需的信息的理解和管理。這就導致效率低下，搜索人員往往會錯過有價值的見解和與目標相關的數據，同時還要花費更多的時間瀏覽各個屏幕來完成任務。

情報工作領域的搜索所面臨的這些廣泛挑戰構成了本研究要探究的問題，圖 1 的頂部對此進行了總結。圖 1 中還列出了應對這些挑戰常用的術語和縮略語，作為本研究的路線圖。

本文是研究未來指揮與控制（C2）表現形式的四篇系列論文中的第二篇。本文重點探討了 C2 業務的可能構成：即了解當前的國防 C2 業務以及為適應未來作戰環境要求而可能發生的變化；未來促進 C2 所需的組織和技術屬性及流程；以及這將對整個 C2 業務和相關人員提出的要求。 然后，本文確定了實施變革可能遇到的障礙和機遇，包括國防部門在設計 C2 業務時可能面臨的一些反復出現的困境和權衡。因此，本文的研究結果為第三和第四份文件的進一步分析和建議制定奠定了基礎。

研究問題

• 根據目前對 FOE 的最佳預測（即對 C2 業務的需求）以及科技（S&T）和勞動力趨勢的可能狀況（即加強 C2 的技術和人員解決方案的潛在供應），設計未來 C2 業務的機遇、挑戰和困境是什么？
• 共同推動該業務有效性的最重要特性是什么？這些特性如何相互作用？
• 在國防中實現這些特性可能需要克服哪些障礙？可能存在哪些機遇？
• 在全社會范圍內實現這些特性需要克服哪些障礙？可能存在哪些機遇？
• 這種方法會帶來哪些新要求（新能力、概念、功能和必要活動等）？

主要結論

-英國國防業務已經跨越了一個廣泛而多樣的生態系統，擁有多種不同的參與者配置。 -確保整個國防部門擁有具備必要技術和軟技能的人員，將是未來 C2 系統的關鍵推動因素。 -為了在未來啟用 C2 系統，國防作為一個組織還需要培養一些特征和能力。 -未來對 C2 系統的預期要求提出了國防必須解決的若干權衡和難題。 -在未來的多域作戰中，跨域整合預計仍將是 C2 系統面臨的主要挑戰。

美國海關與邊境保護局（CBP）努力整合情報，以更具戰略性的方式使用收集到的信息。海關及邊境保護局的現場行動辦公室（OFO）可以預測入境口岸新出現的威脅，但在利用現有數據挫敗犯罪網絡方面能力有限。本論文探討了現場行動辦公室如何有效整合情報，以更具戰略性的方式收集、分析和傳播信息，從而改善邊境安全。本研究采用案例研究的方法采納最佳做法，并承認不同的角色和責任，對英國、澳大利亞和德國的國內情報部門進行評估，以了解各自如何協調情報活動。因此，本論文提出了供聯邦外事辦公室考慮的最佳做法；具體而言，本論文為聯邦外事辦公室在入境口岸組建口岸情報單元推薦了兩個可能的框架。在海關及邊境保護局尋求整合情報的過程中，OFO 可以通過在主管官員或任務分擔系統內將口岸情報單元標準化來促進其戰略目標的實現；每個系統都整合了情報，培養了決策優勢，并促進了分析驅動的收集工作。本論文的結論是，港口情報標準化有效地整合了情報，使海關及邊境保護局能夠為情報事業做出有意義的貢獻，完成任務目標。

本報告介紹了美國陸軍研究實驗室內容理解處的研究人員在 2023 財年為采用增強型戰術推理（ETI）框架所做的工作。ETI 的開發旨在支持多智能體環境（數據源智能體、推理模型智能體和決策者智能體）中人工推理研究的實驗和演示。在本報告中，ETI 被用于在跨現實環境中演示基于不確定性的決策推薦功能。從模擬場景的數據開始，再加上額外的外部環境，ETI 智能體對態勢感知信息中的不確定性進行推理，為決策者提供建議選擇。最后，ETI 的產品被轉化為跨現實可視化，以探索新的人機交互模式。

增強戰術推理（ETI）框架的設計和創建是為了支持人工推理研究的實驗和演示。ETI 目前的結構包括三個主要智能體：數據源智能體、推理模型智能體和決策者智能體。數據源智能體分為幾大類：信息（圖像、音頻、文本）、設備、網絡和可視化。數據源智能體可以捕獲數據并將數據傳輸給其他智能體。其他信息系統也可以向這些智能體提供數據。推理模型智能體執行不同方面和不同層次的推理。推理智能體的輸出將有助于生成建議的決策。決策者智能體負責做出最終決策。這些 ETI 智能體可以是模塊化的，允許串行或并行處理，以及獨立或相互依存。在這項工作中，ETI 發揮著決策輔助工具的作用。主要的推理模型是信息不確定性（UoI）模塊。該 UoI 模塊可在決策建議中考慮任何信息的不確定性。ETI 的另一項功能是實現與人類的互動，包括未來的可視化和協作環境。我們在跨現實（XR）環境--運籌、研究與分析加速用戶推理（AURORA）中進行了演示。與 AURORA 等系統集成后，可以探索智能系統與人類交互的新模式。在本報告中，將詳細介紹我們的演示開發過程，包括將模擬環境中的數據映射到可視化環境中，將決策點和 ETI 建議納入行動方案中，以及用 "假設 "情況來增強場景，以探索基于推理的框架的影響。

這項研究的目標是開發、整合和演示基于推理的決策框架。ETI 框架的決策建議被用于師演習訓練和審查系統（DXTRS）中的模擬場景，并在 XR 環境 AURORA 中實現可視化。下文將介紹 DXTRS、場景和 AURORA 可視化的背景情況。

• DXTRS場景

在該場景中，藍軍（BLUFOR）的目標是向東推進，穿過阿塞拜疆名為阿格達姆區的地區，同時與部署在河東的對方部隊（OPFOR）交戰并將其消滅。(見圖 1）

隨著任務的展開，BLUFOR 將遇到一條阻礙他們前進的河流，他們需要在那里進行濕空隙穿越。(見圖 2）

• AURORA跨現實共同作戰圖 (XRCOP)

為了探索可視化和與 ETI 的交互，DXTRS 場景和相關的 ETI 推理信息在 XR 環境中顯示。該環境由美國陸軍作戰能力發展司令部（DEVCOM）陸軍研究實驗室（ARL）開發，名為 AURORA。AURORA 為安全、聯網、多設備跨現實信息調解和交互提供了一個通用作戰框架。為了便于可視化，將場景數據集合映射為 AURORA 可以處理的目標光標（CoT）信息。本報告第 3 部分將詳細解釋映射過程。圖 3 和圖 4 顯示了AURORA環境中的場景截圖。

• ETI 決策建議

如前所述，ETI 的設計是利用各種推理模型作為模塊，允許不同的推理配置。本次工作的推理模型是用戶體驗模塊。UoI 的概念包括產生或捕捉一個值，并用描述符對不確定值進行分類。這為決策者提供了不確定性的上下文信息，并支持對由此產生的建議進行推理。描述符基于格申論文中提出的不完全信息的性質。目前，該分類法包括不一致、損壞、不連貫、不完整、不精確、復雜和可疑。它們共同描述了特定信息源不確定性的原因和類型。

當前版本的UoI表達式是一個加權和，如式1所示。

公式 1. UoI 計算，其中 dp 為決策點，D 為變量，表示可能是任務關鍵因素的決策組成部分，W 為與這些組成部分的重要性相關的權重，T 為分類權重類別（相當于 G），S 為數據來源類別。UoI 值表示數據源和因素對所分類的不確定性的貢獻。

以下是分類法中七個術語的描述：

• 不一致： 由于來源不同或不一致而導致的不確定性。
• 錯誤： 因數據源含有錯誤而導致的不確定性。
• 可疑： 由于信息來源缺乏信息或信息來源可疑而導致的不確定性。
• 不連貫： 由于信息來源缺乏連貫性或組織性而造成的不確定性。
• 不完整： 由于信息來源未完成或不完整而造成的不確定性。
• 不準確： 由于信息來源不準確或不詳細而造成的不確定性。
• 復雜： 由于信息來源錯綜復雜或令人困惑而造成的不確定性。

喬治敦大學安全與新興技術中心（CSET）和艾倫-圖靈研究所新興技術與安全中心（CETaS）的這份聯合報告評估了目前自主網絡防御的最先進水平及其未來潛力，確定了進展的障礙，并建議采取具體行動來克服這些障礙。這些發現和討論將與參與開發自主網絡防御能力的網絡安全從業人員、政策制定者和研究人員有關。

鑒于網絡攻擊造成的巨大經濟和社會損失以及人工智能（AI）的最新進展，近年來，人們對應用人工智能加強網絡防御的興趣越來越大。對自主網絡防御的研究正在擴大，它不僅可以檢測威脅，而且可以參與防御措施，如加固或恢復。本報告重點關注創建這些自主網絡防御代理的一種有前途的方法：強化學習（RL）。

自主網絡防御沒有一個統一的定義，但在最基本的層面上，這些代理將完成人類網絡防御者的一些任務，保護網絡和系統，檢測惡意活動，并對異常或惡意行為作出反應，但要以數字攻擊的速度。

本報告提出了自主網絡防御的擬議定義，調查了自主網絡防御的現狀以及該技術成為可行的網絡安全工具所必須克服的相關挑戰。不能保證自主網絡防御會成功，但該技術正處于一個需要政策支持的階段，以實現潛在的好處，并幫助網絡防御者處理現代網絡安全行動的速度和不確定性。

RL是創建網絡防御代理的領先AI方法，這是有效的自主網絡防御的核心要求。2012年，當RL代理首次在簡單的雅達利游戲中擊敗人類專家時，這項技術的地位日益突出。在這一成功的基礎上，從2015年到2018年，DeepMind為更具挑戰性的游戲建立了系統，包括圍棋和國際象棋，取得了意想不到的成功水平。研究人員對RL趨之若鶩，部分原因是這些成功，但也是因為OpenAI的一個開放框架，它允許創建簡單的模擬訓練環境或 "健身房"。OpenAI健身房的形式簡化了研究和開發，在過去的幾年里，網絡健身房已經開始出現，允許訓練和創建網絡防御代理。甚至在最近，這些健身房成為名為 "網絡自主實驗健身房"（CAGE）的公開網絡安全競賽的一部分。

我們的研究立足于基于強化學習（RL）的人工智能代理的潛力，以提供實現部分或全部自主網絡防御概念所需的自主能力。雖然與自主網絡防御有關的有前途的相關建模方法、技術和工藝的范圍很廣，但我們對RL的關注是由于在網絡防御中應用RL的努力增加，以及RL在其他問題領域取得的可喜成果。

雖然自主網絡防御的核心技術在過去十年中進展迅速，但在系統能夠投入使用之前仍有許多挑戰。在這個研究項目的過程中，我們采訪了政府和非政府專家，以確定建立和部署可信系統的要求，其中包括：

• 適應性--一個潛在的自主網絡防御系統將需要對網絡威脅環境的變化做好未來準備。
• 可審計性--自主網絡防御系統必須能夠生成日志，并將代理人的決定和采取行動的理由歸檔，以便進行審查和審計，盡管操作節奏可能超過人類能力。審計日志也可以用來保證所采取的行動是合法的和相稱的，并遵守商定的規范。
• 可指導性 - 人類操作者需要能夠在需要時重新指導或終止系統。
• 可觀察性--系統需要為人類操作者提供足夠的數據采集和分辨率，以提供準確的、最新的態勢感知，并提供系統性能指標以支持人類監督。
• 安全性--自主網絡防御系統和其中的代理都需要保證安全，防止被泄露、被盜或被破壞。
• 可轉移性--自主網絡防御代理將需要在實際環境中部署，而這些環境與他們所受的訓練不完全相同。

為了滿足這些要求并繼續取得進展，自主網絡防御這一新生領域需要得到培育。RL最近才開始在網絡安全方面起飛。近年來，學術出版物激增，培訓網絡RL代理也開始大量涌現。然而，與這些代理將面臨的更復雜的現實世界的網絡環境相比，能力仍然是初級和不完整的。持續的資金、協調的努力以加強模擬、仿真和評估工具、確保熟練的人員，以及提供對現實數據和基礎設施的訪問，將有助于確保進展。

如果能夠克服技術挑戰，自主網絡防御有很大的發展潛力。目前為網絡防御建立的代理和環境考慮的變量和可能性比更著名的RL代理（如圍棋或視頻游戲如Atari或DOTA2）少。這意味著有足夠的潛力讓代理越來越智能；它們可以管理更多可能的防御行動，并在更復雜的環境中運作，需要它們探索更多的情況。我們對技術挑戰的探索表明，自主網絡防御將是一個長期的雄心壯志，只能在未來幾年內實現。

建議

盡管在自主網絡防御領域取得了重大進展，但我們的研究表明，還沒有自主網絡防御系統被實際部署。鑒于目前技術的成熟度，我們提出了發展這些能力以使技術成熟的建議（建議的完整清單見第4節）。

對擴大規模進行投資。該領域可以通過做更大、更真實的網絡模擬，納入更復雜的場景和攻擊者的行為來改進。更高的保真度將導致更有能力的網絡防御代理。此外，發布和維護工具，如健身房或訓練有素的代理，可以幫助吸引學術界或其他研究人員來做這項工作。最后，持續的資金也將使研究人員更容易向這些項目看齊。

建立并提供測試和訓練場。更大和更復雜的代理將需要更多的計算密集型訓練和測試，這可能使一些研究人員的資源緊張。建立和維護大型計算系統也是一個挑戰，這需要難以得到的人才。提供必要的基礎設施、人才和資金資源--也許是以補貼成本的方式，也可以幫助加速進展并提供連續性。

協調數據共享。政府和行業的政策制定者有權力發布有關需要防御的網絡和他們所觀察到的威脅的網絡數據。這些都是需要仔細考慮的微妙問題，但只要共享數據能改善網絡安全，所有組織都會受益。

舉辦比賽。繼續舉辦自主的網絡防御競賽，并輔以財政獎勵，作為改善健身房和代理商的一種手段，同時培養未來的人才。

優先考慮能使自主網絡防御的利益最大化的領域。并非所有的網絡防御情況都需要自主代理，如速度不是限制因素或防御已經有效的情況。優先考慮自主性影響最大的領域可以幫助指導研究。同樣地，一些技術，如漏洞發現，對防御者或攻擊者都有幫助。政策制定者應投資于研究，以確定哪些情況和技術會導致更好的防御，而不是改進攻擊。

確定防御者代理是否需要攻擊者代理。在創建現實的模擬時，不清楚在多大程度上可以在沒有進攻者代理的情況下建立防御者代理來驅動它們。研究人員和政策制定者應該探索在不犧牲防御者有效性的情況下限制進攻代理的能力的方法，并對代理技術和知識的擴散建立嚴格的控制。他們還應該投資于研究，以了解哪些具體情景和技術需要進攻性制劑。

確定自主網絡防御代理的授權門檻。自主網絡防御代理將需要達到對一個組織的高度信任，以獲得高度的自主權。需要制定政策指導，為能力和可信度設定初始目標，與代理被授權做出的決定的風險相匹配。這種指導可以類似于為自主車輛制定的自主水平。它們也可以根據情況或威脅環境的各個方面而變化。

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