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

本文介紹了一種新的 L-V-C 模擬框架，用于開發空戰戰術、技術和程序（TTP），從而推進了實戰（L）、虛擬（V）和建構（C）模擬方法。在該框架中，戰術、技術和程序（TTP）是在獨立的 C、V 和 L 模擬階段反復開發的。這樣既能利用每類模擬的優勢，又能避免純 LVC 模擬的挑戰。C 階段在不考慮人機交互（HMI）的情況下，根據飛機的存活概率（Ps）和擊落概率（Pk）提供最佳 TTP。在 V 階段，通過評估 Pk 和 Ps 的適用性，以及有關飛行員態勢感知、心理工作量和 TTP 堅持性的人機交互措施，對最佳 TTP 進行修改。在 L 階段，使用真實飛機來評估所開發的 TTP 是否能在真實環境中實現可接受的 Pk、Ps 和 HMI 測量。該框架的迭代性質使 V 階段或 L 階段能夠揭示 TTP 的缺陷，并將不完善的 TTP 返回 C 階段或 V 階段進行修訂。本文是兩部分研究的第一部分。第二部分展示了該框架在作戰使用的 C- 和 Vs 模擬器以及真實的 F/A-18C 飛機和飛行員中的應用。

關鍵詞：空戰、人為因素、人機交互、實時-虛擬-建構、心理工作量、性能、模擬、態勢感知、測試與評估

本文是兩部分研究的第一部分。在第 1 部分中，介紹了用于 TTP T&E 的實時-建設性-虛擬（L-V-C）模擬評估框架。在第 2部分中，使用實際使用的 C 和 V 模擬器以及真實的 F/A18C 飛機和合格的戰斗機飛行員演示了該 L-V-C 框架的使用。與 LVC 模擬不同，L-V-C 框架并不試圖混合不同的模擬類別，因此避免了 LVC 模擬所面臨的挑戰。建議的框架由獨立的 C、V 和 L 階段組成，在這些階段中，TTP 在給定的空戰場景中反復發展。在 C 階段，不考慮 TTP 的定性規則，但使用 C 仿真來確定 TTP 定量規則的 MP 最佳值。在 V 階段，采用這些最優定量規則，并改進定性規則的口頭描述，直到使用 Pk 和 Ps 衡量的 HMP 輸出足夠，且 NP、SA 和 MWL 分數可接受為止。這樣，在模擬環境中就得到了由定量規則的 MP 最佳值和定性規則的 HMP 最佳描述組成的 HMP 最佳規則。最后，使用這些 HMP 最佳規則對 TTP 進行 L 階段的 L 模擬評估。如果 HMP 最佳規則在現實生活中的使用能產生適當的 HMP 輸出，且 NP、SA 和 MWL 分數可以接受，則 HMP 最佳規則可用于實際操作。換句話說，根據 Pk 和 Ps 得出的運行 HMP 最佳規則可確保實現飛行的主要目標，同時在實際環境中 NP、SA 和 MWL 仍可接受。這樣，即使最終使用任務的要求和復雜程度超過了 TTP T&E 期間的要求和復雜程度，也能在人類能力和限制方面保持理想的安全系數。

L-V-C 模擬框架的一大優勢在于其迭代性。也就是說，如果需要修改定性規則，可以在 L 階段或 V 階段之后重復 V 階段。或者，如果需要修改定量規則，TTP 可以從 V- 或 L 階段返回 C 階段。在 L 階段和 V 階段，HMP 輸出，特別是 SA、NP 和 MWL 分數，為檢測 TTP 可能存在的缺陷和確定如何改進 TTP 提供了強有力的工具。此外，如果需要，TTP T&E 需要反復進行 C 仿真，V 階段和 L 階段的這些分數還可用于生成修改后的優化標準和 C 階段應用的約束條件。最終的 TTP 在 MWL、NP、SA 和最終的 HMP 輸出之間實現了很好的平衡，這反映了飛行的主要目標。

圖 2 顯示了由 C、V 和 L 三個階段組成的 L-V-C 模擬框架。在使用該框架之前，必須根據 TTP T&E 的總體目標，定義初始 TTP 及其使用場景。情景描述了所涉及的友機和敵機及其主要目標。TTP 是一種描述友機如何在特定場景中以最佳方式實現其目標的方法。TTP 通常以相對于敵方飛機的時間表的形式向飛行員簡要介紹。場景中使用的飛機和系統均以 C- 和 V- 模擬建模。這些模型必然是對現實的不完全抽象。不過，這并不會對 L-V-C 框架構成重大挑戰，因為 TTP T&E 的 L 階段是使用真實飛機和系統進行的。初始 TTP 的定量規則值和定性規則描述均基于現有的最佳假設和實踐。L-V-C 模擬框架用于確定部分或全部規則的作戰 HMP 最佳值或描述。它可用于確定整個飛行、一個要素或單個飛行員的運行 HMP 最佳規則。

本文介紹了一種在美國海軍和國防部框架內提高可操作技術（OT）系統安全性和效率的新方法。這項研究由負責作戰能源的海軍副助理部長贊助，旨在解決 OT 系統中異常檢測方面的關鍵差距。本文引入了一個綜合傳感器系統和先進的機器學習（ML）模型，用于分析各種 OT 設備的實時功耗數據。通過從模擬的小規模 OT 環境中開發獨特的非侵入式負載監控（NILM）數據集，本研究率先將成本效益高、易于部署的傳感器陣列與支持向量機、長短期記憶和卷積神經網絡算法等 ML 技術集成在一起。這種集成旨在簡化異常檢測，減輕這些 OT 系統中多種背板協議集成所帶來的復雜性。通過異常表征和定制檢測方法的制定，本文在利用 ML 識別系統故障、設備故障和潛在網絡安全威脅的早期指標方面開創了新的先例。這項工作極大地促進了獨立 OT 系統的安全性和復原力，使其能夠抵御一系列異常現象，為未來對基礎設施至關重要的安全和復原力 OT 系統的發展奠定了基礎。

本報告探討了將移動和固定水下傳感器組合成一個連貫、分布式網絡的概念。該項目提出了數據融合系統的基準架構，該架構有助于近乎實時地交換來自不同來源的信息。該架構反過來又為進一步的系統開發提供了基礎，并指導今后對相關數據/信息融合概念和技術的研究，以應用于反潛戰（ASW）和水雷戰。

本研究采用獨特的逆向系統工程方法，根據反潛戰殺傷鏈以及探測、分類和跟蹤水下物體的成功概率設計了一個架構。然后將成功概率與人類反潛戰操作員的相同成功概率進行比較，以確定設計的適當性。研究小組利用 ExtendSim 軟件對架構進行建模和仿真，以驗證其功能能力和優于人類反潛潛航器操作員的性能。

由此產生的架構有助于將被動聲學傳感器信息與情報產品成功整合，并在有人和無人平臺上及時分發融合數據。該架構還允許未來向主動聲源、環境數據源、非傳統反艦導彈源（如雷達和 ESM）發展。

圖 1. 反潛戰數據融合系統背景圖

圖 1 描述了項目的范圍。反潛戰數據融合系統架構封裝在綠色框中。黑框描述的是受架構影響的系統，而架構之外的系統則對架構產生影響。團隊決定，被動聲學傳感器將是此次架構迭代中唯一包含的傳感器。圖中還顯示了灰色標記的非被動傳感器功能。團隊建議在未來的架構迭代中加入這些傳感器。圖中增加的非被動傳感器說明了反潛戰數據融合問題的真正范圍，并影響了系統設計對未來發展的預期（即，不要建立一個限制性太強的系統，以至于只能使用被動聲學傳感器）。

研究小組采用標準的殺傷鏈范式來構思反潛戰數據融合系統的成功。殺傷鏈的串行性質支持盧瑟定律的應用。通常所理解的魯瑟定律指出，串聯系統的可靠性等于其組成子系統可靠性的乘積（邁爾斯，2010 年）。就反潛戰數據融合系統而言，該系統就是使用殺傷鏈表示的反潛戰任務，殺傷鏈的每一步都由反潛戰數據融合系統功能表示。將盧瑟定律應用于殺傷鏈，反潛戰任務的成功概率可以用殺傷鏈中每個環節的成功概率來表征。具體來說，反潛戰數據融合系統的成功概率等于探測（發現）、分類（固定）、定位（跟蹤）、交戰（目標）和殺傷（交戰）概率的乘積。圖 2 描述了反潛戰殺傷鏈的盧瑟定律。

圖 2. 反潛戰殺傷鏈的盧瑟法則

反潛戰的現狀在很大程度上依賴于人類操作員。實質上，人類操作員充當了數據融合系統的角色。由于目前的處理能力有限，操作員無法評估所有接收到的信息，從而丟失了潛在的相關數據。此外，在殺傷鏈流程的每一個步驟中，人為錯誤都可能在不知不覺中注入解決方案。反潛戰數據融合架構力求使融合過程自動化，以提高效率，消除人為主觀因素和相關錯誤，從而提高性能，增強反潛戰任務的有效性。反潛戰數據融合系統的成功取決于該系統的性能至少與人類操作員的性能相當。

本論文開發了一系列高效且性能優越的貝葉斯優化（BO）方法，以解決各種自動化機器學習（AutoML）任務。我們首先介紹了一種快速信息論BO方法，FITBO，它克服了信息論采集函數的計算瓶頸，同時在AutoML中常見的噪聲優化問題上保持了競爭力。然后，我們改進了局部懲罰的思想，開發了一種異步批量BO解決方案PLAyBOOK，以便在評估運行時間因配置而異時，更有效地利用并行計算資源。

針對許多實際AutoML問題涉及多個連續變量和多個分類變量的混合輸入空間這一事實，我們提出了一個新的框架，稱為連續和分類BO（CoCaBO），以處理這種混合類型的輸入空間。CoCaBO結合了多臂老虎機在分類輸入上的優勢和BO在連續空間上的優勢，并使用量身定制的核函數來允許在不同的分類變量之間共享信息。我們還利用局部信任區域的概念擴展了CoCaBO，在具有混合輸入類型的高維優化問題上實現了競爭性能。

除了超參數調優，我們還研究了BO在兩個重要的AutoML應用中的新用途：黑箱對抗攻擊和神經結構搜索。對于前者（對抗攻擊），我們介紹了第一個基于BO的圖像和圖分類器攻擊；通過主動查詢未知的受害分類器，我們的BO攻擊可以在比競爭基線更少的嘗試中成功找到對抗性擾動，從而成為評估AutoML推薦模型魯棒性的有效工具。對于后者（神經結構搜索），我們利用Weisfeiler-Lehman圖核來增強我們的BO搜索策略，NAS-BOWL，從而自然地處理架構的有向無環圖表示。除了實現優越的查詢效率外，NAS-BOWL還返回可解釋的子特征，有助于解釋架構性能，從而邁出了朝向可解釋的神經結構搜索的第一步。

最后，我們研究了AutoML流水線中計算最密集的步驟：新配置的泛化性能評估。我們提出了一種基于訓練速度的簡單測量的廉價且可靠的測試性能估計器。它在各種架構搜索空間上始終優于現有的各種估計器，并且可以輕松集成到包括BO在內的不同搜索策略中，以提高成本效率。

面對未來復雜多變的戰場，軍事行動越來越需要自主能力更強的機器人為士兵提供支持。要在軍事行動的整個過程中建立人類與機器人團隊合作的共同基礎，就必須進行有效的溝通。然而，人們對混合主動協作的溝通類型和形式仍不完全了解。本研究探討了人機交互中的兩種交流方式--透明度和通信模式，并研究了在協作演習中，機器人隊友操縱這些元素對人類隊友的影響。參與者與計算機模擬的機器人一起執行一項類似 “警戒搜索 ”的任務。人機界面提供了不同類型的透明度--關于機器人單獨的決策制定過程，或關于機器人的決策制定過程及其對人類隊友決策制定過程的預測--以及不同的通信模式--或者向參與者傳遞信息，或者既向參與者傳遞信息又從參與者那里獲取信息。實驗結果表明，與互動性較弱的機器人相比，既能傳遞信息又能征求信息的機器人更有活力、更討人喜歡、也更智能，但與這些機器人合作會導致在目標分類任務中出現更多失誤。此外，回應機器人的行為也會導致正確識別的數量減少，但只有當機器人只提供有關其自身決策過程的信息時才會出現這種情況。這項研究成果為設計支持人機協作的下一代視覺顯示器提供了參考。

本文的主要重點是開發一種低成本、魯棒性和高效的合作定位解決方案，以幫助無人自主飛行器在全球定位系統缺失或性能下降的條件下進行導航。

首先，推導出固定翼無人機（UAV）和多旋翼無人機的完全可觀測性條件。創建了一個相對位置測量圖（RPMG），圖中的節點是車輛或已知特征（地標），它們之間的邊代表測量結果。利用圖論和線性代數概念，得出了可觀測矩陣最大秩的條件，并建立了可觀測矩陣秩與系統中可用測量值之間的關系。該分析條件的缺點之一是必須在所有時間時刻保持一個連通的 RPMG。因此，我們提出了一種離散時間可觀測性條件，即一個時間間隔內的 RPMG 的聯合必須是相連的。

接下來，將討論無人飛行器 (UV) 緊密協調和控制的一個基本問題。在各種應用中，飛行器的慣性位置并不重要。在這種情況下，車輛之間的相對姿態和方位對開發控制器非常有用。眾所周知，擴展卡爾曼濾波器（EKF）的性能非常出色，前提是它的初始化接近真實位置并能接收到測量結果。對于沒有任何全球定位系統（GPS）測量數據或網絡延遲嚴重（需要重新初始化濾波器）的長距離行駛車輛，已知先驗信息的假設是無效的。為了規避這些問題，我們開發了一種多假設卡爾曼濾波器（MHEKF），該濾波器在初始化過程中沒有先驗信息，這意味著相關的不確定性非常大。

最后，解決了地面車輛的分布式合作定位問題。集中式合作定位需要大量計算。我們開發了一種分布式合作定位算法，使組內的每輛車都能估計自己的慣性狀態。該算法是為自主地面車輛開發的，在仿真中僅使用測距數據。

圖 1.1：合作定位的相對位置測量圖，其中塔作為地標（已知興趣點），不同的 UV 相互合作。

本文是研究指揮與控制（C2）未來表現形式的四篇系列論文中的第一篇。第一篇論文通過探討未來指揮與控制（C2）系統需要在其中運行的未來作戰環境，為后續研究設定了基線。具體來說，本文探討了復雜性的驅動因素、表現形式和影響，而此前的研究表明，復雜性很可能是這一環境的特征。為此，它討論了 C2 和復雜性等關鍵術語的定義；介紹了未來運行環境中復雜性的一些驅動因素，并討論了這些因素如何對 C2 系統和組織造成新的壓力；研究了分析和理解復雜性的可能方法；并概述了 2030 年代及以后可能產生的一些實際考慮因素。由于本文旨在為本系列的后續三篇論文提供資料，因此沒有全面涵蓋未來 C2 思考的所有方面，包括提出具體建議。

研究問題

• 根據當前的全球社會和技術趨勢進行預測，國防和合作伙伴可能面臨的持續競爭和多領域作戰的作戰環境的性質是什么？
• 基于這種對未來的預測，未來的 C2 系統和組織將面臨怎樣的復雜性；即復雜性的可能來源是什么？
• 考慮到未來作戰環境的這一特點，未來的 C2 系統和組織需要具備哪些條件？
• 未來的 C2 系統和組織需要什么樣的新能力和特性才能有效應對這些需求？

有爭議的定義

C2 沒有直截了當的定義，對于該術語在當代作戰環境中的范圍和相關性也存在爭議。對 C2 傳統定義的批判來自于對 21 世紀有效領導力構成要素的更廣泛質疑。在英國、美國和北約，最近出現了大量與 C2 相關的新術語，并將重點從聯合思維轉向多領域思維。我們的研究將 C2 定義為一個動態的、適應性強的社會技術系統，因此有必要考慮組織、技術和人力要素。

同樣，復雜性也沒有一個公認的定義。學術界對復雜性的研究日益增多，涉及多個科學學科，但缺乏統一的方法或理論框架。一個有用的出發點是區分簡單系統、復雜系統、復雜系統和復雜適應系統。文獻還描述了在這些條件下可能出現的所謂 "棘手"或 "超級棘手問題"。還可以對有限博弈和無限博弈進行重要區分--這是考慮作為復雜適應系統的國家間競爭時的一個有用視角。鑒于這些爭論，我們的研究避開了對復雜性的僵化定義，而是從其關鍵屬性的角度對這一現象進行了 DCDC 式的描述。

復雜性的預計驅動因素

未來作戰環境的特征--以及國防 C2 系統和組織預計將執行的任務類型--具有很大的不確定性，因此任何預測都必須謹慎。盡管如此，文獻指出了各種政治、經濟、社會、技術、法律、環境和軍事（PESTLE-M）趨勢，預計這些趨勢將影響國際體系的演變，進而影響 2030 年及以后的國防行動。這些趨勢包括以下宏觀趨勢

• 日益增強的互聯性、多極化和全球競爭
• 不斷變化的氣候的影響
• 技術變革和數字化的影響
• 傳統和新穎領域的模糊化
• 國際準則和價值觀的轉變。

最重要的是，沒有一個單一或主要的趨勢推動著變化或復雜性；相反，最令人擔憂的是多種因素的融合及其不可預測的相互作用。這種認識為進一步研究這些趨勢影響國際體系復雜性水平和特征的具體機制提供了基礎，從而為在這一領域開展工作的 C2 帶來了新的挑戰。

復雜性的表現

上述 PESTLE-M 趨勢為未來組織應對 C2 帶來了一系列困境和壓力，包括但不限于

• 不確定性
• 模糊性
• 多義性
• 信息超載
• 認知偏差
• 面對瞬息萬變的事件，決策癱瘓或節奏不足
• 難以確保決策（包括人工智能）或信任決策所依據的數據、邏輯和假設
• 難以調動所有必要的權力杠桿，或協調參與制定和執行特定戰略或行動計劃的大量不同參與者（如跨政府合作伙伴、行業、國際盟友、公民）。

此外，無論是理論家還是實踐者，在處理包含非線性動態的問題時，都缺乏有力的措施來衡量所做決定或采取的行動的有效性。因此，很難確切地說未來作戰環境中的復雜性是否在客觀上不斷增加（而不是以不同的形式出現），但對軍隊應處理的復雜任務的政治期望與當前 C2 方法的執行能力之間顯然存在巨大差距。當前的學術理論為決定如何在復雜環境中配置 C2 提供了一個方法工具包的初步輪廓和一些指導原則，但并沒有提供靈丹妙藥。該理論強調審議分析方法，即讓不同利益相關者參與共同設計、借鑒多學科和知識體系的見解，并在分析和決策過程中建立靈活性，以便根據反饋意見不斷迭代和改進的方法。

未來 C2 的實際考慮因素

要應對復雜的自適應系統，就必須摒棄當前的線性 C2 流程和等級結構，盡管在處理非復雜任務和問題時，更傳統的方法可能仍然有用。在競爭激烈的世界中，英國既需要培養能夠對他人施加建設性影響的特性和能力（例如，將復雜性強加給對手的 C2），也需要培養能夠增強自身駕馭復雜性能力的特性和能力。

要影響敵對行動者的觀念、決策和行為，首先要深入了解其 C2 結構、流程和文化。根據這種了解，英國國防需要一套動能和非動能杠桿，對敵方的 C2 施加建設性影響，包括施加復雜性。除了敵對行動者，英國國防部還需要進一步了解如何對 PAG、盟友、合作伙伴、工業界、學術界、公民和對 C2 采取截然不同方法的其他人施加建設性影響。

在增強英國自身應對復雜性的能力方面，未來的 C2 系統和組織必須促進靈活性、復原力以及學習和適應能力等特性。整個決策周期都需要變革。例如，傳感器和通信技術的進步為獲取更多深度和廣度的數據提供了機會，包括有關復雜問題的數據。因此，提高認知能力對于理解所有這些數據至關重要，既要利用人類和機器的優勢，又要減少各自的缺點。要改變決策方法，還需要改變領導風格，以培養更善于駕馭復雜適應系統的決策者。在做出決策或計劃后，提高跨部門或跨層級的能力，在實施階段更好地整合活動或匯聚效應，對于抵消英國的局限性（如在質量方面）至關重要。

同樣，整合也不是萬全的；如果國防缺乏足夠深度的力量和能力，無法在充滿敵意的威脅環境中采取可信行動或維持高節奏行動，那么即使是最高效的指揮控制系統也無法在未來取得成功。此外，還需要采取防御措施以及恢復和失效模式，以阻止或減輕敵方破壞 C2 系統和組織的努力所造成的影響。鑒于所面臨的威脅，以及英國國防可能需要解決的不同形式的復雜問題，很可能會同時出現多種并行的 C2 模式，而不是單一的方法。應對復雜性意味著不斷學習、適應、創新和開放求變。因此，必須從一開始就將效果衡量標準、信號和變革機制納入計劃以及 C2 系統和組織，使其能夠隨著時間的推移不斷學習和調整，以應對各種情況。至關重要的是，未來 C2 系統和組織的設計只是挑戰的一部分--它們還必須得到更廣泛的國防企業緊急改革的支持，以確保獲得所需的使能因素（人員、技術等）。從 C2 的角度來看，這本身就是一個挑戰，因為改變這個企業--一個復雜的適應性系統--本身就是一個棘手的問題。

結論和下一步行動

學術理論家和政府、軍事或工業從業人員對復雜性或復雜適應系統的理解并不全面，而這正是未來 C2 運行環境的特點。雖然文獻提供了處理復雜性的有用方法和工具，以及未來 C2 的一些初步設計考慮，但英國 C2（本身就是一個社會技術系統）的現代化和轉型將是一項高度復雜的工作。這意味著要與不斷發展的作戰環境、不斷變化的威脅和技術環境共同適應，從而進行迭代和不斷學習。因此，最緊迫的挑戰或許是，考慮到 C2 系統在未來面對復雜性時取得成功所需的轉型（技術、結構、流程、文化、教育等）的程度和性質，了解如何在一段時間內最好地引導這一過程。

自相矛盾的是，要克服實現以應對復雜性為目標的 C2 系統所面臨的障礙，可能需要英國國防部已經表現出其所尋求建立的系統的許多特征。面對這樣的循環邏輯，英國國防部可能需要某種外部沖擊來迫使其進行創造性的破壞，或者利用（或不顧）更傳統、線性的 C2 方法來啟動自身的激進改革努力，并隨著時間的推移，隨著變化的到來而進行調整。

這篇調查論文探討了用于軍事指揮與控制（C2）系統的新興網絡方法。文中對以網絡為中心的 C2 系統進行了廣泛的文獻綜述。此外，它還對基于C2概念的范例進行了全面分析，將網絡化C2系統的重要需求與新興方法進行了映射。同樣，文章還探討了如何利用多智能體系統和網絡模擬的支持，真實地模擬網絡化作戰場景。文章分析了結合網絡方法設計創新解決方案的趨勢，以及多智能體系統在現實模擬中的應用前景。最后，文章討論了未來的實施方案，強調了先進的網絡解決方案，以整合不同的技術，推動技術邊界，提高網絡化軍事 C2 系統的效率。

將網絡中心戰的高層次C2要求與網絡服務相匹配

當前的軍事行動場景從戰爭狀態到非戰爭行動（OOTW）不等。后者越來越多地發生在城市，并涉及軍事人員以外的其他行動者（政府和非政府民間機構）。在這兩種情況下，相應的 C2 系統都需要處理高層次的作戰變量，如決策權的分配（在參與作戰的眾多行動者之間）、互動模式的建立（誰與誰溝通）以及信息的傳播（向 C2 中心和網絡邊緣的行動者）。

研究人員對這些變量的相互依存關系進行了研究[84]，測試了戰術網絡并評估了不同組織和方法的性能。作者使用一個名為 ELICIT 的指揮與控制實驗平臺來推斷社會層（人類）在模擬行動中的表現，作為團隊組織和 C2 方法的函數，同時考慮到分層和邊緣拓撲結構。ELICIT 平臺可實現即時共享和完美的數據傳輸。因此，為了在現實場景中評估系統的技術層，使用了名為 EMANE 和 CORE 的網絡模擬平臺。評估結果從帶寬、信息分配和 C2 方法等方面提供了對組織的深入了解。這一基線為網絡設計人員提供了有用的信息，有助于在連續的任務行動中優化網絡參數。

在 IoBT 中，智能物體（用于收集和處理數據）與人類（將接收由此產生的相關信息）之間的復雜互動對傳統（分層）C2 造成了巨大影響，這為松散耦合（邊緣）C2 方法提供了空間[29]。由于沒有一種方法適合所有任務和情況[75]，因此有必要獲得 C2 敏捷性，以確保戰場上的信息優勢。

根據 "網絡中心戰 "的原則，C2 靈活性是指當任務和環境發生變化時，識別、選擇和調整 C2 方法，甚至轉向另一種方法的能力。為實現敏捷性，C2 系統應將應用與網絡服務結合起來，使用能夠修改三個變量的范例，并可擴展到整個軍事云。然而，目前的系統主要是為人與人之間的互動而設計的，并沒有考慮到人與智能物的組合。

可以利用 SDN 原理來應對這些挑戰，如數據低參數的動態自配置和處理可變的交互模式。除 SDN 外，DTN 和 ICN 指南還可用于處理另一個變量： 數據分布。DTN 從間歇連接的角度進一步探索了 IoBT 的解決方案[12]。另一方面，ICN 可通過在軍用 IP 網絡中建立 SDN 管理的 ?ICN islands? 來定位和緩存內容[13]。在這種情況下，除了對網絡層次結構和優先級進行編程外，SDN 還將 ICN 集成到 IP 網絡的其他部分。

使用此類技術的網絡解決方案旨在優化 IoBT 通信參數，如延遲、信道帶寬、間歇和節點故障，以及節點移動導致的拓撲變化。SDN 對網絡進行協調，利用其可編程性，根據當前的運行要求選擇最佳網絡協議，并可根據功能和網絡狀態進行更改。例如，SDN 可以管理不同的網絡片段，根據網絡（和節點）狀態（帶寬、數據大小、信道延遲、信道可用性等）優化數據量。ICN（或 DTN）功能將利用數據平面在每個片段內進行有效的信息分發和人-物互動。

通過控制哪個節點可以發送/接收數據，SDN 可以在 C2 空間的第三個維度（決策權分配）上發揮作用。在執行任務期間，網絡管理員可根據任務或環境的變化修改這種分配，從而為在網絡中實現 C2 敏捷性提供技術手段。表 1 列出了 C2 Agility 變量及其與網絡范例的映射關系，以及采用每種范例提供的功能可改善哪些網絡參數。

表 1. 支持 C2 靈活性的網絡范例比較

支持指揮與控制的新興網絡方法

隨著軍事力量向 "網絡中心戰 "發展，并將決策和行動權力轉移到邊緣，所使用的網絡必須采用最有效、最可靠的網絡架構。因此，指揮與控制結構使用支持其需求的網絡范例是非常直接的。采用新興的網絡方法來幫助指揮與控制機構，旨在改進各種網絡參數，并盡量減少任何不足之處。這種支持既可單獨進行，也可組合使用，因為網絡范例并不相互排斥，可以一起使用。

圖 4 展示了如何在軍事行動中使用網絡范例。從左到右，圖中說明了孤立的 IoBT 設備如何利用 DTN 的原理，向經過的無人機存儲和傳輸數據。然后，由徒步士兵、無人機和裝甲車組成的異構軍事單元可以利用 ICN 加強數據傳播，并通過 SDN 控制器控制網絡路徑和配置參數。

另外，假設由于彼此之間的距離或物理障礙，信息無法中繼到另一個單元。在這種情況下，機載平臺可以存儲、攜帶和傳輸數據（如在 DTN 中）。SDN 控制器可接納新的友好節點進入網絡，而 ICN 則可提供額外保護，防止網絡內交換的信息受到惡意攻擊。最后，在敵后收集信息的偵察單元可以保存數據，直到進入近距離網絡范圍時再安全地傳輸其內容（DTN 的另一種用途）。

圖 4. 目前在 C2 領域使用的網絡范例

艦船集成項目辦公室（PMW760）對其權限范圍內所有無人系統都能使用的統一、有凝聚力的通信協議的前景很感興趣。數據分發服務（DDS）是使用點對點鏈路進行這種內聚通信的主要候選協議。本論文的目的是評估 DDS 在符合海軍用例標準的網絡架構中的性能。提出了一個包含衛星通信（SATCOM）和無線保真（WiFi）鏈路的網絡架構，以測試 DDS 在場景設置的限制下在網絡節點之間執行內聚通信的能力。使用網絡模擬器 Mininet 來設置網絡參數，并研究各個點對點鏈接在不同數據樣本大小下的吞吐量和延遲性能。使用實時創新 Perftest 軟件工具進行模擬，測量不同網絡配置（理想、抖動和多流）下的吞吐量和延遲。在理想配置和抖動配置下，對可靠通信和最佳努力通信以及實施和未實施 DDS 安全性進行了模擬。還對多流量配置進行了模擬，以評估同時多流量數據（在網絡節點內并行運行的流量數據）如何爭奪網絡資源并影響性能。

建議的網絡架構如圖 7 所示。任務指揮官駐扎在總部，對由現場指揮官、支援艇、拖車和兩架無人機組成的任務單元實施指揮和控制。場景設置如下：

• 任務指揮官位于總部，通過總部 WiFi 與網絡其他部分連接。他還控制任務地點的黑色無人機。
• 支援艇位于海上，通過 SATCOM 直接與衛星連接。
• 拖車位于任務現場，與衛星連接，為現場的任務單元提供 WiFi。
• 現場指揮官位于任務現場，與拖車 WiFi 接入點 (AP) 連接。他轉發拖車 WiFi 信號，為無人機提供通信。現場指揮官還控制白色無人機。
• 黑色和白色無人機連接到現場指揮官轉發的無人機通信 WiFi 接入點。
• 任務指揮官、輔助飛行器和現場指揮官可以通過語音通信進行對話。
• 任務指揮官和現場指揮官分別從黑色無人機和白色無人機接收視頻數據。支援艇也與任務指揮官和現場指揮官共享視頻數據。

生成式數據增強（GDA）已成為緩解機器學習應用中數據稀缺問題的有前景技術。本論文提供了GDA領域的全面綜述和統一框架。首先，我們簡要介紹GDA，討論其動機、分類法和與合成數據生成的主要區別。接下來，我們系統地分析了GDA的關鍵方面 - 選擇生成模型、使用它們的技術、數據選擇方法、驗證方法以及各種應用。我們提議的統一框架對廣泛的GDA文獻進行了分類，揭示了例如缺乏通用基準的缺口。這篇論文總結了有前景的研究方向，包括有效的數據選擇、大規模模型在GDA中的應用的理論發展和為GDA建立基準。通過建立一個結構化的基礎，本論文旨在促進生成式數據增強這一重要領域的更有凝聚力的發展和加快進展。

在當代機器學習領域中，深度學習算法已經成為眾多任務的強大工具，展示了前所未有的準確性和能力[1; 2; 3]。然而，它們效能的關鍵基石在于它們能夠訪問大量的數據[4; 5; 6]。在當今的數字環境中，收集如此廣泛和原始的數據集，矛盾地，證明是復雜的，并可能昂貴得令人望而卻步。這種數據收集的復雜性源于多方面的挑戰，包括但不限于隱私關注[7; 8]，多樣化的數據來源，以及需要費勁標注的需求[9]。 因此，科學界已經轉向數據增強技術，作為一個務實的解決方案，以抵消可用數據的匱乏。數據增強是指一套用于人為擴大數據集的容量和多樣性的技術，通過對其現有條目進行控制修改，而不改變它們的固有語義解釋[11; 12]。傳統的數據增強方法[10]，雖然很好，但主要圍繞線性變換或初級的非線性修改。盡管這些方法有益，但它們已經顯示出了局限性，尤其是在它們顯著提高模型性能的能力方面，特別是當底層數據多樣化時。

認識到這些局限性，研究人員越來越感興趣于探索更為復雜的數據增強途徑。在這一追求中的一個顯著方向是集成生成模型進行數據增強，即生成式數據增強(GDA)。生成模型的吸引力在于它們固有的模擬數據復雜概率分布的能力[13; 14; 15]，從而提供了更為細致和廣泛的增強景觀。通過挖掘這種潛力，生成式數據增強為改進深度學習模型性能提供了一個有前景的視野，特別是在數據有限的情境中。 本文提供了關于生成式數據增強(GDA)的全面綜述。雖然該領域已經見證了眾多的方法和方法論，但這些技術的結構化和統一的理解通常是難以捉摸的。許多作品將GDA應用于某個數據集，但在GDA的發展上鮮有創新和貢獻。統一的框架可以通過提供清晰的結構和分類來解決這個問題，使研究人員更容易識別缺口并基于現有方法進行構建。

為了解決這個缺口，我們提出了一個統一框架，系統地對GDA的廣泛景觀進行了分類。這個框架作為一個路線圖，指導讀者了解GDA的多方面：從選擇生成模型，到利用它們的技術，選擇高質量合成數據的策略，驗證這些數據的方法，以及GDA被證明是關鍵的各種應用。

總數組織

第2節：初步 - 本節提供了關于生成式數據增強(GDA)的基礎知識。本文中使用的核心概念、關鍵術語、符號和概念都將在此處呈現。第3節：選擇生成模型 - 在此，我們深入探討了我們可用的各種生成結構。從傳統的VAEs[16; 17; 18; 19; 20; 21]和GANs[22; 23; 24; 25; 26; 27; 28; 29; 30]，到新興的基于GPT[31; 32; 33; 34; 35; 36; 37; 38; 39; 40]和基于擴散的創新[41; 42; 43; 44; 45; 46; 47]，我們闡明了它們的機制、優點、缺點和使用場景。第4節：利用技術 - 本段專門探討如何有效利用選定的生成模型。我們探索了潛在空間操作和提示工程，評估它們對數據質量和相關性的影響。第5節：合成數據的選擇策略 - 考慮到生成的大量合成數據，我們如何篩選最好的數據？本節深入探討了幫助提高合成數據質量的技術，無論是既定的還是新興的。第6節：合成數據的驗證 - GDA的一個關鍵方面是驗證生成樣本的可靠性。在此，我們涵蓋了確定合成數據集的質量和相關性的理論和實證方法。第7節：GDA的應用 - 在這一部分，GDA的多功能性是首要的。我們概述了其在多個領域的變革潛力，從醫療保健的醫學成像到農業等領域的應用。第8節：生成式數據增強的統一框架 - 基于前幾節的見解，我們介紹并詳細描述了我們提議的統一框架。本節闡明了框架結構背后的理念以及如何簡化從模型選擇到應用的GDA過程。第9節：當前挑戰和未來方向 - 當我們接近綜述的結束時，本節對GDA的持續挑戰進行了反思，并設想了潛在的突破。它為希望進一步拓展GDA邊界的研究者提供了指導。統一框架也可以視為本文的流程，在圖1中可以直觀地看到。本綜述的主要貢獻如下：

廣泛且最新的編譯：從過去三年中的230多部開創性工作中摘錄，本綜述提供了關于生成式數據增強(GDA)的最全面的評論，有效地捕捉了該領域的快速進展。

統一框架提案：我們引入了一個結構化和有凝聚力的GDA框架，包括模型選擇、利用技術、合成數據選擇、驗證和應用。這為研究者和實踐者提供了一個系統的指南，用于改進GDA并在各種背景下實施GDA。

深入選擇和驗證：我們的綜述深入探討了合成數據選擇和驗證的細微差別，這在以前的研究中很少受到關注，強調了GDA技術的有效部署中它們的重要性。

未來路線圖：從廣泛的文獻綜述中受益，我們辨別并討論了現有的挑戰和潛在的突破途徑，為GDA的未來研究提供了一個有遠見的路線圖。