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

在最近的出版物中，歐洲防務機構指出，需要使供應鏈更有彈性，俄羅斯對烏克蘭的侵略進一步突出了這一優先事項。本文認為，通過采用數字孿生作為技術解決方案，使（軍事）供應鏈減少冗余是可行的。數字孿生提供了許多優勢，首先是實時監測和分析，可以戰略性地與創新的危機模擬和額外的支持技術相結合，以確保供應鏈在不利和潛在的未知條件下生存，防止供應短缺，減少維護成本和時間，并能夠與其他合作伙伴和利益相關者合作。

1 背景與引言

2018年6月，EDA的能力發展計劃（CDP）進行了重大修訂，從而定義了11個歐洲能力發展優先事項，包括加強后勤和醫療支持能力。同樣，總體戰略研究議程（OSRA）以技術基石（TBB）的形式定義了共同的科技優先事項，其中包括國防關鍵技術供應鏈（TBB45）。正如正在進行的烏克蘭戰爭所表明的那樣，軍事供應鏈--及其對挑戰性地形、維護成本、材料供應等問題的適應性--已成為國防的關鍵因素。使軍事供應鏈更具彈性，理所當然地成為EDA的優先事項[1]。在這一優先事項的基礎上，本文旨在探索一種可能的方式，使軍事供應鏈減少冗余。在供應鏈的背景下，冗余是指擁有備用系統、流程或資源，以確保在發生意外中斷的情況下，例如由于對手的進攻、自然災害、地緣政治不穩定或設備故障，業務可以繼續。

數字孿生是一種關鍵的使能技術，它使民事和軍事利益相關者能夠精確地模擬災難，并制定更好的和以情報為導向的決策，以減輕這種危機事件。識別關鍵材料和資產（包括主要的和輔助的）提供方面的依賴性、瓶頸和弱點，也有助于以較低的成本更好地制定抗災計劃和戰略。此外，通過使用數字孿生，民事和軍事利益相關者可以及時和正確地監測生產過程，確定短缺或缺乏供應鏈的多樣性。特別是在軍事物流這樣的領域，高速度、高保真和低容錯性至關重要，數字孿生在改善和促進軍事供應鏈方面具有真正的潛力。

然而，數字孿生的操作化本身并不是什么新鮮事，因為這種創新技術的許多例子已經在（軍事）航空領域被采用[2]。2018年，土耳其飛機工業公司與西門子產品生命周期管理軟件達成協議，在該公司的制造企業中實施完整的數字孿生；2020年，美國軍方使用數字孿生技術來提高F-35戰斗機和西科斯基UH-60黑鷹直升機的規劃和效率，2021年，勞斯萊斯公司轉向數字孿生來提高噴氣發動機效率[3]。雖然這項技術已經出現在（軍事）航空領域，但在國防部門的其他領域開發和實施，并擴大到整個軍事供應鏈--從單一（武器）系統到更廣泛和更復雜的系統，還有巨大的未開發的潛力。與其他創新技術和流程的整合，如"（軍事）物聯網"、區塊鏈和智能蜂群，再加上不斷增長的計算能力，可以使數字孿生成為操作的現實。這種數字孿生將被證明在跨境供應鏈的情況下最為有效，以評估/監測國際項目合作的可行性（如EMBT或歐洲巡邏隊）或在危機情況下（如涉及軍事行動的人道主義反應，或向烏克蘭等盟友和合作伙伴供應關鍵設備/物資）。

2 案例

軍事供應鏈是一個復雜和多方面的生態系統，涉及各種相互關聯的過程，如設備、物資和軍事人員的采購、儲存、運輸和分配。正如最近的軍事行動所表明的那樣，有彈性和可靠的供應鏈對社會復原力和確保行動的有效性至關重要，而軍事供應鏈管理的現狀往往表現為效率低下、冗余和缺乏端到端的可視性[4]。軍事供應鏈的關鍵特征之一是其冗余性[5]。通過建立冗余系統，軍隊可以最大限度地減少中斷對其業務的影響，并確保貨物和服務繼續流動。然而，如果管理不善，冗余也會導致效率低下和不必要的復雜性。例如，保持過量的庫存會占用重要的資源并增加成本，而擁有太多冗余的供應商會導致不必要的重復工作。因此，重要的是要仔細平衡冗余的需求與維護冗余系統的成本和風險。

2.1 實時監測和分析

數字孿生可以提供對整個軍事供應鏈的實時監控和分析，從供應商到制造商，一直到最終用戶。因此，它們可以用來實時跟蹤庫存水平，清楚地了解哪些設備是可用的，哪些需要補充，以及監測生產狀態，預測何時需要維護。反過來，這將減少停機時間，增加設備的使用壽命。通過這樣做，數字孿生可以幫助識別供應鏈中的潛在問題和瓶頸，允許及時干預以防止中斷。例如，在軍事供應鏈方面需要考慮的主要問題之一是需求波動，即需求和/或預算的差異。軍事供應鏈面臨著巨大的訂單波動，從幾個零件的訂單到大批量的訂單，都是在選擇和未預測的需求驅動下迅速進行。考慮到這一點，軍事供應鏈將受益于數字孿生的幫助，以促進端到端的資產可見性，從而確保供應品到達正確的目的地和時間[6]。換句話說，數字孿生可以支持決策者，為他們提供關于關鍵軍事物資（食品、燃料、武器、設備和備件）的位置和條件的精確和最新信息，并迅速作出反應以滿足行動需要。在歐盟之外，人們可以發現許多數字孿生被用于改善庫存管理、修理和維護軍事裝備的例子，其總體目標是優化軍事行動。例如，美國陸軍已經開發了其供應鏈的數字孿生，稱為全球戰斗支持系統-軍隊（GCSSArmy）。GCSS-Army是一個基于網絡的物流信息系統，提供庫存水平、運輸狀態和交貨時間的實時可見性。它已經在各種軍事行動中進行了實地測試，如在伊拉克和阿富汗的行動，它有助于減少美國武裝部隊龐大的作戰供應鏈中的冗余。數字孿生的另一個例子是美國海軍的虛擬艦艇項目，它提供了關于海軍艦艇系統和操作的實時數據。這使海軍能夠優化維護和修理計劃，主動識別潛在的問題，并減少停機時間。

由于數字孿生依靠及時提供可靠的數據來呈現準確的供應鏈模擬，并允許進行有意義的情景模擬，因此應建立具體的（組織和法律）框架，以確保整個供應鏈的所有關鍵利益攸關方共同承擔數據質量的責任，特別是當數據必須跨境共享時。然而，由于供應鏈的復雜性、數據來源的多樣性以及與（機密）數據共享和整合相關的挑戰等幾個原因，軍事供應鏈管理中的數據質量可能是多變的。事實上，軍事供應鏈涉及多個行為體--包括制造商、供應商、物流供應商和最終用戶，每個行為體都有自己的數據系統和流程--并且經常在戰斗區或災區等具有挑戰性的環境中運作，這可能影響數據的質量和可用性。法律框架還可以為解決與數據質量問題有關的爭端提供依據，并為未能達到數據質量標準或違反與數據管理有關的協議制定懲罰措施。最后，它們還可以鼓勵整個供應鏈采用數據質量的最佳實踐和標準。這可以幫助確保所有各方都能獲得準確和可靠的數據，這對軍事供應鏈管理中的有效決策和高效運作至關重要。

2.2 仿真

在危機管理中，關鍵活動--如供應鏈的復原力--往往要定期進行危機演習和測試。這可以幫助軍事規劃者為潛在的破壞做準備，根據模擬結果做出明智的決定，制定應急計劃并評估其有效性。然而，這些演習存在很多缺點，降低了它們在龐大的軍事供應鏈上的效率：除其他外，它們不夠頻繁，不能調整，要求太高，而且非常昂貴。在一個全面運作的數字孿生體中，物理世界的變化直接轉化為虛擬副本。通過傳感器、"軍事物聯網 "和一般IT系統提供的數據質量越高，數字孿生體就越準確，其提供當前狀態快照的能力和支持模擬的能力就越強。

通過危機管理與數字孿生的融合，軍事決策者可以從博弈論決策中獲益，以改善局勢評估，促進多行為體和跨領域的決策，并加強各種公共和私人利益相關者之間的協調。除了這些宏觀層面的優勢，危機模擬也可以用來測試數字環境--以及部分供應鏈--本身的復原力。模擬網絡攻擊和由其引起的供應鏈中斷，可以準備具體的戰略和協議，以盡量減少影響。擁有一個數字復制品并測試不同的場景，可以快速發現異常情況，并檢測現實是否與之前測試的一些場景相匹配。在這個意義上，數字孿生體有可能通過學習攻擊者的行為來防止網絡攻擊，并提高整個供應鏈對網絡入侵和惡意軟件的安全性[7]。

2.3 關鍵支持技術和數據基礎設施

為了給數字環境提供必要的數據流，諸如 "邊緣計算 "等分散的數據處理方法是恰當的。邊緣計算在軍事環境中并不是一個新概念，并且已經成功地應用于空中領域，與人工智能相結合，在信息優勢的基礎上獲得軍事優勢[8]。F-35就是這種情況，它具有獨特的能力，通過將每架飛機處理的信息合并成單一的態勢感知和威脅評估流，在飛機群中建立網絡。將邊緣計算擴展到整個供應鏈環境，可以實現前所未有的數據驅動的戰略決策和長期政策制定。在這樣的環境中，即使供應鏈中的一個節點被破壞，其他節點也能繼續運作并提供關鍵數據。

結合邊緣和分散計算，現有的數據空間倡議可以成為在數字孿生環境中匯集必要數據使用的關鍵推動因素。預計在幾年內，歐盟委員會將成功地領導在幾個領域推出共同的歐洲數據空間，包括制造業和供應鏈或單一歐洲天空，這對支持軍事互操作性和協調有明顯的潛力[9]。總的來說，邊緣計算和數據空間的結合可以創造一個更加分散和有彈性的供應鏈生態系統，數據可以在邊緣進行處理和分析，同時仍然被整合到一個集中的平臺上進行整體供應鏈管理。數據收集和處理的分散化可以使數字孿生更加靈活和可行。通過使計算能力更接近數據生成點，邊緣計算可以減少延遲并提高數據處理的速度。此外，這種方法可以幫助識別與數據泄露和網絡攻擊有關的新風險并減輕現有風險，這些都是軍事供應鏈管理中的主要問題。

此外，通過提高數據可用性和計算能力，與先進的可視化技術的逐步整合可以進一步支持軍事供應鏈流程的優化，并幫助限制冗余。工廠和軍事倉庫中的混合現實（MR）或擴展現實（XR）應用有可能提供一個現實的模擬環境，使用戶能夠與虛擬物體和數據進行實時互動。例如，MR/XR應用可用于模擬軍事倉庫中設備和物資的擺放，使用戶能夠測試不同的場景并優化布局，以獲得最大的效率。此外，這些應用可以用來模擬工廠的裝配線和后勤行動，使用戶能夠識別瓶頸，改善工作流程，優化資源利用[10]。

2.4 歐洲合作

當涉及到各成員國在軍事采購和維護領域的合作時，諸如 "共享備件 "等倡議--旨在管理各國裝備和武器系統的備件--已被證明是成功的。最近，歐盟委員會通過了一項關于建立2022-2024年通過共同采購法加強歐洲國防工業的條例提案[11]，該條例已被用于為烏克蘭聯合采購支持。再往前走一步，數字孿生可以用來分享數據，并在不同的軍事單位和組織之間進行協作[2]。這可以改善溝通和協調，從而實現更有效的供應鏈管理。通過操作數字孿生，軍事組織可以促進一個共享的數字平臺，為整個軍事供應鏈提供實時可見性。除了為所有利益相關者提供一個共同的作戰圖景，這有助于減少重復工作，數字孿生--以這種方式使用--可以通過為共享敏感信息提供一個安全空間來促進數據共享。在先進的加密和訪問控制的幫助下，數字孿生可以確保只有經過授權的人員才能訪問敏感信息，同時實現協作和信息共享。

數字孿生已經被用來改善參與制造過程的不同團隊之間的協作和協調。通過創建一個制造過程的數字孿生，設計師、工程師和生產經理可以更有效地合作，以優化生產和減少成本。通過將數字孿生融入軍事供應鏈，將有可能創建軍事物流和供應鏈系統的虛擬副本，包括運輸網絡、倉庫和配送中心。因此，來自不同單位或部門的軍事物流人員可以一起工作，優化物流和供應鏈運作。展望未來，數字孿生可以促進協作，但反過來，也可以通過歐洲層面的協作和協調來改善。為確保及時提供數據，應建立特設系統，以便在安全和可信的環境中共享數據。為此，可以在歐洲層面開發軍事供應鏈數據湖和國防數據空間，并成為數字孿生的骨干，將工業、政府和軍事結構結合起來。

歐盟可以通過幾種方式支持數字孿生的發展。歐盟（也通過EDA）可以提供資金和資源，支持數字孿生技術的研究和開發。這可以幫助加快沖突情況下的數字孿生解決方案的開發和部署。數字孿生的技術設置必須包括明確的數據互操作性方法，這是數據共享的本質，以確保它們在不同行業和部門之間具有互操作性和兼容性。這意味著重復使用現有的標準和格式，以確保與其他倡議（如部門數據空間）保持一致。此外，歐盟可以投資于教育和培訓計劃，以發展設計、開發和運營數字孿生解決方案所需的技能和知識。例如，這可以幫助創造一支熟練的勞動力，確保數字孿生的高網絡安全要求，因為數字孿生依賴于連接和數據交換，因此容易受到網絡威脅。

3 跨域的適用性

數字孿生的相關性還在于其跨領域的性質和適用性。在跨軍事層面上，有幾個系統需要相同類型的組件來生產或運作。當涉及到用于生產艦艇、飛機和坦克的火炮瞄準/制導系統的相同類型的微芯片，或可能被部署在不同場景的相同類型的彈藥時，情況就是如此。后者的一個例子是Aster導彈，它可以由不同的發射平臺操作，如FREMM護衛艦或SAMP/T防空陸地系統。對軍事物資的生產過程、庫存和位置有一個最新的看法，就有可能根據需要在可互操作的系統中重新部署這些物資，解決迫切的需求，同時允許制造商補充庫存。這可能被證明在常規軍事和聯盟行動中特別有用，在這些行動中，不同國家之間大規模的軍事資源匯集使庫存和制造商面臨壓力。這一緊急情況相對較晚地暴露了生產和供應鏈能力方面的廣泛問題，而這些問題本可以通過準確和數據驅動的模擬預先發現。

除了純粹的軍事層面，旨在支持軍事供應鏈的數字孿生還必須收集來自制造業、后勤服務和關鍵服務提供商（如能源）的數據。例如，許多戰略領域的歐洲制造商都依賴于關鍵原材料和中間產品的供應來進行生產。例如，這包括鋰、半導體和微芯片，它們不僅對軍事系統至關重要，而且對日常生活中使用的車輛或電子醫療設備的正常生產也至關重要，在危機時期也是如此。這也符合歐盟的最新政策，如《關鍵原材料法案》，該法案明確指出需要確保歐洲工業的原材料安全和可持續供應，這是綠色轉型的核心，總的來說是為了歐洲在世界級的長期競爭力和自主權[12]。

需要保持最低水平的戰略生產能力，以確保關鍵貨物的供應鏈得到不斷的監測和多樣化。數字孿生體將使其能夠對關鍵制造商和關鍵服務的供應短缺和削減進行模擬，并預先采取行動，為不間斷的供應鏈準備應急計劃。

能源（在能源網和燃料方面）是另一個關鍵供應鏈的例子，應加以監測，以確保在發生自然或人為的不利事件時，軍事設施和系統的運作不會被改變。然而，還有更多的關鍵基礎設施必須保持運行，不僅包括醫院或政府大樓，還包括生產線和初級產品的交付，從彈藥廠到食品加工場。與能源供應有關的數字孿生已經存在，并被用來為決策提供信息和支持能源短缺的反應。將能源供應的數據匯集到一個更廣泛的安全層面，將使它們能夠擴大范圍，支持軍事和民事準備和復原力。因此，很明顯，開發數字孿生所需的基礎設施也可以在和平時期保持使用，并被部署用于解決和預防與軍事層面具體相關的問題。

4 結論與建議

歐盟軍事委員會主席羅伯特-布里格將軍在考慮從俄羅斯對烏克蘭的侵略中吸取的作戰教訓時強調，"與作戰方面相比，后勤工作往往被認為是次要的，但它們再次證明了對戰爭的關鍵影響：坦克沒有燃料、長達數公里的車隊停在街道兩旁以及士兵在尋找食物的鏡頭將在歷史書中充滿強大的畫面"[1] 。在這方面，彈性和高效的供應鏈在軍事環境中的重要性怎么強調都不過分。本文建議使用數字孿生體，通過減少供應鏈的冗余度，使其更具彈性和效率，而冗余度是所有供應鏈固有的特征，包括軍事供應鏈。特別是，它建議通過利用數字孿生的實時監測和分析，結合創新的危機模擬，以及利用合作戰略和數字孿生與其他關鍵支持技術和數據基礎設施的聯合部署，有可能做到這一點。

本文所討論的解決方案包括在更大的范圍內創建一個數字孿生體，與迄今為止所實施的方案相比，其規模更大。它包括匯集大量的數據，這些數據可以支持在沖突時期和和平時期對供應鏈過程的監測，以提高準備和復原力。這是通過一個監測關鍵貨物的生產、運輸和庫存的數字生態系統來實現的，該系統匯集了來自眾多來源的數據。目前，這樣的數據量并不存在，或者只是部分存在，因此建議與歐盟目前在多個領域推出的歐洲共同數據空間建立協同作用。這也將允許建立一個 "模塊化 "的數字孿生，可以插入到一個特定的數據空間來檢索數據。這也有利于多種原因：i）在必要的質量/粒度水平上獲得數據，ii）受益于已經到位的治理和安全要求，iii）受益于分散的計算。

考慮到目前的狀況以及高質量數據可用性和計算能力的預期增長，我們有理由認為在未來20年內這種數字孿生解決方案會逐步發展。在計算能力方面，目前的能力已經可以使數字孿生體不僅可以對當前環境進行準確的描述性分析，進行預測性建模，還可以進行情景規劃和模擬。然而，真正的目標是在控制塔中通過人工智能進行實時數據整合，并可能與基于MX或XR的先進數據可視化同步，從而實現卓越運營。

同時，關于數據的可用性，這代表了主要的問題，應該在技術和政策方面投入最大的努力來促進它。到本十年末，在民用方面，可以預期第一個共同的歐盟數據空間將開始運作，并提供對描述性分析和預測性建模有用的數據。在軍事方面，如果每個國家（單獨或合資）開始開發自己的數字孿生，把倉庫和軍營、維修和訓練場地、港口/機場/導彈基地等的數據集中起來，就可以實現同樣的能力。隨后，將通過插入國防工業的數據來擴展供應鏈數據流。其結果將是一個 "國防數據空間"，隨后與其他歐洲共同數據空間（如制造業）相連接，用其他貨物（如醫療用品）、能源和原材料供應方面的進一步數據來補充虛擬供應鏈。

合成孔徑雷達（SAR）圖像中基于人類的目標檢測是復雜的、技術性的、費力的、緩慢的，但時間很關鍵，是機器學習（ML）的完美應用。訓練一個用于目標檢測的ML網絡需要非常大的圖像數據集，這些數據集中嵌入了準確和精確標記的目標。不幸的是，不存在這樣的SAR數據集。因此，本文提出一種方法，通過結合兩個現有的數據集來合成寬視場（FOV）SAR圖像： SAMPLE，由真實和合成的單物體芯片組成，以及MSTAR雜波，由真實的寬視場SAR圖像組成。合成目標使用基于閾值的分割從SAMPLE中提取，然后再與MSTAR雜波中的斑塊進行α-混合。為了驗證新的合成方法，使用一個簡單的卷積神經網絡（CNN）創建了單個物體芯片并進行了分類；針對測量的SAMPLE子集進行測試。還開發了一種新穎的技術來研究深層的訓練活動。擬議的數據增強技術使測量的SAR圖像分類的準確性增加了17%。這一改進表明，來自分割和混合的任何殘余偽影都不會對ML產生負面影響，這對于未來在廣域SAR合成中的使用是很有希望的。

"在MSTAR數據收集期間拍攝的M1的EO圖像（a，c）和同一車輛的真實CAD模型（b，d）從兩個角度進行了比較。請注意，即使是小的細節，如火炮的位置、艙門和車輛側面的電纜，在兩張圖像之間也很一致。提供CAD模型的顏色是為了識別零件組裝，并不表示任何影響電磁模擬的具體屬性" [10]。

"SAMPLE數據集中每個飛行器的一個圖像的例子。測量的MSTAR圖像在最上面一行，相應的合成圖像在最下面一行....，我們看到諸如陰影、方向和相對回波幅度等細節都很一致"[10]。

美國宇航局的先進信息系統技術(AIST)計劃目標：

在軟件和信息系統技術方面進行創新，使之能夠：

O1. 通過智能、及時、動態和協調的分布式傳感，實現新的觀測測量和新的觀測系統設計與運行 => 新的觀測策略（NOS）

O2. 敏捷的科學調查，利用先進的分析工具、可視化和計算環境，充分利用大量不同的觀測數據，并與相關觀測系統進行無縫互動 => 分析合作框架(ACF)

O3. 開發綜合地球科學框架，用最先進的模型（地球系統模型和其他）、及時的相關觀測和分析工具來反映地球。這一主旨將為實現近期和長期的科學*和政策決策提供技術 => 地球系統數字孿生（ESDT）。

AI在NASA的應用：

• 硬件和軟件基礎設施：

  • 硬件和軟件基礎設施，包括GPU、工具等。
  • 新的硬件調查，例如，量子和神經形態計算
  • 對大量數據的快速訪問

• 人工智能算法開發和機載實現

  • 人工智能的專業知識
  • 概念性軟件和算法開發
  • 在邊緣/板載實施

• 科學應用與大數據分析

  • 科學應用和數據分析
  • 算法的相關性和驗證

Machine Learning for NASA Advanced Information Systems

自主系統將塑造戰爭的未來。因此，土耳其的國防人工智能（AI）發展主要側重于提高自主系統、傳感器和決策支持系統的能力。提高自主系統的情報收集和作戰能力，以及實現蜂群作戰，是發展國防人工智能的優先事項。雖然土耳其加強了自主系統的能力，但在可預見的未來，人類仍將是決策的關鍵。

人類參與決策過程提出了一個重要問題：如何有效確保人機互動？目前，自主系統的快速發展和部署使人機互動的問題更加惡化。正如土耳其國防工業代表所爭論的那樣，讓機器相互交談比較容易，但將人類加入其中卻非常困難，因為現有的結構并不適合有效的人機互動。此外，人們認為，人工智能對決策系統的增強將有助于人類做出更快的決定，并緩解人機互動。

土耳其發展人工智能的意圖和計劃可以從官方戰略文件以及研發焦點小組報告中找到。突出的文件包括以下內容：

• 第11個發展計劃，其中規定了土耳其的經濟發展目標和關鍵技術投資。

• 《2021-2025年國家人工智能戰略》，它為土耳其的人工智能發展制定了框架。

• 焦點技術網絡（Odak Teknoloji A??，OTA?）報告，為特定的國防技術制定了技術路線圖。這些文件提供了關于土耳其如何對待人工智能、國防人工智能和相關技術的見解。

土耳其特別關注人工智能相關技術，如機器學習、計算機視覺和自然語言處理，其應用重點是自主車輛和機器人技術。自2011年以來，自主系統，主要是無人駕駛飛行器（UAV），仍然是土耳其人工智能發展的重點。此后，這已擴大到包括所有類型的無機組人員的車輛。同時，用人工智能來增強這些車輛的能力也越來越受到重視。人工智能和相關技術的交織發展構成了土耳其人工智能生態系統的核心。

土耳其的人工智能生態系統剛剛起步，但正在成長。截至2022年10月，有254家人工智能初創企業被列入土耳其人工智能倡議（TRAI）數據庫。土耳其旨在通過各種生態系統倡議在其國防和民用產業、學術機構和政府之間創造協同效應。由于許多組織都參與其中，這些倡議導致了重復和冗余。冗余也來自于人工智能技術本身的性質。由于人工智能是一種通用技術，可以應用于不同的環境，各種公司都有用于民用和國防部門的產品；因此相同的公司參與了不同的生態系統倡議。此外，民用公司與國防公司合作，在國防人工智能研究中合作，并提供產品，這是司空見慣的。

土耳其鼓勵國際人工智能在民用領域的合作，但不鼓勵在國防領域的合作。然而，由于技能是可轉移的，國防人工智能間接地從這種合作中受益。

土耳其非常關注自主系統發展中的互操作性問題，特別是那些具有群集能力的系統。除了蜂群，北約盟國的互操作性也是一個重要問題。因此，土耳其認為北約標準在發展自主系統和基礎技術方面至關重要。

土耳其目前對人工智能采取了分布式的組織方式。每個政府機構都設立了自己的人工智能組織，職責重疊。目前，盡管國防工業局（Savunma Sanayi Ba?kanl???，SSB）還沒有建立專門的人工智能組織，但SSB的研發部管理一些人工智能項目，而SSB的無人駕駛和智能系統部管理平臺級項目。目前，根據現有信息，還不清楚這些組織結構如何實現國防創新或組織改革。

土耳其尋求增加其在人工智能方面的研發支出，旨在增加就業和發展生態系統。SSB將在未來授予更多基于人工智能的項目，并愿意購買更多的自主系統，鼓勵研發支出的上升趨勢。然而，盡管土耳其希望增加支出，但金融危機可能會阻礙目前的努力。

培訓和管理一支熟練的勞動力對于建立土耳其正在尋找的本土人工智能開發能力至關重要。這包括兩個部分。首先是培養能夠開發和生產國防人工智能的人力資源。因此，土耳其正在投資于新的大學課程、研究人員培訓、開源平臺和就業，同時支持技術競賽。第二是培訓將使用國防人工智能的軍事人員。國防人工智能也正在慢慢成為土耳其武裝部隊（Türk Silahl? Kuvvetleri，TSK）培訓活動的一部分。目前，關于土耳其打算如何培訓軍事人員使用國防人工智能的公開信息非常少。

最近小型無人駕駛飛行器（UAV）技術的進步重新激發了對民用和軍用廣域搜索（WAS）算法的額外研究需求。但由于無人機環境和設計的差異性極大，利用數字工程（DE）來減少推進這項技術所需的時間、成本和精力。數字工程還允許快速設計和評估利用和支持WAS算法的自主系統。現代WAS算法可以大致分為基于決策的算法、統計算法和人工智能（AI）/機器學習（ML）算法。這項研究繼續了Hatzinger和Gertsman的工作，創建了一個基于決策的算法，該算法將搜索區域細分為被稱為單元的子區域，決定一個最佳的下一個單元進行搜索，并將搜索結果分配給其他合作搜索資產。每個合作搜索資產將存儲以下四個關鍵數組，以決定搜索哪個單元：每個單元的當前估計目標密度；一個單元中的當前資產數量；每個合作資產的下一個搜索單元；以及任何資產在一個單元中的總時間。一個基于軟件的模擬環境，即模擬、集成和建模高級框架（AFSIM），被用來完成驗證過程，創建測試環境和被測系統（SUT）。此外，該算法針對各種分布的威脅進行了測試，以模擬目標的集群。最后，從人工智能和ML中引入了新的有效性措施（MOEs），包括精確度、召回率和F分數。使用方差分析（ANOVA）和協方差矩陣對Hatzinger和Gertsman的新的和原始的MOEs進行了分析。這項研究的結果顯示，該算法對原始MOEs或新MOEs沒有明顯的影響，這可能是由于與Hatzinger和Gertsman相比，網絡化協作自主彈藥（NCAM）的傳播情況相似。該結果與目標分布標準差的減少即目標聚類呈負相關。這第二個結果更令人驚訝，因為更緊密的目標分布可能會導致更少的搜索區域，但NCAM繼續分布它們的位置，而不管確定的集群。

問題

美國空軍在前幾年指出（1）模擬真實的飛行動態和測試更復雜的系統行為越來越困難，（2）航空電子設備的變化現在需要兩年的回歸測試，這是無法接受的。在保持真實性的同時進行更有效的測試是非常必要的。技術上的限制在于無法分析/模擬由數百個參數決定的航空電子系統行為，以實現真實的飛行動力學和早期識別問題。

解決方案

一個新的模擬和測試評估平臺，從飛行測試中識別出數百個參數的行為，這在現有的飛機航電模擬和測試中是不明顯的。這個評估平臺還將指定額外需要的模擬場景和測試，以實現與飛行測試更真實的行為匹配。

方法路徑

SEI將致力于開發軟件（Java、C；1553總線和以太網），以訪問和管理飛行數據記錄器的參數數據，供Bayesia和Tetrad使用。SEI還將開發與模擬和測試環境連接的軟件，以實施SEI推薦的飛行方案。SEI將對現有的模擬場景（Bayesia）進行機器學習。然后，SEI將處理飛行測試參數數據，并在模擬和測試中沒有體現的參數設置方面確定 "離群 "行為。該 "離群 "行為成為推薦其他模擬場景和測試的基礎。SEI還將對飛行測試數據（Tetrad）進行因果學習，以進一步發現參數行為的模式和鏈條，代表了要納入模擬和測試的額外情景。

這本書清楚地解釋了數字孿生技術的基本原理及其應用和各種工業現實例子。數字孿生基本上是指任何物體或產品以數字形式復制的模型。數字孿生有許多優點，因為它可以保持與正在復制的原始對象或產品的連接，并接收實時數據。因此，在產品或對象中可能遇到的障礙和問題在實際發生之前就可以知道，這有助于防止可能發生的錯誤和重大損失。數字孿生技術的各種功能使其成為一個強大的工具，可以有效地促進醫療保健、汽車和建筑行業等各個部門的發展。雖然這項技術已經進入各個部門，但還沒有得到必要的宣傳，以提高這些行業對其潛力的認識。因此，對數字孿生技術的更好理解是至關重要的，以促進增長，并將其應用于各個行業，從而迎來轉型。因此，這本書的設計是一個有用的資源，為那些想成為熟悉數字孿生技術。

數字孿生技術的各種功能使其成為一個強大的工具，可以有效地促進醫療保健、汽車和建筑行業等不同部門的發展。雖然這項技術已經進入了各個領域，但不幸的是，它還沒有得到必要的曝光，以提高人們對其在這些行業中的潛力的認識。因此，需要更好地理解數字孿生技術，促進其在不同行業的應用，以幫助其發展。如果在諸如醫療保健、汽車等工業部門適當地實施，它不僅會給這些部門帶來巨大的好處，而且會給它們帶來巨大的積極轉變。因此，這本書的設計是一個有用的資源，為那些想成為熟悉數字孿生技術。簡要地說，它解釋了數字孿生的基本原理，以及它的應用和各種其他方面。下面是對每一章所涵蓋的信息的簡要描述。

完全依靠自主系統的技術在推動海底領域的環境研究方面發揮了重要作用。無人潛水器（UUV），如美海軍研究生院的UUV研究平臺，在推進用于研究目的的自主系統的技術水平方面發揮了作用。使用自主系統進行研究正變得越來越流行，因為自主系統可以將人類從重復性的任務中解脫出來，并減少受傷的風險。此外，UUVs可以以相對較低的成本大量制造。此外，由于計算和電池技術的進步，UUVs可以在沒有人類干預的情況下承擔更多的擴展任務。

UUV的重要部分之一是控制系統。UUV控制系統的配置可能會根據車輛的有效載荷或環境因素（如鹽度）而改變。控制系統負責實現和保持在目標路徑上的穩定飛行。PID控制器在UUV上被廣泛實施，盡管其使用伴隨著調整控制器的巨大成本。由于兩個主要問題，陡峭的成本并不能提供穩健或智能解決方案的好處。

第一個問題是，PID控制器依賴于復雜的動態系統模型來控制UUV。動態系統模型有簡化的假設，使控制問題得到有效解決。當假設不成立時，PID控制器可以提供次優的控制，甚至會出現完全失去控制的情況。第二個問題是，PID控制器并不智能，不能自主學習。PID控制器需要多名工程師和其他人員花數天時間收集和分析數據來調整控制器。調整PID控制器是一項手動任務，會帶來人為錯誤的機會。

在使用深度強化學習方法進行自主車輛控制系統方面，有很多正在進行的研究，并且已經顯示出有希望的結果[1,2]。深度強化學習控制器已被證明優于執行路徑跟蹤任務的UUV的PID控制器[3]。此外，與PID控制器相比，基于深度強化學習的控制器已被證明能夠為無人駕駛飛行器（UAVs）提供卓越的姿態控制[4-5]。雖然這個例子不是專門針對UUV的，但這個來自空中領域的概念可以轉化到海底領域。

一些最流行的深度強化學習算法被用于自主車輛控制系統的開發，包括近似策略優化（PPO）[6]和深度確定策略梯度（DDPG）[7]算法。本研究將重點關注DDPG算法。DDPG算法是一種角色批判型的深度強化學習算法。Actor-Critic算法同時學習策略和價值函數。Actor-Critic算法的概念是：策略函數（演員）根據當前狀態決定系統的行動，而價值函數（批評家）則對行動進行批評。在深度強化學習中，政策和價值函數是由DNNs近似的，在本研究中具體是多層感知器（MLPs）。

與UUV的傳統PID控制器相比，基于DDPG算法的深度強化學習控制器有兩個主要好處。第一個好處是，DDPG算法是無模型的。它不需要任何關于車輛或環境動態的知識來提供最佳控制。因此，它避免了有效解決復雜的車輛或環境動態系統模型所需的簡化假設的弊端。其次，基于深度強化學習的控制系統可以被自主地調整（訓練）。與PID控制系統相比，這將減少調整基于深度強化學習的控制系統所需的資源。

與UUV的傳統PID控制器相比，基于DDPG算法的深度強化學習控制器有兩個主要好處。第一個好處是，DDPG算法是無模型的。它不需要任何關于車輛或環境動態的知識來提供最佳控制。因此，它避免了有效解決復雜的車輛或環境動態系統模型所需的簡化假設的弊端。其次，基于深度強化學習的控制系統可以被自主地調整（訓練）。與PID控制系統相比，這將減少調整基于深度強化學習的控制系統所需的資源。

在利用降低精度來提高強化學習的計算效率方面，目前的研究很有限。[11]的作者展示了如何使用量化技術來提高深度強化學習的系統性能。文獻[12]的作者展示了一種具有6種方法的策略，以提高軟行為批評者（SAC）算法低精度訓練的數值穩定性。雖然正在進行的研究集中在基準強化學習問題上，但這一概念在科學應用上相對來說還沒有被開發出來，比如使用深度強化學習代理對UUV進行連續控制。

本研究將證明在混合精度和損失比例的情況下，訓練DDPG代理對UUV的連續控制不會影響控制系統的性能，同時在兩個方面使解決方案的計算效率更高。首先，我們將比較用固定和混合數值精度訓練的DDPG代理的性能與1自由度速度控制問題的PID控制器的性能。我們將研究用固定和混合精度訓練DDPG代理的訓練步驟時間。其次，本研究將研究DNN大小和批量大小的閾值，在此閾值下，用混合精度訓練DDPG代理的好處超過了計算成本。

本文的其余部分結構如下。問題表述部分將提供關于DDPG算法、NPSUUV動力學、PID控制和混合數值精度的簡要背景。實驗分析部分將描述本研究中運行的數值實驗的設置和結果。最后，在結論和未來工作部分將描述整體工作和未來計劃的工作。

在現代軍事領域，及時的信息越來越重要。然而，攻擊正變得越來越復雜。快速識別、選擇和執行網絡防御響應至關重要。

新型人工智能 (AI) 統計前瞻規劃技術已用于對目標環境進行網絡攻擊。這些技術以前沒有在網絡建模中使用過，但它們在其他領域的成功表明了它們的實用性。人工智能展示了它能夠組裝復雜的攻擊，顯示出解決網絡領域問題的能力。

Mininet/Containernet 解決方案在目標環境的完整表示方面取得了重大進展，這使人們相信這種表示是可能的。這將允許構建具有代表性的目標環境以進行快速分析。

人工智能可用于大規模生成成功攻擊特征的數據，促進機器學習人工智能的訓練，以檢測此類攻擊，這在現實世界數據稀少的情況下至關重要。

這種方法的一個優點是人工智能不是在學習，而是在進行前瞻性規劃。因此，隨著新漏洞的識別，人工智能可用的攻擊和防御動作可以輕松更新，而無需重新訓練。這種敏捷性在快速發展的網絡領域中至關重要。

1 引言

軍事領域的計算機網絡，以及所有地方的計算機網絡，都越來越受到網絡攻擊。顯然，能夠快速檢測到此類攻擊的漏洞并選擇合適的應對措施是非常重要的。因此，人們對利用人工智能（AI）技術開發自動化的網絡防御程序產生了廣泛的興趣。例如，在2020年2月，微軟研究院建立了一個名為CyberBattleSim的網絡攻擊模擬器，參考文獻[1]，它通過開源的AI Gym工具包使用強化學習（RL）算法。在谷歌上搜索可以很快找到半打類似的基于RL的網絡攻擊模擬器。

相比之下，本文描述了一種使用統計前瞻計劃而不是RL的自動化人工智能網絡模擬。統計前瞻規劃（SFP）算法是一系列穩健的隨機人工智能技術，使用統計模型（也稱為前瞻模型）來模擬未來可能的狀態。它們無需訓練，因此比基于學習的方法快得多。SFP算法的例子包括蒙特卡洛搜索、蒙特卡洛樹搜索和滾動地平線進化。最近的參考文獻，見Perez-Liebana等人，參考文獻[2]，其中描述了SFP在視頻計算機游戲中的應用。快速算法和游戲在軍事方面當然也很重要。

本項目中使用的人工智能軟件是由QinetiQ訓練和模擬有限公司開發的任務規劃師人工智能工具的擴展。最初，任務規劃器（Mission Planner）被用于生成和分析陸上兵棋推演中的指令。此后，任務規劃器也被成功地用于反潛戰等情況下。任務規劃器中的人工智能引擎，在設計上對特定的應用一無所知，只根據特定指令序列的獎勵或效用來工作。這使任務規劃器具有相當大的通用性。特別是，任務規劃器可以被用來規劃網絡攻擊和防御。參見參考文獻[3]對任務規劃器在其最初的陸上兵棋推演角色中的討論。

任務規劃器內的人工智能引擎使用隨機優化算法（在這種情況下是模擬退火）來選擇一個最佳的訂單序列。或者，在網絡背景下，一個最佳腳本。由人工智能引擎生成的腳本在引擎本身沒有任何意義。它們被傳遞給任務規劃器中的一個特定應用組件，稱為解碼器。這將計算出一個數值，稱為獎勵或效用或價值，并將其傳回給人工智能引擎。優化算法迭代進行，產生一個腳本序列，其值逐漸（但通常不是單調的）收斂到一個最佳值。

這項工作的目的是確定任務規劃器是否可以用來產生對計算機網絡的網絡攻擊。必須牢記，本文只描述了這項工作的第一階段。

2 方法路徑

2.1 網絡攻擊結構

在一個遠程服務器上設置了一個包含幾個已知漏洞的目標虛擬目標網絡（例如，一些機器可能有舊版本的操作系統，缺少重要的安全補丁）。該目標網絡通過一個Middle Ware組件與任務規劃師解碼器進行通信。

圖 2-1：網絡攻擊結構：按計劃（左）和按實施（右）。

圖2-1中的左手圖顯示了預定的結構。

• 解碼器將一個攻擊腳本傳遞給中間設備組件。
• Middle Ware組件在評估網絡上執行攻擊腳本。
• 對評估網絡的攻擊結果被返回到Middle Ware組件，該組件評估攻擊的成功率，并計算出一個結果的數值分數。
• 這個數值分數被傳回給解碼器。

該項目最初考慮使用基于Mininet的目標環境，包括Containernet和libvirt支持，以允許使用docker容器和虛擬機。這將允許在評估網絡上快速生成和測試攻擊腳本。由于libvirt對Containernet的支持是實驗性的，并且已經5年沒有更新了，所以是不能用的，所以不可能用Mininet來實現目標網絡。出于這個原因，對評估網絡的調用被刪除了，取而代之的是一個腳本標記，用來評估人工智能生成的腳本與給定的人工生成的腳本的相似度。實施的網絡攻擊結構如圖2-1中的右圖所示。

2.2 腳本標記

正如參考文獻[3]所解釋的那樣，任務規劃器的腳本由樹組成，其中樹中的每個節點要么是：

• 一個命令節點；
• 一個輸入節點，包含一個用于指令節點的數值參數。

一個輸入節點總是一個指令節點的子節點，輸入節點的參數值被應用于父指令節點。一個輸入結點沒有任何子結點。

指令節點必須始終有至少一個子節點。指令節點的子節點本身可以是指令節點或輸入節點。指令節點只能是有限數量的可能類型中的一個。

對于給定的一對相同類型的指令節點，腳本標記可以按以下方式計算出一個相似度值。

1.將該值初始化為零。

2.如果兩個節點都沒有父節點，則加1（到值）。

3.如果兩個節點都有一個父節點，并且兩個父節點都是同一類型，則加1。

4.遍歷每個順序節點對的輸入節點，比較每個列表中的第一個條目，第二個條目，以此類推，當其中一個列表用完時結束；對于每一對具有相同價值的輸入節點，在相似性值上加1，對于每一對具有相同類型的輸入節點，再加1。

5.將相似度值規范化，用父節點的子節點數除以相似度值，以父節點的子節點數最少的為準。

腳本標記在兩個腳本A和B之間計算出一個整體的相似度分數，具體如下：

1.將分數初始化為零。

2.對于腳本A中的每個順序節點，找出腳本B中具有最大相似度的相同類型的順序節點，并將這個最大相似度值加到分數中。

3.將分數歸一化，用腳本中訂單節點的數量來計算，以指令節點數量最多的腳本為準。

這個算法返回一個介于0和1之間的值。如果所有的指令節點類型和輸入值完全匹配，它將返回1。如果沒有匹配，它將返回0。

圖 2-2：實時網絡：使用 VMWare 的完整企業架構。

2.3 實時網絡

圖2-2顯示了用于測試人工智能攻擊的實時網絡，其中一個雙宿主、域連接的網絡服務器按照洛克希德網絡殺戮鏈的7個步驟被破壞。見參考文獻[4]。在成功入侵網絡服務器后，人工智能重復偵察、武器化、交付等過程，以確定域中的漏洞，并將其攻擊性工具轉移到被入侵的服務器上，利用這一點來捕獲域用戶的NTLM哈希值。見參考文獻[5]。人工智能將NTLM哈希值復制到它用于初始訪問的攻擊箱，在那里它使用開膛手約翰來識別域用戶的用戶名和密碼。見參考文獻[6]。在這個例子中，收獲的用戶賬戶是域管理員的賬戶，AI現在使用這些憑據連接到ADServer，并在域上創建自己的賬戶。圖2-2左側的綠色方塊包含被攻擊的虛擬網絡。圖中間的紅色方塊包含攻擊框，它是本測試中攻擊源的物理計算機。

由于Covid的限制，該項目具有分散性，被破壞的實時網絡和承載任務規劃器的計算機在地理上是分開的，因此必須使用ZeroTier軟件定義網絡來提供安全通信。見參考文獻[7]。

最初，攻擊腳本是在攻擊箱上手工開發的，并通過觀察對網絡服務器的攻擊結果進行手工測試。一旦開發出令人滿意的攻擊腳本，它就被納入腳本標記，并使用任務規劃器AI來生成一個最佳的攻擊腳本。然后通過互聯網將其傳遞給攻擊箱，從那里向目標網絡發起攻擊。

圖 2-3：域接管所需的攻擊腳本組件、

2.4 AI攻擊語法

圖2-3顯示了領域接管所需的攻擊腳本組件（戰術用深藍色陰影，技術用淺藍色陰影），以及一些當前攻擊不需要的額外組件。任務規劃者可以從一個潛在的無限選項中決定哪些腳本是必需的。例如，不需要的組件來自于數據滲出攻擊。還要注意，PYTHONSERVER和PYTHON3SERVER是不同的實例；PYTHONSERVER用于webserver和wget，而PYTHON3SERV必須是python3。該項目以MITRE ATT&CK?中列出的戰術和技術為基礎，MITRE ATT&CK?是一個基于現實世界觀察的全球可訪問的網絡戰術和技術知識庫。見參考文獻[8]。這些組件被提供給Mission Planner，然后Mission Planner必須以正確的順序將它們組裝起來，以達到預期的結果。

有些組件有許多選項，例如INITIALACCESS可以是公共應用程序，或外部遠程服務。RECONNAISSANCE比較復雜，它可以是NMAP、NESSUS或OPENVAS中的一種，NMAP RECONNAISSANCE可以是任何一種可用的選項，從隱蔽性到攻擊性不等。這些組件選項在圖2-3中用虛線表示。實線箭頭表示域接管攻擊所需的腳本組件的正確順序。

3 AI的性能

表 3-1：域接管腳本的 AI 進度報告。

表3-2: AI進度報告的關鍵。

表3-1列出了Mission Planner在域接管腳本方面的AI進度報告，表3-2解釋了各欄的內容。表3-1顯示，在第15代時，優化器取得了93.994%的最佳分數。這個腳本與目標腳本只有一步之差，盡管它仍然導致了一次失敗的攻擊。在第21代時，得到了一個接近完美的解決方案，導致攻擊成功。總耗時為37秒。

圖 3-1：在域接管期間提高百分比分數。

圖3-1顯示了在每一代中取得的百分比分數的提高。最好的分數逐漸增加到100%。當然，平均得分不如最佳得分；然而，隨著最佳得分的接近，差異也在減少。這就是模擬退火算法的典型行為。

4 結論

我們已經表明，任務規劃器的人工智能引擎原則上可以用來發動自動網絡攻擊。雖然不可能將優化器直接連接到被攻擊的網絡，但這是通過腳本標記來模擬的。雖然適合于演示，但這確實限制了優化器，因為所采用的方法的一個重要優勢是，它能夠為以前從未解決過的問題找到新的解決方案。使用腳本標記評估不可能證明這一點。

因此，下一步將是用一個基于Mininet、Containernet、libvirt的解決方案來取代腳本標記。我們相信，這將允許優化器對目標環境進行快速原型設計。這項工作的一個重要部分將是評估對運行時間的影響。還應測試更廣泛的目標網絡和網絡攻擊類型。

任務規劃器的人工智能引擎也可以被擴展，以便它可以防御網絡攻擊。一旦實現了這一點，可以將攻擊和防御的人工智能引擎結合起來，形成一個對抗性的人工智能，其中攻擊和防御部分依次對立。每一次通過這個攻防循環都會進一步提高這兩個組件的實力和穩健性，因為每個組件都被迫對能力更強的對手做出反應。