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

人工智能有可能從根本上改變國防，從后臺職能到前線，并在軍事競爭和沖突中提供決定性優勢。人工智能已在俄羅斯烏克蘭沖突中得到有效部署，這表明人工智能不再屬于未來戰爭，而是國防必須參與的現實。鑒于人工智能潛在應用的廣泛性，很少有國防領域不能從人工智能或人工智能增強中獲益，因此國防部門需要開始考慮將人工智能作為其解決問題和實現目標的一個組成部分。英國有潛力成為一流的國防人工智能部門，但目前國防部門發展不足，需要加以培育。這既需要實踐變革，也需要文化變革。

發展國防人工智能部門需要改善數字基礎設施、數據管理和人工智能技能基礎，國防部門需要找出存在的差距，以便著手解決這些問題。建議國防部門可以采取一些具體行動，比如讓人工智能成為軍事教育的更大一部分，讓人工智能專家更容易在民用和國防部門之間流動。國防部門還可能需要與規模較小的非傳統國防供應商合作，這些供應商目前在與國防部門合作方面面臨障礙，國防部門需要采用其工作方式，使自己成為更具吸引力和更有效的合作伙伴。國防部門需要更加適應承擔風險、快速開發周期以及與非傳統國防供應商合作。國防部門需要克服目前阻礙防務公司與國防部門合作的障礙，如復雜的采購流程和工作人員難以獲得安全許可。

除了這些實際變化之外，國防部門還需要進行更廣泛的文化變革，以適應這樣一個世界：軍事優勢越來越多地由數字化能力和可快速開發、部署和迭代的廉價平臺來實現。國防部門的政策文件認識到了這一點，但該部門的言論與現實之間存在差距，而且人工智能往往仍被視為一種新事物，而不是即將成為國防工具包核心部分的事物。正在進行的《戰略防御審查》是一個理想的時機，國防部門可以借此加快所需的文化轉型，并為新的人工智能時代實現能力和思維的現代化。

人工智能系統如果能與盟國的系統互操作，將發揮最大功效。英國和盟國在開發和部署國防人工智能的目標上相互理解，并在適當情況下共享標準和實踐。AUKUS 合作伙伴關系的支柱 2 是英國國防人工智能部門與澳大利亞和美國盟國在人工智能前沿領域開展合作的協議。

認識到，在國防領域使用人工智能會引發重要的倫理問題。上議院武器系統人工智能委員會于 2023 年 12 月發布了一份關于致命自主武器系統的全面報告，決定不再重復這項工作。因此，本報告重點關注英國在國防領域開發和部署人工智能的能力。

英國國防人工智能格局

關于英國國防人工智能部門的規模和特點的公開研究很少。2023 年，英國政府委托進行的研究發現，英國有 3713 家人工智能公司；其中 2204 家公司的業務模式以人工智能產品或基礎設施為核心。目前尚不清楚英國有多少人工智能公司從事國防工作： 33% 的公司從事計算機視覺和圖像處理工作，另有 29% 的公司從事自主系統工作--智庫蘭德歐洲公司在其書面證據中指出，這些領域 “與國防高度相關”--但這部分行業還將包括許多非國防公司。人工智能是一個快速發展的行業，預計將在未來幾年內大幅擴張：據 KBR 和 Frazer-Nash Consultancy 提供的證據估計，2023 年英國軍事人工智能行業的價值約為 2.85 億英鎊，預計到 2028 年將增長到 12 億英鎊。

有關英國國防人工智能公司特點的數據很有限，但證據表明，這些公司既包括人工智能只占其業務一小部分的老牌國防公司，也包括專門從事國防人工智能的初創公司。大多數參與人工智能開發的公司規模都相對較小： 蘭卡斯特大學創新、技術和戰略教授西蒙娜-索阿雷（Simona Soare）博士將該行業描述為一個 “成熟的生態系統”，其中 75-80% 的公司都是小型企業或初創公司。在國防領域，這類公司包括 Adarga、AdvAI、Skyral、Ripjar 和 Mind Foundry。人工智能的發展跨越國界，微軟和亞馬遜等在人工智能領域處于全球領先地位的跨國公司都在英國設有分支機構。此外，一些專門從事人工智能國防應用的國際公司也在英國設有分支機構，如 Helsing 和 Anduril。

人工智能行業相對剛剛起步，現在判斷英國人工智能和國防人工智能行業將如何發展還為時尚早。但是，證據表明，英國擁有可以促進該行業成功發展的優勢，包括大學和強大的研究部門，以及在計算和數學科學等相關學科的現有優勢。英國還擁有強大的計算能力（計算），這是開發先進人工智能的重要資產，同時英國還擁有龐大的金融部門，可以吸引對先進研究的投資。英國的制度優勢也為人工智能公司提供了良好的發展環境，并能吸引投資者，其中包括強有力的監管制度和有效的法治。所有這些都意味著英國具備蘭德歐洲公司的詹姆斯-布萊克（James Black）所說的 “相當好的通用優勢”，可以支持人工智能行業取得成功。

與此同時，一些證人也指出了英國該行業目前存在的弱點。Simona Soare 博士強調，雖然英國確實存在人工智能 “生態系統”，但 “并沒有特別獨立的國防人工智能生態系統”。此外，初創公司的更替率非常高，只有不到五分之一的公司能持續四年或更長時間。這意味著該生態系統幾乎沒有彈性，這將使英國擴大國防人工智能能力面臨挑戰。小組委員會還聽說，各軍種內部對整個國防領域的人工智能方法缺乏一致性。退役空軍元帥 Edward Stringer認為："在整個國防人工智能領域，有一些非常優秀的人員，但系統略顯分散。雖然英國總體上是一個充滿活力的風險投資（VC）環境，但薩里大學人工智能研究所的 Mikolaj Firlej 博士寫道，英國國防人工智能部門 “投資不足”，只有幾家較小的風險投資基金在投資。

雖然英國的人工智能部門和國防人工智能部門的絕對規模較小，但與同行相比，英國的表現相對較好，因為該部門在全球仍處于發展的早期階段。蘭德歐洲公司報告稱，英國的人工智能公司數量在全球排名第三。牛津洞察》（Oxford Insights）和Tortoise編制的《全球人工智能指數》（Global AI Indices）根據各種因素對各國進行排名，英國分別位列第三和第四。雖然這些指數并沒有對各國在國防人工智能方面的實力進行具體排名，但有理由相信英國在這一領域的表現相對較好： Simona Soare 博士指出，英國為人工智能提供的資金遠遠高于歐洲同行，據估計，英國在國防人工智能領域的投資是法國和德國的兩倍。與此同時，雖然英國領先于許多同行，但在許多關鍵指標上卻遠遠落后于人工智能領域的全球領導者--美國和中國。這兩個國家政府在人工智能方面的總支出是英國政府的四倍多，美國和中國超級計算機的數量和處理能力也遠遠超過英國。一些意見認為，英國不可能與美國部門的規模和投資能力競爭，但英國可以利用其現有優勢，在人工智能的某些領域發展世界領先的專業技術。

英國具備許多適當的條件，可以在國防人工智能發展方面成為全球領導者，但目前國防是英國人工智能生態系統中發展不足的一個方面，英國與目前人工智能領域的全球領導者美國和中國之間的差距很大。英國不能也不應該以在規模上與這些國家的部門相媲美為目標，而應該尋求在優勢領域實現專業化，并在這些領域達到一流的先進水平。

人工智能對有效防務的重要性與日俱增，因此英國的目標必須是擁有一流的國防人工智能生態系統。國防部門應制定措施，將英國的部門與國際上的其他部門進行比較，以便跟蹤該部門相對于同行的實力。

開發和設計邊境監控系統以滿足特定需求和要求是一個全面的過程，涉及仔細評估、定制以及對環境和操作因素的考慮。這些系統對世界上大多數國家都至關重要，因為它們可以對包括偏遠和復雜地形在內的廣大地區進行實時監控，而這些地區可能會對監控系統構成挑戰。由于電力限制和高昂的成本，覆蓋偏遠和地形復雜的廣大地區面臨著巨大的挑戰。為解決當前邊境監控系統面臨的挑戰，如電力限制，提出了替代能源和節能技術。此外，還通過精心選擇設備和模塊化設計來實現成本管理。這使得陸地環境監控系統能夠在廣闊、偏遠和具有挑戰性的地形中有效運行。

論文對監控系統領域的貢獻主要集中在對利比亞沙漠邊境的監控上。它強調了研究的獨特方法及其與應對特定地理和環境背景下的挑戰的相關性。該系統利用配備紅外攝像機（FLIR）的無人駕駛固定平臺，并在物聯網（IoT）框架內采用邊緣計算。在此框架內，實施了兩個基于機器學習算法（特別是用于特征提取和監督分類的特征袋）的自動目標識別（ATR）系統。這些系統在低功耗微處理器上運行，以解決物聯網邊緣節點的能源和計算能力限制問題。第一種擬議方法在處理前將紅外圖像分割成感興趣的區域，而第二種自動識別跟蹤系統則直接處理整個圖像。為了評估這些 ATR 系統的性能，使用了專門與撒哈拉沙漠環境相關的圖像數據集，以便對系統的能力進行全面測試和評估。

在評估過程中，這兩種方法與四種不同的分類算法結合使用： 支持向量機 (SVM)、K-近鄰 (KNN)、決策樹 (DT) 和 Naive Bayes (NB)，以及三種描述符： SURF、SIFT 和 ORB。實驗結果表明，由于紅外圖像的分辨率較低，建議使用通用類。此外，基于興趣區域的 SURF-SVM 預測方法實現了最高的檢測能力，高達 97%，在物聯網邊緣設備上的幀速率高達 5.71，在工作站上的幀速率高達 59.17。這種方法側重于對三個通用類別（動物、車輛和人員）進行分類，與識別特定目標相比，減少了類別之間的混淆。通過采用通用類別，系統提高了檢測能力。這些結果證明了將邊緣計算用于邊境監控的可行性，即使在撒哈拉沙漠這樣充滿挑戰的環境中也是如此。

本論文分為五章。第一章介紹了論文的引言、動機和目標，并強調了人工智能在塑造邊境監控系統 (BSS)演進過程中的作用。以下各章概述如下：

• 第 2 章概述了 BSS 并介紹了 ML 技術。此外，它還介紹了物聯網的概念，并概述了 ATR。

• 第 3 章回顧了當前研究領域的最新方法和應用。其中特別關注 BSS 方法，尤其是移動和固定監控平臺以及傳感源。此外，還回顧了 ATR 的最新技術和工藝，提出了關鍵的研究挑戰。

• 第 4 章介紹了論文中提出的解決方案以及對所獲結果的評估。它重點介紹了兩個 ATR 方案（邊界框預測方案和基于幀的預測方案）、生成的數據庫和實驗方法。

• 第 5 章介紹了本論文的實驗結果和相應討論。它評估了使用不同分類技術的兩種方案。此外，還在一個真實的邊緣平臺上對這兩個方案進行了評估。

• 第 6 章介紹了本博士論文的總體結論，并概述了未來可開展的工作。其中包括對該領域的貢獻及其傳播的詳細介紹。

人工智能（AI）是公認的先進技術，可幫助決策過程實現高精度和高準確性。然而，由于依賴于復雜的推理機制，許多人工智能模型通常被評價為黑盒。 人類用戶往往無法理解這些人工智能模型是如何以及為何做出決策的，從而擔心其決策的可接受性。以往的研究表明，由于缺乏人類可理解的相關解釋，最終用戶無法接受這些決策。在此，可解釋人工智能（XAI）研究領域提供了一系列方法，其共同主題是研究人工智能模型如何做出決策或解釋決策。這些解釋方法旨在提高決策支持系統（DSS）的透明度，這在道路安全（RS）和空中交通流量管理（ATFM）等安全關鍵領域尤為重要。盡管決策支持系統在不斷發展，但在安全關鍵型應用中仍處于演變階段。在 XAI 的推動下，透明度的提高已成為使這些系統在實際應用中切實可行、解決可接受性和信任問題的關鍵因素。此外，根據歐盟委員會目前的 “解釋權 ”授權和全球各組織的類似指令，認證機構不太可能批準這些系統用于一般用途。這種將解釋滲透到現有系統中的沖動，為 XAI 與 DSS 相結合的研究鋪平了道路。

為此，本論文主要為 RS 和 ATFM 應用領域開發了可解釋模型。特別是，通過分類和回歸任務，開發了用于評估駕駛員車內心理工作量和駕駛行為的可解釋模型。此外，還提出了一種利用互信息（MI）從車輛和腦電圖（EEG）信號生成混合特征集的新方法。該特征集的使用成功地減少了復雜的腦電圖特征提取計算所需的工作量。互信息（MI）的概念被進一步用于生成人類可理解的心理工作量分類解釋。在 ATFM 領域，本論文開發并展示了一個可解釋的模型，用于從歷史飛行數據中預測航班起飛時間延誤。通過開發和評估這兩個領域的可解釋應用所獲得的啟示強調了進一步研究 XAI 方法的必要性。

在本博士論文的研究中，DSS 的可解釋應用是通過加法特征歸因（AFA）方法開發的，該方法是當前 XAI 研究中流行的一類 XAI 方法。盡管如此，仍有一些文獻斷言，特征歸因方法通常會產生不一致的結果，需要進行合理的評估。然而，關于評估技術的現有文獻仍不成熟，提出了許多建議方法，卻未就其在各種場景中的最佳應用達成標準化共識。為了解決這個問題，我們還根據 XAI 文獻的建議，為 AFA 方法制定了全面的評估標準。建議的評估流程考慮了數據的基本特征，并利用了基于案例推理的加法形式，即 AddCBR。本論文提出了 AddCBR，并將其作為評估流程的補充進行演示，以此作為比較 AFA 方法生成的特征歸因的基線。iXGB 生成決策規則和反事實，以支持 XGBoost 模型的輸出，從而提高其可解釋性。通過功能評估，iXGB 展示了用于解釋任意樹狀集合方法的潛力。

從本質上講，這篇博士論文最初有助于為兩個不同的安全關鍵領域開發經過理想評估的可解釋模型。其目的是提高相應 DSS 的透明度。此外，論文還引入了新穎的方法，以不同的形式生成更易于理解的解釋，超越了現有的方法。論文還展示了 XAI 方法的穩健評估方法。

圖 1.1： 研究課題、研究貢獻和收錄論文的一般映射。

數據分發服務（DDS）是一種中間件協議，也是無人系統中內聚通信的主要候選協議。早先工作提出了一種包含 SATCOM 和 WiFi 鏈接的網絡架構。本文通過將 5G 通信與 DDS 集成，擴展了先前研究的網絡架構。在這種集成中，無人飛行器（UAV）的控制被卸載到 5G 網絡上，這不僅確保了無人飛行器的安全運行，還通過提供特定任務的有效載荷數據促進了一系列應用。本研究的目標是利用受控模擬，成功地將無人機連接到 5G 網絡，并分析無人機能否向地面站發送數據。此外，還對系統的延遲和吞吐量進行了分析，并與之前的設置進行了比較。

本文的貢獻如下：

• 探索使用包含 DDS 的多鏈路網絡架構將 5G 網絡集成到無人機控制和向地面控制站發送數據的可行性。

• 在理想和抖動網絡配置下，評估各節點點對點鏈路的吞吐量和延遲性能，以實現可靠和最佳通信。

• 當網絡配置出現抖動和損耗時，評估網絡節點之間同步多流通信的吞吐量和延遲性能。

• 將 5G 網絡架構的網絡性能與早期論文中的網絡架構進行比較和分析。

本文其余各章的內容安排如下： 在第 2 章中，介紹了相關著作的背景、所使用軟件的概述以及相關通信技術的背景。第 3 章介紹了擬議的 5G 網絡架構、仿真參數的選擇和仿真場景。它還討論了如何設置 5G 鏈路。隨后，第 4 章將介紹和討論仿真結果。最后，第 5 章將給出結論和對未來工作的建議。

本論文探討了如何應用有監督的機器學習技術來提高網絡控制系統（NCS）的性能和可解釋性。無人駕駛系統（UxVs）可通過覆蓋大片區域的延伸偵察任務提供快速高效的目標定位。以協作方式控制一組 UxV 是一個難題，美海軍正在開發的一個解決方案是網絡控制系統行為集成優化（BION）。BION 是一種 NCS，利用部分可觀測蒙特卡洛規劃（POMCP）算法提供接近最優的近實時編隊控制。本文旨在通過使用訓練優良的神經網絡近似關鍵功能，解決 POMCP 算法的某些局限性。神經網絡利用概率技術和顯著性圖提高了可解釋性，同時也提高了處理速度。在基于 ResNet 的不同架構上進行了實驗，并成功地將訓練良好的神經網絡集成到了 BION 中。這項研究拓展了實驗和開發 BION 的能力，從而推動了UxV 的開發和集成。

第二章將討論 BION 的核心功能，以及與神經網絡和顯著性圖譜相關的關鍵概念。第三章將討論實現過程，包括訓練和評估數據、神經網絡架構、神經網絡訓練算法以及生成顯著性圖。第四章將介紹工作成果，包括訓練統計數據和計算出的顯著性圖樣本。第 5 章總結了本文的貢獻以及未來可能的工作領域。

考慮到資產之間的通信可能是局部的，但不可能是全局的（例如，由于通信網絡中斷），“馬賽克戰爭 ”要求多個分散資產在較小的群組中移動和運行。在這些群組中，資產之間存在分層的功能關系。本研究提出并評估了一種分級資產組合和路由啟發式（HATRH），用于實施由機載傳感器、指揮和控制飛機以及攻擊機組成的空中資產企業的馬賽克戰，以移動并摧毀一組固定目標。HATRH 由三種迭代應用算法組成：一種是將資產組合成功能片的分組算法，另兩種算法分別與資產群移動和單個資產移動有關。后兩種算法中包含由用戶確定的參數，這些參數大致對應于馬賽克中的群體和單個資產機構。廣泛的測試檢驗了這些參數和資產密度對三種不同操作場景設計的影響，并通過兩個無政府價格（POA）啟發指標與最佳（即高效）資產利用率進行了比較。結果表明，與單個資產機構相對應的用戶自定義參數對平均彈藥消耗和資產平均飛行距離都有顯著影響。在資產最初包圍敵方目標的情況下，單個和群組機構用戶定義參數都會影響彈藥消耗和燃料消耗方面的作戰效率。

接下來的研究將探討以協作方式在網絡上路由多個不同類型的資產以滿足需求的問題。協同服務的特點是，在為需求提供服務時，不同類型的資產必須幾乎同時進行。此外，某些類型的資產必須通過訪問需求來提供服務，而其他類型的資產則可以就近提供服務。本研究提出了一種混合整數線性程序來模擬這種車輛路由問題的變體。除了通過商用求解器直接求解問題實例外，本研究還提出了模型分解啟發式的兩種排列組合，以及兩種預處理技術，對選定的決策變量施加特定于實例的約束。對比測試評估了求解方法和預處理選項的九種組合，以求解一組 216 個重要參數變化的實例。結果表明，在計算量有限的情況下找到可行解決方案的可能性與所確定解決方案的相對質量之間存在權衡。對于大型網絡，預處理技術利用近鄰啟發式與任何求解方法相結合，最常為測試實例集找到可行的解決方案（即 90% 的實例），但解決方案的質量較低（即平均為最佳解決方案的 15%）。在大型網絡中，表現最差的是模型分解技術，它首先對提供服務的資產進行近距離路由，而省略了任何一種預處理技術；雖然這種組合在確定可行解決方案時能產生最佳解決方案，但它只在 55% 的實例中做到了這一點。其他求解方法的表現也有值得注意的細微差別，詳見下文。

最后，研究探討了在網絡上路由多個不同類型的資產以滿足需求的問題，在此問題中，需求必須在一定時間內按順序由不同類型的資產滿足，而最大限度地減少累計服務時間是研究的重點。更具體地說，這項研究旨在利用有限的資源確定有效的網絡中斷策略，從而最大限度地縮短累計服務時間。在這個斯塔克爾伯格博弈的雙層編程結構中，上層問題決定中斷策略，下層問題決定資產路線。本研究考慮并測試了三種求解程序：迭代識別每個中斷行動的貪婪構造啟發式（GCH）、模擬退火（SA）的定制實現，以及利用候選解決方案優先級識別和塔布列表的增強變體（eSA）。測試比較了在一系列選定算法和特定實例參數下類似實例的解決方案方法。結果表明，增強型模擬退火方法表現最佳，擴展測試探索了增加所選問題集對 eSA 相對于 GCH 的相對改進的影響，以及對算法運行時間的影響。

無人駕駛技術的采用促進了對機器人蜂群系統的多學科研究，尤其是在軍事領域。受生物群解決問題能力的啟發，這些系統具有從局部互動中產生全局行為的優勢，從而減少了對集中控制的依賴。在機器人蜂群中創造突發行為的傳統方法要求蜂群具有可預測和可控制的特性，同時具有明確的局部規則和對所有智能體的全面了解。在反蜂群交戰中，蜂群系統需要一種全局策略，這種策略應具有魯棒性并能適應動態環境，同時盡量減少對完整知識的依賴。本研究探討的是一個反向問題：設計局部規則，以近似于通常基于每個無人機的完整知識和通信的突發行為。目標是創建分散區域，在這些區域中，防御方無人機利用在模擬數據基礎上廣泛訓練的神經網絡模型。從涉及三個攻擊方和一個防御方的交戰中提取的數據被組織成代表不同特征的各種輸入集。訓練后的回歸分析確定了與甲骨文算法相比能生成最佳防御方航向角的特征集。結果表明，神經網絡模型比oracle更有效地優化了更短的交戰時間，驗證了使用經過訓練的網絡代替傳統算法的可行性。

收集和共享信息以及指揮和控制是所有軍事行動的重要組成部分。建立一個靈活的通信網絡，以適應每次行動的具體要求，是在當前和未來軍事行動中提供必要信息流的關鍵要求之一。目前正在開展一些活動，為固定網絡基礎設施提供靈活的聯盟網絡，并在一定程度上為半移動部署網絡提供靈活的聯盟網絡，例如聯邦任務網絡（FMN）。然而，對于如何部署高效、連接良好的異構戰術無線電網絡，目前還沒有明確的指導方針。這極大地阻礙了低級戰術層面的信息共享。本報告介紹了北約科技組織所做的研究，目的是加深對如何在戰術邊緣構建可互操作的異構移動無線電網絡的理解，并提出一些建議。目的是找到最有效利用不同聯盟伙伴為行動提供的移動網絡的方法。報告涵蓋三大主題：

1. 描述一個場景并實施一個類似云的測試平臺環境，以評估與該場景相關的不同技術解決方案。該試驗臺是提高信息和通信技術國際研究合作效率的一個示例。場景和試驗臺的作用與技術合作示范（CDT）類似，都是對不同技術進行基于場景的合作分析，但成本比 CDT 低得多。利用仿真技術可以加快從早期研究成果到為標準化測試解決方案所需的時間。建立測試平臺環境的工具和腳本將公開提供。

2. 描述和分析在不同移動網絡之間提供端到端連接的架構和機制。報告比較了不同的路由架構，并提出了一種混合架構。一個核心觀點是，網絡規劃者需要選擇不同的機制，以便為不同類型的操作提供必要的性能。為了確保不同機制之間的互操作性，我們確定了必要的信息交換接口，并對不同協議的可擴展性進行了研究。我們概述了不同的安全架構，討論了安全架構的選擇對路由架構效率的影響，并提出了一個目標安全架構。

3. 對稀缺網絡資源進行最佳優先排序和利用的準則和機制。建議監測網絡健康的三種狀態（正常、減少、最后努力），以改善網絡的資源管理（RM）和服務質量（QoS）。不同的網絡狀態需要一套或多套機制。我們還建議選擇單一網絡層來實施 QoS 或 RM 機制，因為這樣可以降低不同層的機制不合作而降低性能的風險。要使 RM 和 QoS 運行良好，必須有一個信息價值（VoI）的概念。VoI 會隨時間發生變化，RM/QoS 需要適應這些變化。

更好地了解在戰術邊緣建立移動異構聯盟網絡時所面臨的挑戰，這將有助于北約國家發展/采購具有互操作性的網絡設備。成果非常及時。預計從螺旋 4 開始，FMN 將開始包括移動戰術網絡的不同方面。結果將成為相關 FMN 的重要投入。

重點關注可部署和移動戰術領域的異構網絡

圖 2 展示了依賴于這些網絡的軍事場景概覽。創建該場景是為了顯示行動期間的信息需求，并舉例說明在異構網絡中建立必要服務所面臨的挑戰。

該場景描述的是一個機械化營的連級特遣部隊和一個海軍特遣艦隊開展的行動。它們是由聯軍總部協調的軍事特遣隊 (MC) 的一部分。連隊通信和信息系統 (CIS) 與國家作戰廣域網相連，并可訪問聯軍系統。MC 總部在行動期間發揮后援作用，并應要求提供戰斗支援（CS）和戰勤支援（CSS）。根據行動背景，假定敵軍正準備從位于圖 2 右下角行動區內的村莊向聯軍基地發動復雜的攻擊。敵軍裝備精良，活動區域可能埋有地雷，因此有可能出現簡易爆炸裝置（IED）危險。己方部隊的任務是進入作戰區域，消滅叛亂分子并銷毀他們收集的武器裝備。避免村莊居民傷亡并使叛亂分子無法逃脫是非常重要的。這一任務中最重要的因素是由聯軍提供的獨聯體、后勤和醫療支持。因此，需要有運作良好的通信能力來幫助組織武裝部隊。

完成這項任務需要使用各種系統和通信網絡，如無線電通信系統（高頻、甚高頻、超高頻、衛星通信）、傳感器網絡和無人機系統。海軍管理系統也已到位，用于支持任務的偵察和監視，并提供數據、語音和視頻等服務。

為實施場景中的行動，確定了三個小故事。每個小故事的角色和參與者都相同。第一個小場景涉及戰場的情報準備工作。第二個小場景包括聯軍進入作戰區，包括在周邊沿海地區開展海上攔截行動。第三個小故事包括一次城市行動，結果是消滅了叛亂分子。第三個小故事還包括在解除簡易爆炸裝置后向軍艦進行的醫療后送。每個小故事都提出了行動者和 C4IS（指揮、控制、通信和計算機信息系統）設備之間預期交換的數據，強調了軍事異構網絡的連接性和網絡效率問題。

任務規劃涉及將離散資產分配給優先目標，包括在復雜的環境條件下將這些資產動態路由到目的地。由于快速周轉的價值和模擬作戰環境的相對簡單性，人們非常有興趣通過添加人工智能 （AI） 的強化學習技術來改進任務規劃過程，這可以產生更好、更快或只是人類考慮的獨特解決方案。本報告描述了如何使用人工智能進行任務規劃，以及人工智能方法與更傳統的運籌學 （OR） 方法的比較。

任務規劃涉及將離散資產分配給優先目標，包括在復雜的環境條件下將這些資產動態路由到目的地。由于快速周轉的價值和模擬作戰環境的相對簡單性，人們非常有興趣通過添加人工智能 （AI） 的強化學習技術來改進任務規劃過程，這可以產生更好、更快或只是人類考慮的獨特解決方案。本報告描述了如何使用人工智能進行任務規劃，以及人工智能方法與更傳統的運籌學 （OR） 方法的比較。

本報告是五卷系列中的第五卷，探討了如何利用人工智能在四個不同領域協助作戰人員：網絡安全、預測性維護、兵棋推演和任務規劃。本報告主要針對那些對任務規劃、運籌學和人工智能應用感興趣的人。

研究問題

• 如何在任務規劃過程中使用人工智能？
• 應用于任務規劃的人工智能方式方法與傳統的 OR 方式方法相比有何不同？
• 人工智能是否可以改善任務規劃過程中的特定角色或任務？
• 在任務規劃過程中應用人工智能有哪些要求？

關鍵發現

• 與 OR 方法相比，人工智能的性能通常更差。考慮到OR涉及解決擺好姿勢的優化問題，這一結果并不奇怪。不過，人工智能可以更穩健，更能應對不斷變化的環境，因為 OR 解決方案只是為了解決靜態問題。
• 人工智能能夠在某些規劃任務中提供幫助，以這種方式使用人工智能將為未來人工智能的使用積累能力、經驗和用戶信任。任務路線規劃是人工智能應用范圍較窄的一個例子，尤其適用于動態威脅環境，在這種環境中，任務包進入復雜的防空環境，面臨突如其來的威脅。
• 用于任務規劃的人工智能需要開發基礎設施，將模擬環境與人工智能框架有效連接起來，而人工智能框架通常是用不同的編碼語言編寫的。幸運的是，這對每個模擬環境來說都是一次性投資。DAF 應考慮此類投資，并向政府和伙伴組織發布基礎設施。
• 在任務規劃和更廣泛的戰爭中實施人工智能不僅僅是創建一個獨立項目的問題。關鍵是要支持與其他工具的連接，并隨著新工具的發明不斷更新這些連接。如果沒有這種持續的支持和努力，人工智能的實際使用將不可避免地落后于近鄰對手。

建議

• DAF 應將強化學習（RL）任務規劃應用于無人駕駛系統的動態路線規劃，由操作員進行審查和判斷。目前，強化學習在任務規劃中的最佳應用是作為快速反應管理系統，對威脅做出動態響應。這既適用于機載無人機，也適用于能在數秒而非數分鐘內提供最新飛行計劃的總部。即使 RL 提供的是次優計劃，它也能建議立即采取行動；操作員可以利用快速反應所贏得的時間，采用當前的標準和首選方法制定更好的計劃。
• DAF 應該培訓對軍事任務規劃有深刻理解的人工智能專家。RL 是一個依賴經驗和啟發式方法的困難研究領域。由于需要特定的應用知識，研究工作變得更加復雜。對該領域缺乏了解的人可能無法識別不良狀態和行為，從而無法設計出合適的獎勵函數。
• DAF 必須優先考慮工具和軟件，不僅要創建工具和軟件，還要使這些資源具有可擴展性并可與現有系統連接。應擴展現有的模擬工具，使其與人工智能框架兼容。
• DAF 應持續監測人工智能 RL 的發展狀況。雖然人工智能在商業和研究領域發展迅速，但 DAF 仍需保持警惕，尋找機會整合新的進展。

近年來，針對工業生態系統的高級持續性威脅（APT）的復雜性急劇增加。這使得開發超越傳統解決方案的高級安全服務成為必須，輿論動力學（Opinion Dynamics）就是其中之一。這種新穎的方法提出了一個多智能體協作框架，允許跟蹤APT的整個生命周期。在本文中，我們介紹了TI&TO，這是一個攻擊者和防御者之間的雙人博弈，代表了一個現實的場景，雙方都在爭奪現代工業結構中的資源控制權。通過使用博弈論來驗證這種技術，我們證明，在大多數情況下，輿論動力學包括有效的第一項措施，以阻止和減少APT對基礎設施的影響。為了實現這一目標，攻擊者和防御者的模型都被標準化，并應用了一個公平的評分系統，后者用不同的策略和網絡配置運行了幾個模擬測試案例。

引言

世界各地的公司面對的網絡安全攻擊數量明顯增長，導致了巨大的經濟損失[2]。當涉及到關鍵的基礎設施（即核電站、電網、運輸和制造系統）時，這種情況變得更加嚴重，其工業控制系統必須在所有條件下保持工作。在這里，我們處理的是SCADA（監督控制和數據采集）系統，幾十年來一直在與外部網絡隔離的情況下工作；反過來，如今它們正越來越多地整合新技術，如物聯網（IoT）或云計算，在削減成本的同時外包各種服務。因此，需要做出更大的努力來跟上這種進步，以應對這些系統可能帶來的最新的攻擊載體和可利用的漏洞。

近年來最關鍵的問題之一是高級持續性威脅（APTs），這是一種復雜的攻擊，特別是針對目標基礎設施，由一個資源豐富的組織實施。它們的特點是利用零日漏洞（零時差攻擊），采用隱蔽技術，使威脅在受害者網絡中長期無法被發現。Stuxnet是第一個報道的這種性質的威脅[6]，但許多其他的威脅在之后被發現，通常是在攻擊完全執行后的幾個月[7]。在網絡安全方面，只是提出了一些機制來從整體上解決這個問題，超越了傳統的機制（如防火墻、入侵防御系統（IPS）、入侵檢測系統（IDS）、防病毒），這些機制只代表了在第一階段對APT的準時保護[21]。

在這些新穎的機制中，輿論動力學（Opinion Dynamics）[15]包括一個多智能體協作系統，通過分布式異常關聯，使攻擊的整個生命周期都可以被追蹤。在本文中，我們提出了一個理論但現實的方案，以證明該方法在不同類型的攻擊模式下的有效性，使用結構可控性領域[8]和博弈論[14]支持的概念。為了這個目標，我們開發了TI&TO，這是一個雙人博弈，攻擊者和防御者為控制現代工業結構中的資源而競爭。兩個玩家都有自己的動作和相關的分數，分別根據APT和基于Opinion Dynamics的檢測系統的行為。這個博弈最終在不同的模擬中運行，旨在展示算法的能力，同時也建議將該技術與其他防御方案結合起來進行最佳配置。因此，我們可以把我們的貢獻總結為：

• 正式定義TI&TO博弈，指定游戲板、每個玩家的目標和得分規則。
• 設計一個攻擊者模型，以一組階段的形式，靈活地表示APT的各個階段，以表示攻擊者的行動，這些行動受制于一個確定的分數。
• 設計一個基于使用意見動態和響應技術（即本地檢測、冗余鏈接、蜜罐）的防御者模型，以減少APT在網絡中的影響，這也意味著博弈中的相關得分。
• 進行的實驗驗證了該算法，并推薦了返回最佳結果的防御者的配置。

本文的其余部分組織如下。第2節介紹了 "輿論動力學"的概念，并強調了應用博弈論來檢測網絡攻擊的建議。在第3節中，定義了博弈，包括規則以及攻擊和防御模型。然后，進行了幾次模擬，并在第4節進行了討論。最后，在第5節中提出了結論和未來的工作。