21 世紀迄今為止最重大的軍事變革之一是無人（也稱無機組人員）系統的發展。這項技術發展迅速--從玩具遙控汽車到國家兵力改造和采用的資產。隨著技術的改進，無人駕駛系統不僅出現在地面上，還出現在空中、水上和水下。無人駕駛飛行器的種類之多令人震驚，既越來越小，也越來越大。現在，它們的大小從大黃蜂到潛艇不等。

盡管技術仍在不斷發展，但無人資產發展的一個重要階段是將其融入行動。現有的系統現在已經足夠有用，可以為戰場上的作戰人員提供支持，它們正越來越多地接受測試并編入作戰部隊。例如，2022 年 10 月初，荷蘭皇家陸軍宣布，它已與機器人和自主系統（RAS）部隊一起向立陶宛部署了四輛武裝履帶式混合模塊化步兵系統（或 THeMIS）無人地面車輛（UGV），這被軍方官員稱為西方首次涉及武裝 UGV 的作戰試驗。這些系統可以裝備機槍、榴彈發射器和反坦克導彈，因此可以為其他兵力提供支援。即使沒有裝備武器，這些 UGV 也很有用，因為它們可以通過運輸補給品（包括重型武器、水和彈藥）減輕士兵的體力負擔。愛沙尼亞國防軍已經在馬里部署了非武裝型 UGV，與愛沙尼亞士兵一起提供后勤支持，這是法國領導的反叛亂行動 "巴爾卡內行動 "的一部分。在烏克蘭，非武裝 UGV 也被用于傷員后送。照片顯示，俄羅斯軍方已經部署了全副武裝的 Uran-9 機器人坦克，以支援烏克蘭盧甘斯克地區的部隊。

無人機（UAV）、無人水面飛行器/船（USV）和無人水下飛行器/船（UUV）的發展為海軍提供了一系列新的能力。隨著技術的進步，無人系統的能力會越來越強，而且在大多數情況下會更加自主。在開發用于進攻的系統的同時，也需要開發用于防御的系統。隨著系統和行為體的擴散，防御敵方兵力將變得更加復雜。

本文將簡要討論海事領域無人系統的實例，并指出使用這些系統所固有的挑戰和問題。變化發生得如此之快，以至于本文只能提供這些系統的開發和使用情況的一個縮影。需要注意的是，本文總體上側重于大西洋/西方舞臺。

無人駕駛飛行器

在過去的 20-25 年里，無人駕駛飛行器 (UAV) 被開發、改造并用于軍事用途。無人駕駛飛行器/系統（UAV/UAS）--有些人稱之為無人機--曾經是簡單的偵察工具，現在已被用于一系列復雜的軍事用途。美國武裝系統，如 "捕食者 "和 "收割者 "無人機，在阿富汗和伊拉克（以及巴基斯坦和索馬里）的使用表明，軍事技術和無人系統的使用發生了真正的轉變。

鑒于西方國家/北約最近卷入的沖突--即阿富汗、伊拉克和敘利亞--很少強調海上問題，因此大部分注意力都放在地面部隊和空軍使用無人機上也就不足為奇了。盡管如此，無人機對海上兵力的好處顯而易見。無人機可提高對海洋的感知能力，進行遠程監視，將態勢感知范圍擴大到艦載傳感器范圍之外，還可進行目標捕獲、空中預警、空中加油，還可用于補給和/或物資運輸。傳統上，這些功能需要從航母上起飛的飛機或以軍艦為基地的直升機來實現，但現在，無人機可以以更低的成本和更強的可持續性為艦船提供一些相同的優勢。

利用無人機進行反潛戰也成為可能。在反潛戰中，水面艦艇試圖在不傷害艦艇和船員的情況下探測和跟蹤潛艇。這包括從艦艇聲納以及聲納浮標（可探測水下聲音并傳送相關信息的浮標）和飛機（加拿大通常使用直升機）操作的浸入式聲納收集信息。有跡象表明，正在設計無人駕駛飛行器，以便利用直徑較小的電纜進行聲納浸入，這將減輕有人駕駛飛機的任務。

除了增加監視范圍、擴大戰艦航程和承擔與反潛戰有關的任務外，無人機還能為海軍帶來其他好處。無人機能力可以廣泛分散到整個艦隊。不再是只有大型艦艇才能具備航空能力--小型艦艇可以攜帶輕型無人機，大型艦艇可以攜帶大型無人機（或許多小型系統）。系統的多樣性意味著一些戰艦可以搭載多個系統，而且這些系統可以同時向多個方向發射。在作戰情況下，這種改進的戰術畫面有助于確保有效的防御。

迄今為止，尚未討論過使用無人機作為武器的問題。雖然加拿大皇家海軍/加拿大沒有使用武裝無人機，但其他國家卻在使用。無人機正在成為沖突中的有力資產，未來將變得更加有力。本文僅探討具有海上因素的用途，但即便如此，還是可以很容易地找到最近在這種環境中使用無人機的例子。例如，在烏克蘭沖突中，無人機被用于破壞俄羅斯黑海艦隊總部和克里米亞的一個海軍基地。根據情報報告，這些襲擊導致俄羅斯海軍將其潛艇從克里米亞遷至俄羅斯新羅西斯克基地。除襲擊俄羅斯海軍基地外，烏克蘭還使用土耳其中空長航時無人戰斗機（Bayraktar）幫助奪回蛇島，擊沉俄羅斯海軍巡邏艇，并可能在黑海艦隊旗艦 "莫斯科號"（RFS Moskva）被導彈擊中前分散其注意力。俄羅斯使用伊朗研發的 Shahed-136 無人機進行反擊，攻擊烏克蘭港口的目標（以及城市中的目標，但本文的重點是海上目標）。2021 年 4 月，作為 "超級蜂群 "項目的一部分，美國海軍在加利福尼亞附近海域進行了一次演習，摧毀了一艘使用無人機群進行模擬攻擊的水面艦艇，以說明這種攻擊是可能發生的，并制定了抵御這種攻擊的戰術。

2022 年 10 月，挪威海上石油平臺上的工人發現無人機在平臺周圍盤旋。2022 年 10 月，挪威海上石油平臺上的工人發現無人駕駛飛行器在平臺周圍盤旋，這引起了人們的擔憂，擔心這些無人駕駛飛行器可能被俄羅斯用來瞄準/破壞能源生產或運輸設施。為此，挪威部署了軍艦在海上平臺周圍巡邏。這說明了武裝無人機的另一面--既然可以武裝攻擊，就必須進行防御。因此，各國正在開發防御無人機攻擊的手段和培訓。例如，2022 年 10 月底，德國海軍的一艘護衛艦成功地利用艦載激光武器系統反擊了短距離和超短距離無人機。

無人水面航行器器/無人艦艇

與航空飛行器一樣，無人水面艦艇（USV）的相關技術也在迅速發展。與無人機一樣，無人水面艦艇也能為海軍艦隊帶來各種益處。它們已被用于水雷和反水雷行動、兵力和港口保護以及反恐/禁毒行動。USV 還可用于跟蹤和攻擊潛艇、進行監視以支持海上行動、繪制特定區域的 "生活模式圖"（以確定異常行為）以及進行兩棲攻擊。

USV 越來越多地用于防御攻擊的訓練演習。海軍艦艇，尤其是在港口或靠近海岸時，很容易受到小型快速爆炸艇（越來越多的無人駕駛船只）的攻擊。在這種情況下，識別威脅并做出反應的時間非常有限。為了解決這一問題，包括加拿大在內的許多國家的海軍都使用了模仿小型快速攻擊艇設計的 USV 來模擬攻擊并進行應對訓練。

關于 USV 的早期研究大多集中在排雷方面，因為排雷活動會給船只和人員帶來危險。如果 USV 可以進行排雷，那么將減少對傳統資產的威脅。這些系統已經取得了進展，一些國家已經開發或采用了這些系統。例如，2022 年 10 月初，英國國防部的 USV 演示成功展示了在蘇格蘭沿海的真實條件下（即不同深度、水流和潮汐流）以及在埋有類似地雷的模擬雷場中的自主獵雷技術。

USV 的另一個用途是巡邏。USV 可以持續巡邏和監測海洋入口，收集沿岸地區的活動數據。澳大利亞正在與工業界和智囊團探討將有人駕駛巡邏艇改裝為 USV 的可能性。澳大利亞奧斯特公司獲得了一艘退役的阿米代爾級巡邏艇，以開始自主和遙控系統的規劃、改裝、測試和評估。這是 "巡邏艇自主試驗"（PBAT）的一部分，該試驗旨在 "在巡邏艇上建立機器人、自動化和自主元素，提供概念驗證演示器，以便在未來為 RAN（澳大利亞皇家海軍）提供可選擇的乘員或自主操作"。

從也門和烏克蘭最近發生的事件中，可以看到 USV 正在如何加入戰斗序列。在也門內戰期間，攜帶炸藥的遙控船被廣泛用于攻擊沙特（或阿拉伯聯合酋長國）船只。例如，2017 年，一艘裝滿炸藥的無人艇在也門近海撞擊沙特護衛艦 Al-Madinah，造成兩名水手死亡，船只受損。

在烏克蘭戰爭中，USV 也曾亮相。2022 年 4 月，美國稱將向烏克蘭提供數量不明的 "無人駕駛海岸防御艦"。2022 年 9 月，國際媒體報道稱，克里米亞塞瓦斯托波爾俄羅斯海軍基地外的海岸線上沖出了一艘（可能是兩艘）簡易 USV，大小與皮劃艇差不多。(這艘船不是美國提供的那種。）船的照片顯示，這是一架由商用水上船只部件制成的水面無人機，可能裝有炸藥。它裝有照相機、紅外線傳感器、通信天線、船首傳感器和噴水推進器（類似于 Sea-Doo 的推進器）以提高速度。2022 年 10 月，類似的烏克蘭 USV（也有無人駕駛飛行器）再次對俄羅斯黑海艦隊發動襲擊，據說損壞了多艘艦船。這次襲擊的一個有趣之處是，其中一艘 USV 的視頻可以在網上觀看。

目前尚不清楚 9 月份發現的第一艘無人潛航器的去向，也不清楚它為什么會出現在岸上，但這是俄羅斯和烏克蘭戰爭中在黑海使用這種船只的第一個已知例子。正如第二起事件所示，該 USV 很可能被用于瞄準和/或攻擊（因為它很可能裝有炸藥）。鑒于這些 USV 非常低調，它們將是風險較低、隱蔽性較強的無人機替代品，因為它們可以在水中非常低的位置徘徊，以免被發現。俄羅斯宣布已經摧毀了最初的船只，這無疑是因為它攜帶了爆炸物，但第二次襲擊表明烏克蘭的武器庫中還有更多的 USV。

也門和烏克蘭并不是使用無人水面艦艇的唯一戰場。伊朗革命衛隊海軍已研制出快速水面攻擊艦，并可能已向也門胡塞武裝提供了 USV 及其使用培訓。但有趣的是，迄今為止，這些攻擊型 USV 往往是對載人船只的改裝，保留了駕駛員的位置，因此也可用于其他行動。這與在克里米亞發現的版本形成鮮明對比，后者專門設計為無人駕駛，其體積小、低調，很難被觀察和/或摧毀。

為了對抗伊朗的影響，美國海軍（USN）第五艦隊于 2021 年 9 月成立了一個無人系統和人工智能兵力特遣部隊，將新技術整合到美國海軍在中東地區的行動中。59 特遣部隊與地區合作伙伴合作，以巴林和約旦亞喀巴的行動中心為基地，將新的無人系統和人工智能（AI）整合到海上行動中。成立 59 號兵力的目的是收集和使用非保密系統，這簡化了調整收集方法和共享信息的過程。此外，與許多緩慢的采購系統不同，特遣部隊被賦予了嘗試不同無人系統和人工智能供應商的任務，并迅速將不同的平臺引入第五艦隊。據美國海軍中央司令部、美國第五艦隊和海上聯合部隊司令布拉德-庫珀中將稱，"目標是與合作伙伴共同運營一個分布式綜合系統網絡，以顯著擴大我們能看到多遠"。庫珀表示，"美國及其盟國希望在 2023 年夏季之前擁有一支由 100 艘無人水面艦艇組成的兵力，在從紅海到波斯灣的水域巡邏"。2022 年 1 月，作為第 22 次國際海上演習的一部分，來自 10 個國家的 50 多個無人系統舉行了一次大型無人海上演習。演習的目的是將這些無人潛航器連接起來，并形成統一的圖像--這兩點都取得了成功。

隨著各國紛紛開發新系統，這就提出了一個問題：海軍兵力如何能夠共同行動，最大限度地發揮系統的效能。因此，最近舉行了一些海軍演習，以演練與其他海軍系統的合作。在 2022 年 10 月 7 日為期一天的演習中，美國海軍（以及美國海岸警衛隊的一艘艦艇）和英國皇家海軍（RN）的艦艇在阿拉伯灣進行了一次名為 "幻影范圍 "的雙邊演習。這次演習的特點是使用無人系統--三艘 Saildrone Explorer USV--和人工智能來加強艦員和岸上操作人員的海上監測。在這次演習中，USV 上的傳感器能夠定位和識別水中的訓練輔助設備，并將可視化圖像傳送到指揮中心。2022 年 9 月，美國海軍和以色列還進行了另一次雙邊演習（"數字盾牌"），重點是利用無人系統提高海上感知等。在這次演習中，使用了 Devil Ray T-38 和 Saildrone Explorer USV。這些演習表明，各國都希望提高合作能力，有效利用這一新技術。這必須在多邊和雙邊基礎上進行。北約于 2018 年 10 月啟動了海上無人系統倡議，以促進在聯盟海軍行動中使用無人系統。北約也一直在為此進行演習。2022 年 9 月，北約舉行了兩次演習--"2022 年使用海上無人系統的機器人實驗和原型驗證演習"（REPMUS22）和 "2022 年動態信使演習"（DYMS22），以測試新型海上無人系統（MUS）的訓練、準備和互操作性。這些演習包括空中、水面和水下資產。動態信使號 "是 "北約第一次全面的作戰試驗演習，其具體重點是將無人系統納入海事領域，更具體地說是北約海上特遣艦隊"。

來自 16 個北約成員國的 18 艘艦船、48 臺無人機和 1,500 多名人員參加了演習。北約的兩個海軍常備小組以及私營部門和學術界的代表都參與了這項活動。

美國啟動了一個非常有趣的 USV 項目。在 "無需人員操作的船舶"（NOMARS）計劃中，美國國防部高級研究計劃局（DARPA）與工業界合作，正在研究一種全新的船舶設計，即 "潔凈表方法"。他們在設計船舶時假定船上永遠不會有人類。這意味著所有與人類相關的設計要求都可以取消，例如，沒有空氣、沒有生活空間、沒有食物準備或儲存空間等，這在歷史上還是第一次。然而，隨之而來的是維護問題。如果沒有船員進行維護，就需要重新考慮飛船的 "發電、推進、機械陣容和控制方案，以確保在各種天氣、溫度和海況下執行長期任務時的持續功能"。這些飛船--原型名為 "Defiant"--將需要冗余、模塊化和分布式混合發電。該計劃為建造截然不同的戰艦提供了可能。我們的想法是想象、設計并展示一艘完全無人駕駛的戰艦，它可以說明性能和能力的提高，可以與有人駕駛的戰艦并肩作戰，也可以單獨作戰。

無人駕駛水下航行器/無人潛艇

無人潛航器（UUV）是最新開發的無人系統--不過需要指出的是，一些民用機構多年來一直在使用遙控無人潛航器。這些系統的技術難度很大，特別是有效的通信具有挑戰性，但又必不可少。需要注意的是，由于各國都在尋求開發既能在水面又能在水下運行的系統，因此可能與 USV 技術有一些重疊。例如，英國皇家海軍/皇家海軍陸戰隊正在為海上突擊行動尋找一種無裝甲水面和水下航行器（USSV）原型。據稱，他們需要的是一種能在部署時從水面轉換到水下的船只，以便將貨物/補給運送到前沿基地、偏遠島嶼或危險環境中，從而減少對載人運輸的威脅。

盡管存在技術上的困難，UUV 的發展和應用仍然十分迅速。它們開始用于執行各種任務。美國海軍的 "無人潛航器（UUV）總體規劃 "確定了以下任務：

• 情報、監視和偵察
• 反水雷
• 反潛戰
• 檢查/識別；
• 海洋學；
• 通信/導航網絡節點；
• 有效載荷投送；
• 信息戰；以及
• 時間緊迫的打擊。

除這些任務外，UUV 在最近幾個月還發揮了一個新的作用--監測和保護水下基礎設施，以保護國家安全。2022 年 9 月，波羅的海海底的 "北溪 "管道遭到破壞，中斷了從俄羅斯到西歐的天然氣輸送（此前已因政治原因中斷）。雖然誰干的、怎么干的等問題還沒有公開答案，但這一事件加劇了人們對海底基礎設施易受攻擊的擔憂。各國正在努力開發監測和保護海底通信電纜的方法。例如，法國海軍于 2022 年 10 月首次使用 UUV（"HUGIN Superior "深海水下無人機）開展行動，作為其探索性海底控制能力的一部分。

目前已開始采用可定位、跟蹤、識別、瞄準和摧毀敵方潛艇或水雷的 UUV。一些無人潛航器已研制成功，可從潛艇上發射。(到目前為止，UUV 可以從潛艇上發射，但其回收工作仍在進行中）。具有諷刺意味的是，防御型 UUV 是對抗 UUV 攻擊群的必要手段。潛艇的設計目的是與其他潛艇或其他大型資產交戰，它們無法消耗有限的魚雷來對付小型但可能致命的 UUV。此外，潛艇往往沒有近防武器，這使其容易受到小型 UUV 的攻擊。因此，有可能需要發射一次性攔截型 UUV 來防御潛艇，或許可以誘導來襲的魚雷和/或摧毀它們。

與航空和水面系統一樣，隨著技術的發展，正在生產多種類型和尺寸的 UUV。美國海軍 UUV 總體規劃將其分為四個級別：

1.便攜式：排水量 25-100 磅；續航時間 10-20 小時；由小型水上船只手動發射（如 Mk 18 Mod 1 劍魚 UUV）；

2.輕型：排水量 500 磅以下；續航時間 20-40 小時；從使用發射-回轉系統的 RHIB 上發射，或從水面艦艇上用起重機發射（例如，Mk 18 Mod 2 Kingfish UUV）；

3.重量級：排水量最大 3,000 磅；續航時間 40-80 小時；從潛艇發射；

4.大型：排水量達 10 長噸；由水面艦艇和潛艇發射。

為了說明目前正在開發的 UUV 的尺寸，俄羅斯開發了一種重約 100 公噸的 UUV，稱為 "海神狀態 6 "或 "末日魚雷"，這是一種自主的核動力 UUV，能夠投送常規和核有效載荷。其他國家也在迅速開發和采用各種規模的 UUV。例如，美國海軍已經部署了 "剃刀背"（Razorback）中型 UUV 的早期型號，并正在采購升級型號。此外，美國海軍正在開發五種機器人超大型無人潛航器（XLUUV），可在海底布雷，并防止敵人進入水道和海岸。

雖然出現過延期和成本增加的情況，但所有這些 XLUUV 都計劃于 2024 年完成。2022 年 9 月，英國宣布皇家海軍已獲得三艘新型 REMUS 100 UUV。最后一個例子是，波蘭將在其正在建造的 Kormoran II 級獵雷艦上配備無人水下能力，以協助在波羅的海和北海執行海底搜索和勘測任務。

有關無人駕駛系統的考慮因素

在開發和采用大多數新的軍事用途系統的過程中，有許多固有的考慮因素和挑戰，無人駕駛技術也是如此。首先，也許最重要的考慮因素是，在不久的將來，這些系統將從簡單的無人駕駛變為自主系統，事實上，正如前面提到的幾個例子所表明的，一些自主系統已經投入使用。兩者之間的差別非常明顯--請看美國在伊拉克和阿富汗行動期間進行的 "捕食者 "無人機襲擊。當時，這些無人機是由坐在美國空軍基地的人操作的。操作員可以通過 "捕食者 "的攝像頭實時觀察一個人或一個地方。準備就緒后，作戰員按下按鈕向目標開火。雖然無人駕駛系統在類別上存在差異，但無人駕駛系統就像這個例子一樣--有一個操作員在控制，實時發出指令。而自主系統一般都預先編好程序，以執行特定任務。一旦編好程序，它就可以繼續運行，而無需有人對其進行遠程控制。(美國海軍多年來一直在研究無人自主艦艇，中國和俄羅斯也是如此，并且都取得了重大進展。例如，2019 年初，美國海軍 40.2 米（132 英尺）長的中排水量無人水面艦艇（MDUSV）"海上獵人 "號（Sea Hunter）成為第一艘從圣迭戈到夏威夷珍珠港往返自主航行的船只。除了護航船上的人員短暫登船檢查電氣和推進系統外，船上沒有一名船員。

與增強自主性相關的是對錯誤或故障責任的法律和道德擔憂。如果自主系統出錯導致人員死亡，或者 USV 撞沉民用船只，那么責任/罪責和賠償責任的界限并不明確。如下文所述，這說明有必要制定有關使用自主系統的政策和法律。

其次，西方國家的海軍都面臨人員短缺的問題，而使用無人艦艇有可能解決這一問題。從長遠來看，無人系統有可能取代配備船員的軍艦。美國的 NOMARS 計劃就是在這條道路上邁出的重要一步。

第三，話雖如此，但必須指出的是，"無人/無船員 "技術并不意味著沒有人員參與。無人系統需要一組人員來操作、發射/回收和維護。系統本身可能是無人駕駛的，但它們有與之相配套的大量支持團隊。負責操作和維護這些系統的人員所需的技能組合與軍艦上的普通船員不同，即這些系統是技術性極強的資產，船員需要精通電子、計算機軟件和硬件以及賽博安全。此外，在勞動力市場緊張的情況下，招聘具有操作和維護系統技能的人員將是一項挑戰。

或者，這些系統可以而且通常由制造這些系統的公司進行維護。但這意味著，如果系統由制造商維護，軍艦（和海軍基地）將需要為工業代表提供住宿。除了住宿和外包成本外，人們還對在作戰中使用合同服務供應商提出了質疑。這些問題始于美國在伊拉克開始將重要資產（以及其他服務）的維護外包。例如，有人質疑工人的忠誠度（對所服務的國家還是對雇傭他們的公司），有人質疑公司員工是否愿意在戰區服役，有人質疑戰爭法對非國家行為者的適用性，有人質疑如果出了問題應承擔的責任，等等。

第四，根據系統的不同，使用無人駕駛系統可能會節省成本。這可能體現在幾個方面。首先，根據其大小和復雜程度，購買價格可能比其他資產低得多。因此，一艘軍艦部署多架小型無人機的價格可能只是一架直升機的價格。其次，另一項成本節約可能是人的生命。在某些情況下使用無人系統可以減少人員傷亡。如果使用無人系統，即使系統沉沒、墜毀或被擊落，人員也不會有任何危險。第三個考慮因素是與人員相關的財務成本。人員成本很高--對加拿大來說，這些成本占國防預算的主要部分--因此，減少人員意味著減少工資、養老金和福利的成本。但需要注意的是，無人系統的成本并不總是很低，例如，2019 年 6 月被伊朗擊落的美國海軍 "全球鷹 "無人偵察機的成本就超過了一架基本的 F-35 戰斗機。此外，美國 XLUUV 的成本也一直存在爭議，據估計，5 架 XLUUV 的成本為 6.21 億美元。

第五，雖然降低成本在理論上聽起來不錯，但也有不利之處。正如最近所見，俄羅斯使用成群的無人機攻擊烏克蘭的城市。據傳，俄羅斯購買了數千架伊朗無人機用于烏克蘭戰爭，因為每架無人機的價格僅約（2 萬美元），比普通軍用導彈便宜得多。這里的關鍵是，如果這些系統的價格相對低廉，那么不僅強國的軍隊買得起，小國也買得起。小國可能買不起戰斗機或潛艇，但它可能買得起致命的無人駕駛系統。這些系統可能無法產生單個大型武器的效果，但它們同樣可以造成殺傷和破壞。此外，如果價格低廉，叛亂團體、犯罪組織和恐怖分子等非國家行為者也將買得起這些系統。這將增加威脅行為者的數量。現在，兵力不僅要保護自己不受其他國家兵力的攻擊，還要保護自己不受任何有能力購買、武裝和操作無人系統的個人或組織的攻擊。

第六，根據部署船只的不同，在為大型無人系統尋找存儲空間時可能會遇到困難。一些大型無人機的機翼或槳葉可以折疊，因此可以容納在現有的機庫中，但其他無人機則不然。與大多數技術一樣，這些系統不能暴露在鹽水和鹽氣中，因此必須找個地方存放，以避免系統受損。

第七，將這些系統生成的數據與艦艇作戰管理系統和其他來源的數據進行整合可能會遇到困難。這些新系統善于收集數據，但如果無法訪問這些數據，它們就沒有什么用處。如果一個系統擁有先進技術（無人機/無人潛航器/無人潛航器），而另一個傳統系統沒有，則很難整合數據。必須有一種方法來收集數據、傳輸數據和分析數據。這意味著各國海軍將面臨越來越大的壓力，需要更新艦載系統并利用最新的數據分析技術來處理傳入的傳感器數據。我們很可能會看到各國海軍正在努力采用人工智能系統來分析數據。

第八，隨著各國海軍開發自己的系統，盟國和/或友邦在確保其系統的兼容性和互操作性方面將面臨越來越多的挑戰。無人系統不僅必須與本國艦艇通信，還必須相互通信，并與其他盟國/友好國家的系統通信。因此，如前所述，在西方，我們已經看到北約正在增加這方面的演習。當然，隨之而來的是對系統安全性的擔憂。這些系統依賴于復雜的計算機程序，因此需要輔以額外的網絡安全措施來防止黑客攻擊。有許多船只的 GPS 導航系統被欺騙，即坐標被篡改，確保這種情況不會發生在無人/自主系統上至關重要。

第九，隨著越來越多的無人技術被海軍--甚至所有軍種--采用，各國將需要就如何使用、在何處使用以及為何使用制定政策方針。需要與工業界、學術界以及各國政府合作，制定作戰概念和條令，推動將這些系統納入作戰行動。同樣，聯盟也需要制定共同的政策，并在采用這些系統時制定相關的國際規則。這種技術將對戰爭產生影響，而在過去，對戰爭行為有重大影響的技術的發展導致了有關技術使用和開發的國際協議--例如 1899 年和 1907 年的《海牙公約》以及《核不擴散條約》。

第十，隨著這些系統的擴散，其使用將使現有民用和軍用能力的運作復雜化。無人機如何避開民用飛機？空中交通管制員能否確保飛抵民用機場的噴氣式飛機與在附近發射的軍用無人機之間不會發生沖突？換句話說，將如何進行空中交通管理？如何消除水下船只的沖突？目前有一套水域空間管理系統，如果友好國家的潛艇在當地水域，各國可以知道它們的位置。這是為了避免碰撞。UUV 將如何與潛艇解除沖突？或者說，UUV 和 USV 是否有足夠先進的系統來避免碰撞？這些問題都需要認真考慮。

結論

本文僅簡要介紹了無人駕駛系統的發展情況。在空中、水面和水下等所有環境中，變化都在迅速發生。幾乎每天都有新的發展。這里重要的不是無人資產的具體細節，而是它們如何影響海軍兵力的結構和使用。在結構方面，這些系統已經導致了海軍兵力的一些組織變化。例如，2022 年 10 月，韓國宣布其海軍總部將進行重組，其三個編號艦隊將被海上無人兵力司令部取代。該司令部將由無人水面艦艇編隊、無人水下航行器編隊和無人機編隊組成。其他國家也需要考慮改變其組織結構。這些系統可能會支持更多分布式艦隊的呼吁--即許多小型資產相對于少量大型資產。

變化還不止于此。這些系統不僅會影響艦隊資產和海軍的組織結構，還會影響采購、人員和培訓。它們將影響預算。美國海軍提出的 2023 財年預算要求為大型和中型 USV 使能技術提供 5.493 億美元的研發資金，為 UUV 提供 6070 萬美元的額外資金。這些數字將繼續增長。據估計，到 2030 年，僅 UUV 的銷售額就將從目前的 40 億美元增長 150%。

在使用方面，這些系統正在迅速進入海軍的戰斗序列，這將影響戰斗的方式。海軍兵力面臨的一系列威脅有所增加。敵人的戰艦、導彈、魚雷、海盜和犯罪分子依然存在，但現在又多了一個大雜燴，不友好的行為者可以利用這些系統來威脅海軍兵力。

這些系統將繼續存在。隨著時間的推移，它們將變得更加復雜，更加無處不在。海軍如何采用和應對這些系統將決定未來的海戰。

如果實施得當，有人-無人編隊（MUM-T）可以在協調任務中優化高價值的有人飛行器與消耗性的、相對廉價的無人飛行器資源。這使人類操作員和機組人員能夠專注于最敏感、最復雜的任務，同時限制他們暴露于危險環境。即使是簡單的無人飛行器，其傳感器和通信能力也能增強有人飛行器駕駛員的態勢感知能力和覆蓋范圍；然而，在已經過度緊張的環境中，控制、監測這些額外的飛行器并避免與之發生碰撞也會迅速增加駕駛員的工作量。本文討論了將 MUM-T 行動引入海上環境所面臨的挑戰，并對這種環境下的團隊結構、行動和設備提出了修改建議。根據與專業海上試飛員的訪談和相關作戰員出版物，將德國陸軍航空兵的 MUM-T 計劃的實驗設置和結果與海上需求和可用資產進行了比較。無人機在海上 MUM-T 行動中的預期作用包括情報收集、超視距目標定位和通信中繼。先前的研究和測試結果表明，鑒于其當前的能力和技術，海事人員從 MUM-T 行動中受益甚微。要在海上任務中進行適當的資源管理，就必須為有人資產提供更先進的顯示器、為無人資產提供先進的自主性和穩健性、修改作戰概念以及改進遠程通信方法。特別是，各小組應要求基于任務的無人機控制、不受天氣影響的可靠自主飛行器和 TLD 數據鏈路系統（如 Link 16）。

1 引言

在中東地區開展了數十年的陸基行動之后，最近的政治和人道主義危機發展開始將注意力越來越多地轉向海上領域。俄羅斯在烏克蘭半島和世界極地的挑釁行為，以及 "阿拉伯之春 "和敘利亞內戰引發的持續不斷的移民危機，已將任務分散到多個行動區域--通常包括歐洲及其鄰國的海岸線和水域。這些新的行動區暴露了北約（尤其是歐洲）海軍組織在現有資金、資產和能力方面的嚴重缺口。

德國等國已經采取了應對措施，在 2019 年將軍費開支增加了 10%，并設定了到 2030 年代初北約會費占 GDP 2% 的目標，作為 "行動能力 "倡議的一部分。2019 年美國海軍預算以及德國海軍的出版物都表明，他們對加強海上行動無人系統的研究和采購特別感興趣，將其作為填補現有能力缺口的現代化解決方案。無人飛行器，尤其是與有人飛行器 "聯手 "時，有可能以相對低廉的價格收集關鍵的任務數據，同時大幅減少物理足跡，縮短產品采購周期，降低飛行員和其他高價值資產的風險。

然而，要將新技術或新方法引入高負荷工作環境，需要對其安全性、可靠性和人為因素等方面與其功能和能力所帶來的附加效益進行仔細評估。如果不對飛行器設計、機組人員培訓和作戰概念（CONOPS）進行適當修改，無人機等資產--尤其是未經認證的商用現貨（COTS）變體--很快就會成為執行任務的負擔，而作戰概念最好是根據有代表性的任務場景來制定。

從歷史上看，美國和歐洲的 MUM-T 研究一直由陸軍分支項目和資金推動，通常側重于從有人駕駛的陸軍直升機內部控制無人資產。這些項目包括 AMUST-D（美國陸軍）和 MiDEA（ESG 和 BAAINBw）。空中客車直升機公司（Airbus Helicopters）和施貝爾先進技術公司（Schiebel Advanced Technologies）也在研究如何將 MUM-T 應用于警務行動--同樣，主要側重于陸基車輛和任務。

根據北約工業咨詢小組 (NIAG) 第 227 研究組的目標，這些項目集中式提高了機載無人機操作員與無人駕駛車輛之間的交互水平 (LOI)，最近的目標是到 2025 年將無人駕駛系統的自主水平 (ALFUS) 評定為 3-5 級，到 2045 年達到 6-8 級。ALFUS 等級的定義見圖 1。

通過減輕機組人員的工作量和提高飛行器的可靠性，即使是未經認證的飛行器也可在視線范圍外（BLOS）、人員附近和日益復雜的任務中運行。

圖 1. ALFUS：無人駕駛系統的自主級別。

雖然從美國和德國陸軍項目中開發的新能力和獲得的知識對許多其他陸基 MUM-T 用戶有用，但任務要求和可用資產不一定與海軍任務和環境相關；因此，它們的研究結果不能立即推廣，必須進一步研究。

本文主要以德國海軍為例，概述了即將開展的海上 MUM-T 行動的當前愿景和預期挑戰。本文討論了共同海上任務的相關要素，并根據陸軍方面的 MUM-T 飛行測試結果進行了評估。對德國兵力的海上測試和陸軍測試飛行員的訪談提供了更多的視角。這些信息旨在深入探討歐洲海軍作戰人員的思維模式，為有意參與即將到來的新型海上無人飛行器項目浪潮的工業界和學術界提供清晰的思路。

2 海上作戰環境

"枯燥、骯臟和危險 "的任務在海事領域比比皆是，這為無人機在未來幾年進入這一新的作戰領域提供了大量機會。事實上，美國海軍指揮官已經為無人機在 MUM-T行動中指定了有用的任務：空中加油、超視距瞄準、增強態勢感知的 "情報、監視和偵察"（ISR）行動以及建立通信中繼站等。同樣，德國海軍也資助了一些新項目，重點是艦艇著陸能力和能夠執行 ISR、掃雷和目標指定任務的無人機。預計歐洲運營商在應對俄羅斯和人道主義危機時也會對美國海軍指定的其他任務感興趣。圖 2 舉例說明了使用多種類型系統的 MUM-T 掃雷行動。

圖 2. 未來 MUM-T 掃雷行動的概念圖。

海上任務通常涉及的任務區域大、出動時間長、執行任務的資產專業化--每項任務都相當獨立。環境條件往往十分惡劣，可提供的輔助人員較少，這就要求在典型的海上行動中，船員的工作量更大，自主性更高。顯然，人們還希望將無人水下航行器和無人水面艦艇納入任務行動中，從而形成一個由硬件和作用差異很大的有人和無人資產組成的復雜、異質的團隊。

與美國海軍相比，歐洲國家（尤其是德國海軍）的艦艇規模相對較小，可用飛機和其他載具較少，遠距離通信能力有限。在歐盟內部，只有法國擁有（一艘）現役的功能性航空母艦；英國計劃在 2021 年將伊麗莎白女王級航空母艦引入歐洲作戰；德國則沒有航空母艦。德國海軍主要使用護衛艦和輕型護衛艦執行任務，通常只派出一艘載有 1-2 架直升機的艦艇參加北約的多國任務。德國布倫瑞克級 K130 輕型護衛艦長 89 米，艦員約 65 人，本應成為世界上第一艘配備無人駕駛飛機用于偵察的海軍艦艇。雖然最初的項目因延誤和項目方向的改變而受到影響，但目前的采購和開發合同顯示，未來幾年仍有望在該平臺上建造更多的護衛艦并擴大無人機的使用范圍。圖 3 是 UMS Skeldar V200 準備在布倫瑞克級輕型護衛艦上進行艦載機著陸的假想圖。該圖代表了德國艦隊的近期愿景： 像 "斯凱爾達爾"（Skeldar）這樣的無人機被安裝在艦艇上并直接在艦艇上運行，能夠為數量減少的有人直升機提供支持。

圖 3. UMS Skeldar V200 無人機在一艘布倫瑞克級護衛艦正在航行時準備甲板著陸的假想圖。

由于德國艦艇幾乎只在北約范圍內執行任務，它們還必須不斷與其他國家的任務伙伴協調，而每個伙伴都擁有不同（有限）的車輛、船員和能力。目前，大多數任務和車輛都無法與陸基中央指揮部實時連接： 大多數飛機和艦船都無法使用衛星通信系統，因此車輛和船員可能會在較遠的距離上失去與任務伙伴的通信。因此，與美國海軍或北約陸基行動相比，歐洲海軍的海上任務需要更高的自我協調、車輛自主性和準備程度，而美國海軍或北約陸基行動通常都具備 SATCOM 和戰術數據鏈路 (TDL) 遠程能力。

在這樣的環境中運行的無人機還需要利用歐洲海軍的小型艦艇作為母基地，成功地進行艦載起降。這些著陸坪的環境十分復雜：它們是移動平臺，不斷受到艦船結構產生的不穩定氣流、洋流和船速的影響，以及根據海況產生的不可預測的搖擺運動的影響。預計船體表面會很滑，起飛和著陸的視覺參考可能僅限于當前的系統；船體表面不容易定制。使用額外的發射/回收系統（如網、軌道和手動發射）也是可行的，但也存在對飛機或人員造成損害的風險--尤其是在非良好天氣條件下。

海上條件經常包括鹽水噴霧、高濕度、陣風/大風、閃電，以及飛行器貼近水面飛行時無線電信號間歇或分散。雖然作戰人員肯定會試圖避免飛行器暴露在極端條件下，但天氣變化可能很快，而且無法保證無人駕駛飛行器能夠足夠快地返回保護區以避免某些暴露。天氣影響和海況對小型船舶的影響尤為明顯：船舶甲板離水面更近，船舶在較高海況下的移動會更加明顯。因此，用于歐洲海洋環境的無人機必須做好更充分的準備，以應對經常暴露在天氣中的情況，并為在較高海況下的船舶著陸/發射做好更充分的準備。

海洋的開放性和潛在目標的自由移動自然為海上行動提供了更大的任務區域。更大的任務范圍以及較少的船員/車輛資產導致系統中主動代理之間的距離大大增加。此外，無線電信號與海水的相互作用會導致某些角度的散射，當無人機在低空飛行時，這種影響會更加明顯。因此，無人機與直升機等操作人員之間可能會出現 BLOS 操作和信號丟失。

由于人力/車輛資源稀缺和工作環境復雜，與陸基機組人員相比，海上艦艇和直升機機組人員的工作量通常要大得多。考慮到北約任務的額外復雜性和較少的資源數量，歐洲海軍機組人員的工作量可能比美國海軍機組人員還要大。目前，即使在美國海軍的任務中，MUM-T 的 LOI 和 ALFUS 操作水平也遠遠落后于陸軍同行，原因就在于此：以 MQ-8 "火力偵察兵"（Fire Scout）為例，由于直升機上的數據鏈天線相對較弱，且監控/操作該無人機的任務過于繁重，因此必須首先通過艦艇機組人員進行任務和飛機數據傳輸。通過艦載系統工作會大大延遲與機載機組人員和其他任務伙伴的通信和知識傳遞，但更好的飛行器自主性和數據鏈能力可以大大改善這種狀況。

鑒于海事任務中存在多種挑戰性條件，必須在控制設計中納入特殊協議和指令，以便在沒有作戰員互動的情況下安全處理通信信號丟失和緊急情況。在某些情況下，必須包括經過驗證甚至認證的 "返回基地 "和 "斷電開關 "功能，以及相關的經過驗證/認證的硬件。可能還需要定義作戰區域或 "禁區"，以降低無人機造成意外傷害的總體風險，尤其是在車輛發生緊急情況時。這些要求將根據車輛、作戰員和作戰環境而有所不同。

雖然這些條件對當今許多無人機產品來說聽起來極具挑戰性（如果不是不可能的話），但民用和軍事當局已經認識到將無人機納入即將到來的任務中的明顯潛力--特別是在機載存儲空間和任務資源非常有限的海上任務中與有人駕駛飛機聯手時。鑒于美國、德國和其他歐洲國家海軍已經指定了無人機的角色，在不久的將來，無人機肯定會在聯合團隊中發揮關鍵作用。為了支持這一目標，歐盟的民事和軍事當局進一步承認，并非所有的飛行器都能完全通過認證，也并非所有的飛行器都能經受住所有不利條件的考驗；但是，新技術的設計和處理方式必須讓人們了解并降低風險。利用 "特定操作風險評估"（SORA）流程等方法，即使是未經認證的無人機，也可根據某些飛行器特性和任務特點被認為是 "可接受的"。該程序允許對任務和飛行器風險以及機組人員工作量進行估計、了解和接受（如適當），以便讓現代無人機發揮關鍵的新作用。

然而，要正確理解直接將這些新型無人機引入團隊的工作環境和相關風險，需要的不僅僅是對飛行器和任務的了解。更深入地了解有人駕駛飛機、艦艇機組人員和其他任務合作伙伴之間的互動，對于建立功能性團隊框架也至關重要。最近的陸基 MUM-T 試驗，如 2018 MiDEA 計劃，為指導未來的海上 MUM-T 研究和測試目標提供了一個有用的起點和背景知識。

3 陸基MUM-T飛行試驗

3.1 德國陸軍航空 MUM-T 項目背景

德國聯邦裝備、信息技術和在役支持辦公室 (BAAINBw) 和德國武裝部隊自 2007 年起開展了一系列 MUM-T 研究項目。這些研究的目的是隨著技術和方法的不斷發展，定期審查人類操作員在直升機內指揮和控制無人飛行器的能力。這些項目包括模擬和飛行測試，以確定將無人飛行器納入軍事行動（如人員救援任務）的要求。

如圖 4 所示，MiDEA MUM-T 系統本身主要關注兩個主題： 無人飛行器在載人直升機外的操作，以及低空作業時載人直升機與 VTOL-UAS 之間的通信。

2018 年進行的飛行測試旨在確定從有人駕駛平臺對無人駕駛飛機進行基于任務的半自動控制的成熟度。測試結果與 ALFUS 的目標評級進行了比較： 到 2025 年達到 3-5 級，到 2045 年達到 6-8 級--隨著自主能力的進步，最終實現 "無人僚機"。無人系統的操作規程和概念以德國陸軍航空兵為有人駕駛飛機規定的操作規程和概念為基礎。

圖 4. MiDEA - 系統簇。

3.2 MiDEA飛行試驗設計

飛行試驗活動使用了兩架飛機：有人任務航電試驗直升機（MAT）和無人任務航電試驗直升機（UMAT）。圖 5 所示的載人飛行任務航空電子設備測試直升機是在貝爾 UH-1D 的基礎上經過大量改裝的模塊化飛行任務航空電子設備測試直升機。圖 6 所示的 UMAT 是一種 150 千克重的垂直起降（VTOL）無人機，以 UMS Skeldar R-350 為基礎。

UMAT 可在不同的自動化程度下飛行，并為 MiDEA 進行了改裝，增加了安全功能和定制的實驗飛行能力。相關的靈活移動地面控制站（"FlexMobBKS "GCS）也如圖 6 所示，為無人機駕駛員指揮員和無人機有效載荷操作員提供工作站，并為無人機試飛工程師提供兩個工作站和觀察員空間。

圖 5. 用于 MiDEA MUM-T 測試的有人 "MAT "測試飛機在飛行中。

圖 6. 上圖：無人駕駛 "UMAT "試驗飛機。下圖：靈活的移動地面控制站。

UMAT 的實驗飛行員（EP）是德國陸軍航空兵試飛員，坐在右座。EP 被指定為任務指揮官，負責協調任務，并通過一套改進的多功能顯示器（MFD）監控 UMAT 數據。EP 側的多功能顯示器和控制裝置是為模擬 UH-"虎 "式駕駛艙而設計的，右側的多功能顯示器經過進一步改裝，可顯示 UMAT 傳感器視頻。一名安全飛行員（SP）坐在左側座位上，該座位配備了備用系統，包括傳統的 UH-1D 型多功能顯示器和控制裝置。與此同時，一名飛行測試工程師（FTE）通過一個名為 "空中移動無人機控制站"（AM UCS）的專用控制站，在 MAT 直升機機艙的右側座位上遠程操作 UMAT。另一名 FTE 從 MAT 機艙的左側座位觀察飛行任務。有關 MAT 安全概念的更多信息，請參閱參考文獻 5。為 MiDEA 計劃開發了幾個定制的 AM UCS 屏幕，包括顯示 UMAT 傳感器信息的 "有效載荷視頻 "屏幕和用于啟動任務命令的 "規劃概覽 "頁面。這些屏幕的示例分別如圖 7 和圖 8 所示。

圖 7. MAT 中的 UM UCS 控制臺：自定義 UMAT 有效載荷監控顯示示例。

圖 8. MAT 中的 UM UCS 控制臺：自定義 UMAT 規劃與控制顯示示例。

3.3 MiDEA 試驗結果

MiDEA 飛行試驗在位于德國曼青的聯邦國防軍飛機和航空設備技術中心（WTD 61）進行。飛行由德國武裝部隊操作，并得到了 ESG GmbH 和 UMS Skeldar AG 的支持。在為期兩周的測試過程中，進行了一系列編隊飛行 "會合"、"編隊飛行 "和 "分離 "機動，以及模擬著陸區（LZ）測定偵察飛行。MAT 和 UMAT 飛機在共同空域內運行，間隔距離低至 100 米。MUM-T 飛機的程序以德國陸軍航空兵載人直升機編隊飛行技術為基礎：UMAT 的任務控制以德國武裝部隊規定的程序為基礎，包括人機界面（HMI）要求和已知最佳實踐中的態勢感知（SA）管理。

在著陸區確定飛行中，UMAT 被用作前方偵察機，為載人直升機勘測飛行路徑和理想著陸區。載人飛機利用 UMAT 傳感器提供的實時視頻，遠程評估著陸區的狀況，并在飛近著陸區之前驗證其潛在風險。

這次飛行活動的結果表明，從總體上看，以 MiDEA 測試中可用的技術水平和資產類型，在 ALFUS 水平為 3-5 的情況下，MUM-T 成功運行是可能的。在不久的將來，隨著以下技術的進步，由多個無人系統和 "無人僚機 "概念組成的 6-8 級 ALFUS 是可能實現的：為任務指揮官提供增強型態勢感知顯示器、更成熟的基于任務的無人機遠程指揮系統、改進的自動錯誤檢測和處理，以及無人機本身的先進飛行器自主性。

某些任務條件也會大大提高或阻礙團隊的成功概率。縮短飛機之間的間隔距離可大大提高機組人員的舒適度，增強他們對態勢的感知能力，并減輕機組人員的工作量。飛行器本身的形狀也起到了幫助作用：UMAT 具有獨特的結構元素和顏色，使機組人員能夠看到位置和姿勢的微小變化。有了這些直接的視覺提示，機組人員對 UMAT 異常行為的預期反應時間、信任度和壓力水平都大大提高。不過，為了確保安全操作，可能需要進行一定程度的空間隔離--最有可能是垂直間隔。

對于近期的操作，有必要使用雙向無線電數據和任務指令傳輸，以及指揮官、GCS 人員和無人機操作員之間的無線電通信，配備專門的 GCS 和機載無人機操作員。對無人機下達簡單的任務指令、分析原始傳感器信息以及對無人機進行有限的故障/錯誤分析是無人機操作員近期內的現實工作--也可能通過平板電腦而不是 AM UCS 等完整的控制臺進行操作。

要長期發展到 ALFUS 6-8，配備多架無人飛行器和可能的無人僚機，將需要駕駛艙顯示人機界面集成以及更高水平的飛行器自主性和可靠性。無人飛行器能夠處理更高級別的抽象任務，并能自動排除故障，這將使機組人員能夠安全地將更多無人飛行器引入團隊。MiDEA 測試表明，除非 MUM-T 行動只使用一輛先進的無人飛行器，否則從長遠來看，仍然需要一名專門的無人飛行器操作員。

4 向海事MUM-T過渡

4.1 作戰員視角：訪談與討論

與現任和前任德國武裝部隊成員進行了超過 15 個小時的正式訪談和非正式討論，結合 MiDEA 的研究結果、海上行動的已知挑戰以及無人駕駛技術的最新進展，討論 MUM-T 行動即將向海上領域過渡的問題。訪談首先以書面問卷為指導，然后進行討論，包括一個 MUM-T 任務場景示例。

受訪者中有三位現役直升機（海上）試飛員，他們來自德國曼青的德國武裝部隊試驗空軍基地，擁有 2500 到 6000 小時不等的旋翼機飛行經驗。每位飛行員都參加過陸地和海上行動（包括在視覺環境退化的情況下），持有以下平臺的等級證書： UH-TIGER、NH90、CH53、MK-88、Sea Lynx、UH-1D 和 H-135。三名飛行員中有兩名親自參加了 2018 年 MiDEA MUM-T 測試，第三名曾擔任其他項目的海上測試飛行員。

第 1 部分： 問卷回復與討論

試飛員被要求使用相關任務任務要素（MTE）提供從艦艇上執行海上直升機任務的高層次概述。接下來，他們確定了哪些 MTE 在認知上有難度。這些 MTE 可以來自標準海事程序，如 ADS-33 PRF 和 HOSTAC 中描述的程序，也可以是定制的 MTE。參與者可根據需要使用紙筆繪制任何插圖。

第 2 部分：MUM-T 行動的海上 MTE

在第二部分中，要求飛行員確定在哪些海上任務階段或 MTE 中使用無人機可能更有利。他們被特別要求關注 "沉悶、骯臟或危險 "的任務環境，并確定最適合 MUM-T 行動的 MTE/任務階段。在他們回答之后，還要求對每種情景進行進一步敘述。

鑒于其中兩名飛行員直接參與了 2018 年陸基 MiDEA MUM 飛行測試，他們可以直接利用最近在這些演習中獲得的第一手知識和經驗。第三名飛行員擁有豐富的海軍直升機飛行經驗，也可以利用這些第一手飛行經驗。

4.2 作戰員訪談和討論結果

第 1 部分：問卷答復與討論

潛在的 MUM-T 任務

試飛員首先描述了載人直升機執行以下任務的情況：

1.海空搜救 (SAR)： 直升機搜索并營救遇險人員，將他們帶到海上的軍艦上。

2.人員和物資運輸： 如登上大型船只（如超級油輪）執行檢查、救援或船員保護任務。

3.反潛戰任務： 飛機在公海或沿海水域搜索和探測潛艇，并在必要時通知/保護船只或船隊。

鑒于他們在 MiDEA MUM-T 飛行試驗中的經驗以及現代無人機系統的能力，飛行員們支持在上述行動中使用無人系統的想法。他們特別指出，讓無人機執行偵察、制導、沖擊和支援任務具有潛在優勢。根據他們的經驗，無人機系統實際上可以從直升機或艦船操作中心進行遠程操作，只要必要的指令是基于任務層面的，這將使無人機既可以作為直升機中隊的一員參與，也可以充當直升機/艦船的接口，而不會很快使操作人員應接不暇。

搜索和救援、偵察和反潛戰任務為說明無人機在 MUM-T 中隊中的用途提供了簡單的例子，因為無人機如今已被用作飛行傳感器平臺。在最簡單的情況下，可以在有人駕駛平臺（如海軍直升機或 P-3C 獵戶座）的 "前方 "派出一架無人機（或一組無人機），作為前方偵察機，搜索距離直升機更遠、高度比固定翼飛機更低的潛艇、洄游船只或失蹤人員。這使有人駕駛飛機能夠在更長的時間內靠近友軍基地，遠離潛在威脅，從而顯著提高機組人員對態勢的感知能力，降低這些高價值資產在敵方火力、惡劣天氣和其他危險條件下的暴露程度。這也節省了飛行員的時間、注意力、燃料和其他資源，以備發現目標時使用。一組無人機以 MUM-T 方式工作，有可能更高效、更有效地執行搜索模式（以更低的高度、更慢的速度，并將數據傳輸回專門的操作員），從而為搜救任務贏得寶貴的時間，使有人駕駛飛機能夠直接飛往需要幫助的人身邊。

MUM-T 任務的挑戰和特殊考慮因素

飛行員們在詳細討論 MUM-T 中隊的擬議行動時指出，當前形勢將決定允許的最大/最小任務條件。需要考慮的任務條件包括天氣、海況、海上戰術形勢以及隊伍中的參與艦艇。這里的 "戰術情況 "是指 MUM-T 車輛資源的實際組織情況：即無人機先于有人駕駛飛機作為前方偵察機執行偵察任務，在機動過程中保持垂直間隔，和/或規定車輛從艦艇/基地出發/返回的發射/回收順序。

除了評估任務條件外，飛行員們還指出，可靠的通信和數據鏈路是與無人機合作執行精心協調的海上任務的首要考慮因素。目前，大多數 COTS 無人機使用視距（LOS）無線電數據鏈路技術發送/接收指令和數據；在未來的海上任務中，預計這些技術在資產之間的距離通常較遠的情況下性能不會很好，特別是考慮到無人機的飛行高度較低，而且還包括超視距行動。目前用于無人機的超視距（BLOS）技術和設備--通常使用額外的地面節點或天線來重復、散射和/或傳播 LOS 信號--在海面條件不可預測的公海上作用微乎其微，而且可能仍然無法到達遠處的無人機。目前，北約和歐洲的海上飛行器通常也無法使用衛星通信 (SATCOM) 或戰術數據鏈路 (TDL)；它們通過駕駛艙無線電進行語音通信，并依賴本地傳感器數據。如果無人機和其他 MUM-T 車輛之間沒有其他技術主動轉發信息，預計在許多任務中會丟失共享通信、傳感器數據和車輛位置。在陸地行動和一些海軍（如英國）中，"鏈路 16 "TLD 技術已成功地為偏遠地區的網絡化能力基礎設施奠定了基礎。Link 16 是一種廣泛使用的基于 TDMA 的高速、低頻（960-1215 MHz）數字數據鏈路，可實現安全、抗干擾的通信。雖然 Link 16 被大力推廣為 MUM-T 行動以及海上行動整體現代化的一項使能技術，但采用這種技術也并非易事：當前飛機天線的傳輸功率相對較低，而飛機航空電子設備的頻率（高頻和甚高頻）較高，因此無法立即兼容。不過，經過一些修改，這將有助于在整個海上任務中保持與無人機和其他 MUM-T 資產的連接。

第 2 部分：海事 MUM-T MTE

為無人機調整海上任務和機動并非易事。飛行員們深入討論了一個關鍵任務場景：將飛機回收到海軍艦艇上。

在 "艦船回收 "任務中，直升機從移動的艦船甲板上發射并回收。德國海軍直升機的標準 "回收任務 "基本上結合了 "Bob-up "和 "Bob-down "動作。如圖9和圖 10 所示，這可轉化為以下 MTE：

• MTE 1 - (1)： 在甲板旁盤旋、
• MTE 2 - (2)： 側、
• MTE 3 - (3)： 在甲板上精確懸停、
• MTE 4 - (4)： 在甲板上著陸。

圖 9. 回收任務方法： 側視圖。

圖 10. 回收任務方法： 自頂向下視圖。

這項任務的兩個主要關注領域是

1.根據載人平臺的現有程序，制定無人機從移動的船甲板發射/回收的動態要求和程序。

2.有人駕駛和無人駕駛飛行平臺在接近船甲板和從移動飛行甲板回收時的著陸優先順序。

飛行員指出，有人駕駛飛機任務要素和機動的標準規范不一定能立即應用于無人機系統平臺。標準程序和由此產生的 MTE 應考慮到每種無人機的獨特特性--種類繁多。例如，對于沒有非常復雜的自動著陸系統的自主無人機來說，替代發射和回收方法（以及專用硬件）可能更合適。除此之外，典型的無人飛行器體積小、重量輕，硬件設計明顯不夠堅固，缺乏飛行員互動，這些因素肯定會導致風、天氣、湍流氣流和著陸平臺的相對移動對飛機進行受控著陸的能力產生更明顯的影響。

修訂后的飛行階段、操縱和要求應特別考慮到控制系統引起的振蕩，并確保足夠的控制余量，以防止無人機系統失去穩定性。有鑒于此，對有人駕駛飛機動力學和控制及其相關 MTE 的明確要求無疑是開發無人機相關版本的堅實起點。

5 結果與討論

通過文獻檢索、對 MiDEA 飛行測試項目的評估，以及對德國武裝部隊現役和退役成員（包括海上和陸軍試飛員）的訪談，對海上 MUM-T 任務的預期機遇、挑戰和要求有了清晰的認識。

潛在的海上環境 MUM-T 任務確定如下：

1.情報、監視和偵察 (ISR)

無人機系統充當前方偵察兵/"忠實的無人僚機"，收集載人資產無法獲取的一般 ISR 數據，為前方的天氣和其他威脅 "掃清 "道路。

2.掃雷與反潛戰

無人機系統從低空收集潛在敵區上空的傳感器數據，以確保目標區域沒有水雷或潛艇。與 ISR 任務類似，只是在預定目標、傳感器和程序方面更加具體。

3.通信中繼

無人機系統在通信鏈中充當中繼器，幫助在偏遠地區建立臨時網絡。任務伙伴之間可以快速共享語音和數據通信，也可以共享中央/陸基指揮中心的語音和數據通信。

4.目標定位（包括超視距目標）

無人機系統為載人資產識別和指定目標--最終也會 "超越地平線"--以擴大團隊的覆蓋范圍，并允許載人/高價值資產留在更安全的位置。

5.海空搜救（SAR）

無人機系統協助搜尋失蹤人員/遇險人員，提供有關救援現場情況和人員狀況的進一步信息。對人員、船只和狀況的持續跟蹤，以及收集救援的視頻/靜態圖像，將使載人資產能夠準確評估救援要求和策略。

在海上任務中操作無人機系統面臨諸多挑戰，特別是對于無人機設計中通常使用的消費級硬件和電子設備而言。海上任務的任務區通常較大，在開放水域和沿海地區的持續時間較長，這就要求無人機系統具有更高的自主性、可靠性和耐用性。應假設無人機暴露在鹽、沙、濕氣、閃電和狂風中。海上艦艇，尤其是用于歐洲/北約任務的艦艇，其存儲空間和船員支持也相對有限，可能會遇到意想不到的惡劣天氣（無法輕易進入室內遮蔽），并且需要從移動的艦艇上發射、回收和存儲。在這種環境下開展 MUM-T 行動將面臨更多挑戰，并對無人機系統提出更高的要求：

1.失去與無人機/BLOS 操作的數據鏈接

MUM-T CONOPS、風險評估、培訓和任務規劃必須正確估計和考慮與無人機系統數據鏈路的丟失。未來，鏈路 16 和相關技術（如 "兵力追蹤"（BFT））可提供一種不間斷通信的方法；但是，目前在海上行動中使用的平臺上還沒有這種方法，也無法立即使用。

2.避免碰撞和自動程序

海上 MUM-T 將包括編隊飛行和其他近距離機動，尤其是在船甲板平臺內部和周圍。這就需要硬件和軟件（無人機系統以及有人駕駛飛機和艦船）來支持態勢感知、飛行器分離（如高度偏移）、避免碰撞/障礙以及整體安全/可靠的無人機控制系統。

3.機組人員工作量大/需要基于任務的自主性

在任務中增加新的任務、車輛或技術之前，必須考慮 MUM-T 機組人員的工作量。海事人員通常在高工作量條件下工作；因此，無人機不應需要持續的遠程控制：任務級自主（包括起飛、著陸、故障處理和應對緊急情況）將是必要的。

6 結論

包括分布在廣闊任務區的多種無人資產在內的異質 MUM-T 兵力對 MUM-T 行動構成了特別困難的挑戰，因為如果沒有適當水平的飛行器自主性和可靠性，無人機操作員很快就會不堪重負。飛行器的設計必須相對堅固，以應對咸水上空的惡劣天氣條件：由于任務區面積大，海軍艦艇及其船員地處偏遠，可能需要增加續航時間、航程、可靠性/自主性、改進遠程通信、艦艇起飛/著陸能力和耐腐蝕性。

盡管具有挑戰性，但在海上任務中使用相對消耗性的無人機是一種強烈渴望的能力，有可能在不增加歐洲海軍預算的情況下使其現代化。適當整合和使用無人機（主要作為攜帶傳感器的偵察機）可大大提高團隊安全高效地執行任務的能力： 無人機可以被派往更接近危險天氣條件的地方，監視沖突地區，并在廣闊的海域上空長時間作業。這些信息將使團隊能夠為即將到來的情況做好更充分的準備--節省他們的時間、注意力和精力，以執行高負荷的復雜任務。

根據目前無人機和艦載車輛的能力和技術，MiDEA 的研究結果表明，海事人員從目前的 MUM-T 操作中獲益甚微--除了最簡單的任務外，他們在管理無人資產時可能會遇到更高的工作量。團隊需要更先進的顯示器、無人飛行器可靠的自主性以及更多的機組人員協調/培訓，才能在這樣的團隊中成功執行大多數海上行動。

然而，更具創新性的基于任務的無人飛行器控制設計，再加上可靠、堅固的飛行器設計，顯示出在海上 MUM-T 任務中使用的真正潛力。MiDEA 測試結果表明，隨著飛行器自主性和可靠性的提高，以及機載操作、監控和通信系統的日益完善，機組人員的工作量可能會真正減少，并開始建立對無人任務合作伙伴的信任。隨著技術的不斷進步，這一趨勢將持續下去，越來越復雜的任務也將切實融入 MUM-T 元素。

前期工作

本文借鑒了與 ESG 內部研究課題相關的工作成果，這些成果大部分尚未公開發表。此外，還參考了 BAAINBw 和德國武裝部隊研發項目的公開資料，參與人員由 ESG、聯邦國防軍飛機和航空裝備技術中心 (WTD61) 和 UMS Skeldar AG 提供。本文的撰寫獨立于 MiDEA 項目，討論的主題超出了該項目目前的范圍：進一步的背景研究、數據分析和個人訪談將主題擴展到包括海上因素在內的先前陸基測試結果。

大數據是當今媒體和政府討論的主題。當大數據與人工智能相結合時，它被描述為一個 "簡易按鈕"，可以減少人類的分析負擔。一些人認為這是對秩序的潛在威脅，而另一些人則認為這是在大肆炒作，卻鮮有驚天動地的成果。什么是大數據，為什么它對情報界（IC）和聯合軍事行動的未來至關重要？

在這篇文章中，作者認為，信息革命通過大幅增加情報采集器的數量和種類，從根本上改變了情報工作。基于采集器創建了一個由分析師和機器組成的全球網絡，促進了數據和信息的快速共享。這一網絡也使作戰人員希望更快、更切合行動需要地評估威脅和目標定位的機會。此外，它還通過在賽博領域創建新的權力和收集中心重塑了威脅環境——在這里，對手可以招募成員、策劃打擊，并通過在線集體利用有命令的和受啟發的攻擊。在當前人力和資源有限的環境下，再加上這些因素，需要制定新的戰略來規劃和執行情報、監視和偵察（ISR）行動，并在組織、培訓和裝備分析人員方面進行投資，使其具備在現代信息環境中取得成功的工具。從概念上講，大數據是這一環境的核心，它將推動了解未來如何收集、組織和分析數據、信息和情報。

撥開迷霧——什么是大數據？

顧名思義，大數據歸根結底就是收集、存儲和處理大量數據和信息。情報分析師很快就會指出，收集和存儲大量信息并不是什么新鮮事，幾個世紀以來，這一直是情報實體的核心目的。非軍事分析人員會定期對大量數據進行分類，根據數以萬計的跨多個變量的案例觀察結果，對復雜的問題集進行定量評估。那么，是什么讓大數據變得與眾不同？這個短語最早出現在 2000 年代初，當時行業分析師 Doug Laney 將大數據定義為有別于以往模式的三個主要因素，稱為 "三個 V"：

• 規模性：信息時代使數據和信息的獲取和存儲成為可能，這些數據和信息可以在前所未有的規模上進行保存、定期訪問和分析。以前用于分析的大多數數據庫可包含在一個數據庫（如 Microsoft Excel 數據庫）中，行數從幾行到幾萬行不等。大數據可收集數百萬至數十億個數據點。

• 高速性：以前所未有的速度獲取大量數據和信息，必須及時處理。例如，Twitter 在 2013 年每天收到 5 億條更新（推文）；每條推文構成一個信息數據點。

• 多樣性：數據和信息的格式多種多樣，來源各異。

過去，需要信息的分析師或實體可以決定收集的內容和存儲的方式，但如今，由于數據量大、速度快，有必要建立系統來管理和整合以各種形式獲取的數據；從圖像到 Twitter 或 Facebook 條目，再到對話或演講的副本。隨著對大數據認識的加深，當今許多學者在這三個維度的基礎上增加了其他維度，如可變性和復雜性。在美國空軍和其他機構中，在此基礎上增加了第四個 "V"：

• 真實性： 大數據可訪問的數據量大、速度快、種類多，其中包括大量噪音和與問題集無關的數據。這可能會造成數據分析異常，并在選擇哪些數據重要以及如何分析這些數據時產生分析偏差。大數據戰略必須包括保持數據 "清潔 "的流程和對大數據工作危害的分析意識。

大數據出現后，一個新詞--大數據分析--開始流行。這些術語經常被交替使用，但卻代表了同一事物的兩個不同側面。大數據代表了一種快速編譯、存儲和訪問大量數據和信息的流程，這些數據和信息來源眾多，結構各異。大數據分析代表的是能夠將大數據轉化為洞察力的工具、技術和流程--從作戰環境的情報準備到威脅預警，從預測性作戰空間感知到目標選擇。這些洞察力反過來又影響著從戰略威懾行動到近實時（NRT）戰術交戰等各種軍事和外交行動的決策。

關于大數據潛力與炒作的爭論主要源于對大數據和大數據分析的誤解。大數據的“啦啦隊”歷來對大數據有四種令人興奮的說法，但這些說法充其量不過是樂觀的過度簡化：（1）數據分析產生的結果準確無誤；（2）無需抽樣，因為大數據允許捕捉所有可能的數據點；（3）大數據中的高度相關性使得關于因果關系的定性辯論成為過眼云煙；以及（4）統計模型同樣無關緊要，因為 "數據自己會說話"。事實上，大數據并沒有消除數據收集和數據分析中的傳統挑戰，但它確實從根本上改變了出現問題的地點和方式。主要的挑戰源于最后的說法：數據永遠不會為自己說話。收集、組織和處理數據的方式決定了數據向用戶傳遞的信息。復雜的算法執行了其中的許多功能，從而實現了大數據分析，但這些算法，即使在機器學習的幫助下，也必須由人類編程，并為回答預先指定的問題而量身定制。這意味著大數據在收集、顯示和分析過程中仍會出現偏差，分析人員必須對此有清醒的認識。大數據使數據點的訪問量呈指數級增長，從而有助于從更多的數據點進行更快的分析，但糟糕的大數據分析也會帶來糟糕的分析。

大數據如何重塑情報

在大數據的四個 "V "中，分析人員直到最近還主要面對第一個和第三個 "V"，但規模較小，更易于管理。收集的速度、國家行為者構成的威脅的相對一致性，以及按照情報學科生產線（INTs--信號情報[SIGINT]、地理空間情報[GEOINT]、圖像情報[IMINT]、人類情報[HUMINT]、開放源情報[OSINT]以及測量和信號情報[MASINT]）進行的分析和分割，使得能夠將工作劃分為獨立的數據問題，由專家對其進行分塊分析，并通過將各組成部分結合起來得出所有源情報答案。

信息革命對美國空軍情報核心能力（收集、分析、目標定位和整合）的影響首先集中在收集方面，其次是威脅分析和目標定位分析（見圖 1）。可用的收集器和傳感器急劇增加，全球一體化的 ISR 實現了 NRT 利用。與此同時，作戰需求也將威脅分析和目標定位分析轉向 NRT，以深入對手的 OODA 循環。在資源緊張的時代，近期內幾乎沒有大幅增加人力的跡象，要改變情報生產以滿足當今的作戰需求，不太可能通過進一步革新收集或分析來實現。如今，即使在國家情報局內部，數據和信息收集的數量、速度和種類也已增長到這樣一個地步：如果沒有計算機程序和自動化流程的幫助，分析人員再也無法對收集到的所有信息進行充分篩選，甚至無法對其進行存儲，更不用說分析了。此外，賽博時代的到來改變了從公開來源收集信息的性質，使開源分析從一種輔助分析的信息源發展成為一門真正的情報學科--OSINT--圍繞著收集、分析和生產的技術、管理和法律問題。

圖 1. 信息革命對收集、分析和目標定位的影響

未來的發展方向是數據管理和情報規劃，以促進以問題為中心而不是以需求為中心的美國空軍情報工作。工業生產模式已跟不上信息環境的發展。正如美國國家地理空間情報局局長羅伯特-卡迪羅在今年早些時候指出的那樣："如果我們試圖手動利用預計在未來 20 年內將獲得的商業衛星圖像，我們將需要 800 萬名圖像分析人員。即使是現在，每天僅在一個戰區使用一個傳感器，我們收集到的數據就相當于三個 NFL 賽季--每場比賽。而且是高清晰度的！" 分析人員比以往任何時候都能獲得更多的信息，并擁有更多的工具來收集信息以填補知識空白。讓這些分析人員為指揮官提供已知信息、評估信息和未知信息，并使用正確的工具回答剩余的情報問題，是在正確的時間向正確的決策者提供正確信息的途徑。在規劃和執行基于效果的 ISR 戰役時，必須采用與進攻性空中行動相同的靈活多變的方式。

四個 V 與情報收集

反恐戰爭的特點，加上信息革命對精確目標定位的創新，使美國空軍的工作重心從投放彈藥量轉向對 ISR 收集的需求。1943年10月14日，施韋因富特（Schweinfurt）空襲納粹德國，293架轟炸機需要3小時的情報支持，而2006年阿布-穆薩布-扎卡維（Abu Musab al-Zarqawi）空襲，15分鐘的出動需要600多個小時的情報支持。精確打擊需要精確情報，這就將人力負擔從飛行行動轉移到處理、利用和分析上，以促進打擊行動。由于認識到為提高打擊能力而對情報的需求不斷增加，因此收集平臺、傳感器和帶寬都在穩步大幅增加，以支持 "后送 "行動，但人力卻不一定相應增加，無法在規定時間內分析大量收集的情報，為行動提供便利。與此同時，重點轉向 "后方 "作戰，再加上信息時代作戰的優勢和弱點，進一步模糊了歷史上對前方和后方作戰區域的劃分，使這一作戰環境概念對現代兵力而言成為過時的概念。

對于 GEOINT 來說，最明顯的表現是對全動態視頻（FMV）收集的需求激增。在過去十年的大部分時間里，美國空軍的 FMV 需求量一直居高不下，而這并不是美國空軍一家的事情，因為陸軍、特種作戰部隊和伙伴國都在不斷擴大其機隊規模，增加遙控飛機（RPA）的出動架次，并投資帶寬以滿足近乎貪得無厭的需求。與 "就地部署 "狀態相關的高工作量導致情報界在 2015 年前不斷掏空其員工隊伍，圖像分析師的流失速度超過了他們接受培訓的速度。此后實施的幾項提高生活質量的舉措減少了工時，緩解了壓力，但也導致能力下降。2015 年，美國空軍將 RPA 巡邏次數從 65-60 次短暫減少，以幫助飛行員、傳感器操作員和情報人員隊伍健康發展，但作戰現實迫使軍方用承包商補充現役 RPA 兵力，以滿足需求。

圖 2. 信息革命對美國空軍目標定位的影響

在情報界之外，FMV 獲得了最多的關注，但即使在 GEOINT/ IMINT 領域，它也只是為滿足行動需求而爆炸性增長的情報來源之一。包括伊拉克、敘利亞和阿富汗在內的許多作戰地區對多光譜圖像、超光譜圖像和地面移動目標指示源的需求都在持續上升。專用傳感器套件為美國空軍提供了前幾代產品無法比擬的收集能力。然而，這些傳感器套件需要培訓、人員配備和時間密集型的分析質量，這使得每個傳感器都是人力密集型的，使有限的圖像分析人員難以處理不斷增加的收集任務。

如果不借助大數據解決方案，GEOINT 傳感器和收集能力的爆炸式增長會給有效分析帶來另一個重大挑戰。以各種圖形格式收集的各種數據信息對分析人員來說是 "無法發現的"，有時被稱為暗數據。已開發的 GEOINT 通常有文本摘要，可通過類似谷歌圖像搜索的查詢進行搜索，但如果沒有文本提示分析人員，相關圖像可能會一直埋藏在數據檔案中，無法發現。大數據算法和自動開發模板可使 NRT 中的所有圖像與地理坐標綁定，與已知位置對齊，并自動歸檔到可搜索的分層數據庫中，并隨時間推移提供相關圖像。雖然當前的 ISR 模式以操作為中心，需要出動新的架次來收集地理空間信息（特別是針對生命模式等問題集），但大數據分析將為未來的分析人員提供訪問歷史數據資料庫的途徑，以及快速篩選可能成千上萬張圖像的工具，以查看隨時間推移而發生的變化并分析其意義。

對收集和分析的需求呈指數級增長的不僅僅是 GEOINT。收集平臺的增加也導致了包括 SIGINT 有效載荷在內的各情報學科收集器有效載荷的增加。隨著收集機會數量的增加，以及信息時代全球網絡化威脅的出現，收集信號的數量、速度和種類也在不斷增加，其速度往往超過我們招募和培訓分析人員的能力。如果沒有大數據分析的前景來幫助分析人員找到分析收集的關鍵部分，那么 RPA 獲取的數小時視頻可能數年都得不到分析；如果沒有自動化工具來對數百億字節的收集信息進行分類，那么數小時的截獲通信可能得不到分析。除 SIGINT 和 GEOINT 外，MASINT 的收集和生產需求也同樣呈現出蓬勃發展的態勢，合成孔徑雷達和相干變化探測等能力的需求量越來越大。

開源情報

也許沒有什么例子比 OSINT 作為一門真正的情報學科的誕生更能說明大數據四維收集的巨大變化了。當說 OSINT 是一門新學科時，許多冷戰時期的分析師會告誡說："不，我們一直都有 OSINT，中央情報局（CIA）的開源中心就是證明。事實上，從時任中央情報局局長艾倫-杜勒斯（Allen Dulles）的一句話開始，數十年來，一條常用的經驗法則就是：超過 80% 的情報分析最終都來自于開放源代碼。這些都是事實，但從條令上講，將其定性為公開來源情報更為恰當。作為一門情報學科，OSINT 與互聯網和社交媒體的普及直接相關，因此需要開發新的技術來搜索和發現信息，進行監督以確保情報界遵守保護公民和信息安全的相關法律和命令，并對這一過程進行管理。如果沒有大數據分析解決方案，分析人員就不可能對現有的數十億個數據點（數量、種類和速度）進行分類，不可能識別相關和不相關的數據（真實性），不可能保障公民的權利和遵守其他適用的法律法規，也不可能發現滿足客戶需求的相關情報見解。

信息革命帶來了一種新的在線共享文化，許多人稱之為過度共享。對情報界來說，好處是通過 Twitter、Facebook、Snapchat、博客和許多甚至尚未發明的社交媒體網站，情報部門可以接觸到世界各地數以千萬計的被動收集者。20 世紀 90 年代，分析人員面臨的前景是，在他們有時間完成情報評估周期之前，CNN 就可能進行戰損評估。如今，如果一架 RPA 失去連接并墜毀，很可能在確認飛機失聯之前就會在 Twitter 上被多次報道和轉發。學術研究和情報分析現在依賴于情感分析，其實質是推特上 "趨勢 "的一個復雜和可定制的版本，以確定人群的情緒，作為未來活動（內亂等）的潛在預測因素。

行動的時間需求

在大多數關于大數據的商業討論中，速度主要是指獲取信息的速度。對于情報行動而言，速度同樣適用于作戰員、指揮官和其他決策者需要情報輸出以促進行動的速度。對美國來說，打擊 "伊斯蘭國 "的行動主要是一場以空中為中心的行動，強調有意識地和動態地瞄準目標，以孤立和削弱一個固定基礎設施有限的原生態國家，并使其很容易融入人群，以防御打擊。這種組合，再加上必須盡量減少附帶損害的風險，只會增加對 ISR 的需求。這包括尋找目標并確定其特征，保持對潛在目標地點的監視，以及了解居民的生活模式。聯軍兵力航空兵指揮官小查爾斯-布朗（Charles Q. Brown Jr.）中將在 2016 年 5 月明確提出了這一點，他說："因為它能幫助我做的就是開發目標，這樣我們就能在開發這些目標的同時進行打擊。我擁有的 ISR 越多，我就能將平民傷亡的風險降到最低，并繼續我們的精確空襲行動"。

在這種情況下，"更多 "既指數量，也指時間，因為在動態打擊中，信息發揮作用的時間極短，尤其是與機場、指揮掩體或部分通信網絡等傳統目標相比。FMV 的 NRT 特性及其在行動的接戰/收尾階段的關鍵作用使許多觀察家得出結論，如今更容易實時鎖定目標，但實際上這只是促進打擊的情報冰山一角。聯軍兵力需要一個全球同步的分析人員網絡，迅速融合圖像、電子截獲情報和線人提供的線索，提示潛在的打擊目標。全球一體化的 ISR 可通過及時獲取更多的收集信息為這些網絡提供便利，但隨之而來的是嚴重的真實性問題。與此同時，這一系統也引起了人權組織對平民傷亡問題的關注，以及更多傳統空襲行動支持者的批評，認為即使按照近期空襲行動的標準，打擊目標的總數量也是不夠的。ISR 團體以及更廣泛的情報界必須面對分布式作戰、分析質量控制和數據集管理等復雜的管理問題，以便讓 ISR 和實時行動的作戰人員充分了解目標開發的進展情況。

威脅性環境

伊拉克和敘利亞伊斯蘭國（ISIS）經常呼吁通過所謂的數字哈里發進行 "獨狼式 "恐怖主義，這凸顯了互聯網對西方安全構成的挑戰。在此之前，像 4chan/"匿名者 "這樣的網絡集體利用網絡的連通性建立了信息共享的無政府社區，最終促進了在一些問題上的集體行動。美國軍事情報機構歷來將常規軍事優勢視為其任務的重點，而在信息時代，武器化敘事正迅速成為國家安全行動的重點。只有獲得并有效利用大數據解決方案，才能了解信息時代的威脅環境。雖然應對這一挑戰的任務最終可能會落到美國國防部等非國防部實體的肩上，但美國空軍的任務要求了解和防御賽博領域。因此，美國空軍情報分析師必須站在分析和發現網絡領域威脅的最前沿。

過去十年的反恐和反叛亂行動使美國空軍情報分析員精通于監控和評估沖突地區的恐怖網絡，特別是伊拉克的基地組織和阿富汗與塔利班有關聯的組織。然而，賽博集體是一個獨特的挑戰。賽博集體缺乏集中的指揮結構，而是主要通過在線社區規范和價值觀來運作。它們的成員是開放的，沒有正式的招募或保留機制，其戰略規劃也微乎其微。大多數賽博集體傾向于抵制任何人成為其集體的領導者或發言人；有影響力的人可能會在有限的時間內出現，但成員的開放性和多樣性使得任何人都無法在不分裂集體的情況下長期出現。由于成員人數有限，意識形態單一，小型社區可能會形成較強的內部等級制度，但這也限制了大型集體的全球覆蓋面和影響力。圖 3 簡要說明了等級制度、網絡和賽博集體之間的區別。

情報集體的特點是提供了一個可以被滲透的論壇，引發獨狼或狼群攻擊；信息同時在集體的一個圈子內傳播，發起行動--想想快閃族--幾乎沒有預警。與此同時，集體的無政府主義特征往往使其理由也是無政府主義的；他們的工作方式通常是反對權威人物和濫用權力，而不是積極尋求以新的主流意識形態取而代之。因此，許多通過集體招募的個人發起的獨狼和狼群襲擊，即使受到具有特定意識形態的組織的啟發，也不一定表現出對特定意識形態立場的親近，而只是表現出其反動性。例如，奧蘭多夜總會槍手奧馬爾-馬特恩可能并不了解伊斯蘭國、基地組織和真主黨之間的區別，盡管這些組織在教派和戰略上有顯著區別。然而，根據賽博集體的特點，這些組織因反西方情緒和對西方秩序的無政府主義觀點而在網上聯系在一起。煽動混亂以報復道德錯誤的呼聲在這種環境中傳播，而具體的意識形態信息和與特定團體更正式的結盟可能不會傳播。

圖 3 等級制度、網絡和賽博集體。

這種新的分布式組織給情報機構帶來的挑戰是，作為多管齊下戰略的一部分，對集體進行滲透的前景，其目的是同時通過深層國家的攻擊破壞對手的穩定，同時通過網絡和等級組織對地方政府集中式更有組織和戰略性的暴力。圖 4 說明了這種混合模式的可能形式，由一個中央戰略領導核心指揮多個部門的行動，包括招募、宣傳、培訓、直接行動、與網絡的協調以及對賽博集體的在線宣傳滲透。由于這些網絡廣泛多樣，傳統的網絡制圖是不可能實現的，因為它們的變化速度非常快，信息通過賽博集體共享的速度也非常快。要識別網絡中的影響者，需要大數據解決方案來跟蹤信息流量，識別哪些主題可能成為趨勢，哪些信息可能在哪些領域被接受，并識別這些信息中可能預示攻擊策略變化（大規模槍擊、撞車和下一次威脅演變）的趨勢變化。這種對敵方組織和信息的了解程度對于在作戰層面及以上直接打擊敵方至關重要，但對于兵力保護的戰術指示和警告可能更為重要。

正如對手可以利用賽博領域通過影響力開展行動一樣，他們也可以利用賽博工具挫敗情報并放大其信息。其中最突出的是機器人的使用；機器人軟件旨在通過社交媒體和其他在線渠道自動傳播信息。這些機器人可以扭曲數據進行情感分析，通過讓輿論看起來更受歡迎的波段效應左右輿論，通過賽博自動傳播虛假信息，并擴大招募范圍。對俄羅斯在 2016 年大選中的潛在活動的調查重點不是傳統意義上的黑客攻擊威脅，而是由機器人針對特定集體發布信息的社交工程。展望未來，在復雜的多領域環境中工作的分析人員必須了解賽博領域威脅的新特性。只有更好地了解大數據分析并認識到其作為工具的威力及其脆弱性，才能保持基本的態勢感知，更不用說獲得行動上的理解。

圖 4. 被滲透的賽博集體的混合威脅

工業時代的情報模式與信息時代的模式

大數據的三個 V 及其對敵我雙方的影響，使得有必要重新思考情報生產的工業模式。所有情報操作人員從基礎課程開始就接受五步情報周期的培訓，即規劃和指導；收集；處理、利用和傳播（PED）；分析和制作；以及傳播（PCPAD）。這種結構化和可重復的程序確保了生產步驟的清晰度，并對分析過程進行制衡。這種結構化和可重復的過程確保了生產步驟的清晰，并對分析過程進行制衡。它還包含官僚因素，特別是對美國空軍情報部門這樣的大型組織而言，它將 PCPAD 周期的各個步驟與不同的單位/辦公室聯系起來。信息時代的情報模式必須找到超越官僚模式的方法（不是取代它，而是補充它），并促進分布式企業級的數據管理，以支持滿足業務需求的決策質量情報。數據科學必須被視為信息時代情報界的核心能力，傳統的情報分析師必須與熟練的計算機科學家和數據管理人員攜手合作，促進情報的生產。

美國空軍情報工作面臨的另一個挑戰/機遇是情報與 ISR 的混淆。美國國防部將 ISR 定義為 "為直接支持當前和未來行動，對傳感器、資產以及處理、利用和傳播系統的規劃和操作進行同步和整合的活動。這是一種綜合的情報和行動職能"。盡管它是情報與行動的結合，但它只是整個情報周期的一個子集。如圖 5 所示，任務分配是規劃過程的最后部分，通過 ATO 向各單位分配需求，而收集和 PED 則反映了 PCPAD 周期的這些階段。

圖 5. 情報生產的工業模式

這種模式建立了情報分析的基礎設施，在評估國家行為者方面證明是有效的，但其時間順序的特點實際上給空軍的 ISR OODA 循環帶來了限制因素。ISR 規劃是通過 72 小時 ATO 任務分配周期執行的，并受收集管理流程的制約，根據該流程，在執行 ATO 任務之前，指揮官對收集目標（需要成像或以其他方式收集的地點）的優先級進行排序和堆疊，并通過董事會或裁判的優先級排序流程進行排序和堆疊。隨后是分析流程，美國空軍的作戰級分析可能需要數天時間，而國家機構的全資源制作則需要數周時間。從 ISR 的角度來看，這與美國空軍的靈活性原則相悖，該原則應使 ISR 操作人員能夠將 ISR 效果集結并機動到作戰環境的關鍵點，以便在時間、空間和目的上進行整合。此外，由于 ISR 來源日益復雜，基礎情報數據和信息的儲備也在增加，未來制定優先情報需求、指揮官關鍵信息需求和其他情報收集請求的傳統模式不太可能繼續成為確定收集資產優先次序的有效手段。

在 2005年前后，ISR 操作人員面臨的挑戰是如何向客戶解釋："不要申請像'捕食者'這樣的資產，而要申請像 FMV 這樣的能力"。如今，這個問題變得更加復雜，因為收集資源更加專業化，數量也更多，這使得 ISR 戰術人員最有能力確定哪種 ISR 資源最適合填補情報缺口。增加 OSINT 等被動傳感器以及對現有 HUMINT、SIGINT、GEOINT 和 MASINT 數據進行可發現的大數據分析，可以在不需要額外收集的情況下迅速解決客戶感知到的問題，其可信度足以證明不重新分配資產是合理的。雖然在近期內，絕大多數資產和收集分配將繼續通過這一標準流程執行任務，但必須將一部分機載 ISR 資產和分析能力專用于信息時代的替代方案，以直接影響 NRT 的空襲行動。

信息時代的替代方案是由 ISR 兵力主導的以問題為中心的情報。ISR 流程的行動輸入不應是收集任務，而應是感知到的情報問題，然后 ISR 專家可將其轉化為細化的 ISR 問題、情報缺口，并在聯合行動計劃中確定 ISR 傳感器的優先級，以填補這些缺口。ISR 兵力由單一指揮官授權，擁有有機的收集需求管理和收集行動管理權限，有權為指定的作戰目標制定綜合 ISR 計劃。這是推進美國空軍中央司令部 2009 年指令的下一步，該指令將 ISR 任務類型命令（MTO）編纂為支持作戰應急行動的關鍵。如果沒有一支特定的 ISR 特遣部隊，擁有 ISR 資產的所有權和分配任務的權力，那么目前的 MTO 結構更像是用于重新分配任務的 ISR 協調卡，而不是《聯合出版物 3-50：人員恢復》中定義的真正的任務類型命令。

圖 6 所示的這種 ISR 兵力模式將有機機載 ISR 資產的規劃流程重組為以問題為中心的模式，并結合大數據分析來細化任務 ISR 問題。“情報云”由整個情報部門中的國家情報局 OSINT 數據和完整的多情報分析數據庫組成，使分析人員在流程的最初階段就能為客戶的問題提供答案，同時根據對情報部門實際已知情況的深入了解來完善他們的情報問題。然后，ISR 戰術人員可以匹配最佳收集平臺，以填補情報空白。然后，在指揮官的授權下，ISR 特遣部隊可以通過 MTO 的意圖隨時重新分配 ISR 行動的任務；在實踐中，指定的操作員擁有傳感器任務分配權。這樣，就能與 PED 和融合實體合作，對收集工作進行 NRT 改進，最大限度地發揮傳感器的作用。然后，ISR 兵力產品可在 NRT 中同時分發給作戰客戶，供其做出規劃和目標選擇決策，并分發給更廣泛的情報部門，供其進一步分析，并最終納入情報云，供未來利用。

如圖 6 所示，要在情報分析和 ISR 任務分配中采用這種大數據解決方案，還要求美國空軍情報部門在今后的人員選擇上有更大的考慮。迄今為止，除了情報軍官和士兵外，情報部門還接受了許多科學領域的專家。為了使大數據在未來發揮作用，美國空軍情報企業必須吸納數據科學家、計算機程序員和具有賽博領域專業知識的社會科學家，以理解我們所獲取數據的性質，并有效分析賽博領域的運行環境。

圖 6. 機載情報、監視和偵察兵力模型。

結論

套用一句老話，你可能對大數據不感興趣，但大數據對你感興趣。大數據塑造了現代信息環境，通過信息共享和訪問云，大數據已經在徹底改變分析人員獲取和解讀數據的方式。對手利用復雜的賽博環境招募人員、影響民眾，并以只有通過大數據解決方案才能發現的方式對美國利益實施攻擊。收集和存儲原始數據的能力不斷超越處理所收集數據的能力，這意味著在龐大的信息數據庫中，很可能已經有了情報客戶今天提出的問題和明天將提出的問題的答案。如果沒有大數據解決方案來管理不斷收集的數據和信息，并迅速將其提供給 ISR 規劃人員，以促進更智能、更及時的收集工作，美國空軍情報部門將面臨信息過載，導致決策癱瘓。在正確的時間向正確的客戶提供正確的信息意味著重新思考 ISR 規劃，并采用大數據解決方案來應對面臨的 ISR 挑戰。

未來戰爭的勝利將越來越取決于哪一方能最迅速地從數據中收集戰略洞察力，并能在實時作戰條件下從總部、戰術邊緣和整個作戰空間部署這些洞察力。如果軍方不能基于安全的數據架構緊急轉變集成和分發信息的能力，美國及其盟國就可能在對手發展自身能力時喪失威懾或贏得潛在沖突的能力。

引言

"如果我能擁有戰場上的數據，那么我就領先了五步，"前美國空軍少將羅伯特-惠勒說，他是本文采訪的北約和 "五眼 "國家的幾位領導人之一。"我需要這些數據的及時性、準確性，我需要這些數據貫穿整個戰場"。

然而，美國軍方及其在北約和 "五眼 "中的盟友還沒有足夠迅速地提供這些基本能力。隨著數據科學、傳感器、自主資產和人工智能（AI）革命的不斷深入，失去決策優勢的風險成倍增加。隨著數據源迅速激增，敏捷的軟件和集成的信息交付系統（如數據結構架構）將改變威懾力量，并為最快部署最佳數據的兵力創造決定性優勢。唯一的問題是誰能搶占這一戰略制高點。

轉型的步伐令人生畏。包括俄羅斯在內的其他國家繼續大力投資于新興技術和顛覆性技術。在某些領域，如電子戰、面部識別和某些 IT 硬件，它們可能正在形成有意義的優勢。事實上，許多觀察家認為，北約盟國傳統上相對于潛在對手的能力差距可能正在縮小。隨著使用企業級生成式人工智能來發掘洞察力和強化決策優勢的發展，對強大的數據結構的需求將變得越來越重要，以管理正在傳播的各類數據。

雖然軍事硬件和訓練有素的部隊仍然必不可少，但國防官員必須擴大對戰機、艦船和火炮的關注，將數據處理、分析、管理和部署方面的優勢作為衡量戰備狀態的關鍵指標。當信息以光速流動時，許多現有的指揮和控制系統都顯得過于遲緩，無法收集和傳遞相關數據，從而識別和消除新出現的威脅。

惠勒警告說："如果我們要與大國對抗，今天就需要在新一代能力上實現顛覆性的飛躍。未來的網絡必須整合所有軍種和盟國的武器平臺，從太空到海底，并 "在移動中近乎實時地發現、固定、跟蹤、瞄準和摧毀多個目標"。

烏克蘭沖突表明，一支靈活的軍隊如何利用商用衛星通信、移動互聯網塔、低成本無人機、手機視頻和開源軟件，相對無縫地融合數據，實施精確的作戰行動。烏克蘭能夠迅速開發出數據驅動的作戰資產，但要在多個大型軍事機構中復制這一成功將是一項更大的工作。德國國防部參謀長尼科-蘭格（Nico Lange）說："大多數北約國家可能需要 10 年左右的時間才能取得類似的進展，而且價格要高出 10 倍，功能也更少"。德國國防部參謀長尼科-蘭格（Nico Lange）說："到 2022 年，大多數北約國家可能需要 10 年左右的時間才能取得類似的進展，而所需的費用是現在的 10 倍，功能也更少"。

為了加快發展數據驅動作戰的專業技術，并與商業世界的技術進步速度相匹配，國防組織必須摒棄國防工業中常見的 "不是在這里發明的 "思維模式，加強合作。保密和安全仍然至關重要，但軍事領導人可以從私營部門的數據管理和數字創新中獲得啟發，因為私營部門的公司在競爭和快速迭代中發展壯大。

工業界也可以發揮作用，因為承包商和開發商可以做得更多，以提高所收集的各種數據類型（包括元數據）的互操作性。就一些基本標準達成一致，可以幫助國防機構迅速提高數據的實用性，因為很多數據并沒有得到有效利用。

從數據中收集、清理、保護和提取重要信息是一項艱巨的工作，即使在和平時期，在多個國家和大洲之間共享數據也是一項挑戰，而且這些系統需要在作戰條件下運行，在這種情況下，正常的通信網絡和云訪問將受到阻礙。

美國及其盟國如何迅速采取行動，創造可持續的決策優勢？關鍵步驟包括以下幾點：

• 為數據管理、架構、部署和使用制定共同的總體戰略。這就要求美軍及其盟友更早、更愿意進行持續溝通與合作，以發展真正的互操作性。

• 建立一個包括工業界在內的盟國聯合工作組，重點關注數據系統集成，該工作組可快速開發一個全面的數據架構，以管理與美軍聯合全域指揮與控制（JADC2）/多域集成計劃相一致的多域行動。

• 建立數據集成標準，以混合云和數據結構技術為基礎，使用向后兼容并可廣泛訪問的動態數據架構。這很可能需要轉向軟件即服務（SaaS）模式，使用更多現成的硬件，并減少對專用內置軟件的依賴。

• 從小型系統開始，逐步擴大規模，而不是部署需要數年時間的巨型復雜系統。采用私營部門使用的 "最小可行產品 "模式，加快新系統的測試，然后再擴大規模。

• 考慮新的招聘和入職方案，旨在吸引頂級 IT 人才加入軍隊，將數據集成的高層次愿景轉化為實地現實。

• 在尊重國家利益的前提下，有目的地利用私營部門的創新和資源。

• 鼓勵企業以更加開放的態度允許員工在專門時段與政府國防機構合作。

要實現所有這些目標是一項艱巨的挑戰，但在這個危險的世界里，別無選擇，因為對手近在咫尺，敵人也是不可預測的非對稱的。雖然數據對國防戰略的每個階段（從規劃、戰備到威懾）都至關重要，但本文主要關注的是利用數據結構架構將正確的數據從指揮員那里傳遞到戰術邊緣，從而創造決策優勢的必要性、機遇和挑戰。

規劃不確定的未來

自 "9-11"襲擊事件以來的二十年間，美國及其北約盟國主要關注阿富汗和伊拉克等戰區的反叛亂行動。位于柏林的德國國防部賽博/IT 總監兼首席信息官邁克爾-維特（Michael Vetter）中將說："因此，在長達 20 多年的時間里，我們對指揮與控制的投資不足"。

烏克蘭戰爭讓許多人看到了擁有先進武器的軍隊之間突然爆發常規戰爭的可能性。在不斷變化的地緣政治環境中，盟國的國防機構已迅速開始適應新的現實，為與資源充足、技術先進的同級或近似同級競爭對手的潛在沖突做好準備，這些競爭對手也擁有頂級武器和復雜的數據能力。

五角大樓和北約認識到這一不斷變化的戰略格局，已將信息領域確定為常規戰爭的下一個戰場。戰爭規劃者現在認識到，先進的處理和數據分析能力，以及將數據迅速傳遞到邊緣的能力，可以在沖突發生時產生決策優勢。

為了反映這種新思維，五角大樓于 2022 年 3 月制定了聯合全域指揮與控制（JADC2）框架。五角大樓將 JADC2 定義為 "作戰需要 "和 "一種發展作戰能力的方法，以便在戰爭的各個層次和階段、跨所有領域并與合作伙伴一起感知、理解和行動，以相關速度提供信息優勢"。盟國也制定了具有類似目標的計劃。

然而，要利用先進的信息技術實現決策優勢，需要更高水平的跨系統互操作性、更強大的數據共享和冗余，以確保網絡在戰斗中受到破壞后仍能提供數據。惠勒少將說："能夠以非傳統的方式擁有戰場上的數據，即使在網絡遭到破壞的情況下，邊緣處理也是安全的......這才是我們需要努力的方向"。

實施這樣的戰略需要軍隊文化和思維方式的重大轉變。

反思戰爭與威懾

需要制定各軍種的共同標準，使美軍與北約和 "五眼 "盟友保持一致，這對大型組織來說是一個巨大的考驗，因為傳統上，這些組織一直在創造自己的技術解決方案，以解決各自認為是軍種特有的問題。

目前，美國陸軍推出了 "融合項目"，海軍宣布了 "超配項目"，空軍授予了 "先進作戰管理系統"（ABMS）合同，而海軍陸戰隊則在其最新的 "兵力設計2030 "更新中承認，該軍種的傳統指揮控制系統已經癱瘓，需要進行現代化改造。

雖然大家都知道戰斗機飛行員的需求與潛艇指揮官的需求不同，但系統間互操作性的需求只會越來越重要。美國政府問責局（GAO）最近的一項研究指出，國防部尚未準確確定實現其 JADC2 愿景所需的現有和未來預期能力，并且正在確定各種實施挑戰。

各軍種需要從注重以硬件為中心的解決方案轉向采用 "軟件即服務"（Software as a Service）模式的升級，以鼓勵數據共享和互操作性達到新的水平，并能以最快的速度執行任務。在與國防專家的訪談中，一個反復出現的主題是，如果各軍種或北約盟國在開發數據架構時各自為政，那么即插即用的互操作性系統就無法立足。

前 INDOPACOM 情報總監 William Metts 海軍少將（已退役）說："核心挑戰是在各軍種之間以及與合作伙伴和盟國之間建立真正的互操作性。我們往往利用不同的 IT 通信網絡開展行動，而這些通信網絡在歷史上并不容易實現信息共享"。

Metts 說，軍方需要考慮利用私營企業率先進行的技術創新，快速整合各部門和合作伙伴的數據。美國太平洋艦隊海上行動后備主任、前海軍信息戰系統司令部總工程師埃里克-魯滕伯格少將說，在最初的迭代中，許多軍種都把重點放在了 JADC2 的通信部分。我們花了大約兩年時間才明白，重要的不是網絡，而是通過網絡傳輸的1和0--數據。

此外，要在信息技術的基礎上實現軍事優勢，就需要一種新型的數據架構，在這種架構中，可以對存放在不同地點和格式中的數據進行清理、篩選和分發，同時保持所需的安全分類。同樣，以數據為中心的能力要求通過虛擬化實現邊緣冗余，以克服作戰期間可能發生的網絡中斷。在以數據為中心的防御系統中，靈活性、彈性、速度和機動性很可能被證明是決定性的。

"這就是數據結構至關重要的原因，"Ruttenberg 說。"因為這不僅將推動我們所需的網絡彈性，還將推動我們如何開發和交付網絡上的應用程序。

雖然開發共享數據架構的時間很短，但人們越來越意識到，西方盟國需要一個安全的數據結構架構，它可以連接多個超標量器和內部中心的多種數據源，采用多種數據格式，同時控制訪問、保護機密和維護主權。

維特中將說："數據是一種戰略資源，我們需要真正行動起來，更好地利用組織內的所有數據。我們必須找到將結構化和非結構化數據整合在一起的工具，我們需要提供共同的作戰畫面，特別是在北約層面，以協調聯合行動。這將是向前邁出的一大步"。

什么是數據結構？

數據結構是一種架構框架，旨在為企業內不同系統、平臺和數據源提供統一一致的數據視圖。它的重點是創建一個集中的數據層，將各種數據孤島連接起來，實現企業內部大規模的無縫數據訪問和集成。

數據結構將傳統系統、數據湖、數據倉庫、SQL 數據庫和應用程序中的數據整合在一起，提供從各種數據源創建的整體視圖。

數據結構的一些主要特征包括以下幾點：

• 采用虛擬化技術對底層數據源進行抽象，為訪問和查詢數據提供統一的界面。

• 通過建立連接、轉換數據格式和確保數據一致性來整合不同的數據源。

• 管理機制，確保整個組織的數據質量、安全性和合規性。

• 可觀察性，包括管理數據工作流、數據管道和數據轉換的工具和流程。

陸軍指揮、控制、通信-戰術（PEO C3T）項目執行官羅布-柯林斯少將這樣描述數據結構： "我們必須確保我們已經有了一個可以接收所有數據的結構，確保數據是可理解的、可互操作的、可信的。然后，在另一端，我們必須確保它是可發現的。我們現在正試圖轉向一個更加聯合的數據環境。你可以發現數據，你可以根據對數據的需求交換數據，你還可以闡明和標記屬性級別的數據"。

不斷變化的任務的成功因素

新出現的以數據為中心的作戰模式將要求五角大樓改變長期以來的作戰方法。

退役空軍少將布賴恩-德拉維斯（Brian Dravis）曾擔任國防信息系統局（DISA）高級領導和五角大樓聯合服務提供商組織主任，他指出，傳統上，存儲和歸檔數據被認為是運營成本，而不是戰略資產。他說："從字面上看，數據與其說是資產，不如說是負債。因為大量的舊數據必須存儲和歸檔在服務器群中，而服務器群需要電力來保持冷卻，需要人員來維護設施，還需要協議來確保數據的安全，即使其中很多數據從未被實際使用過"。

相比之下，今天的愿望 "是將其顛倒過來"，Dravis 說，"利用機器學習、人工智能、自動化等快速發展的屬性來利用數據中的洞察力，讓你能夠真正將其用于決策優勢"。這種轉型的挑戰是巨大的。"從一個簡直就是成本中心的巨大錨點，轉變為一個你有高度信心的、可獲得決策優勢的屬性，這不是一件小事"。

創建一個統一的、可互操作的數據架構還將使軍事部門能夠真正利用其已經從結構化和非結構化數據源中收集到的大量數據，并創建治理工具以確保所分析的數據準確無誤。

專家表示，按照目前的配置，絕大多數數據都無法充分挖掘其意義。德拉維斯說："如果超過 90% 的數據，尤其是非結構化數據，不能為面臨戰略和作戰決策的指揮官提供價值，我也不會感到驚訝。"我們需要比敵人更快地做出正確決策"。

同樣，美國各軍種之間以及美國與其盟國之間分類系統的差異也會成為真正實現互操作性的障礙。

英國國防部首席數據架構師蒂莫西-羅賓遜博士說，英國也面臨著同樣的挑戰。各部門各自為政，在改變流程以提高互操作性方面 "非常規避風險"。他說："我們的數據雜亂而復雜，無法快速提供給用戶。互操作性并不一定被視為優先事項，因為 "人們只是不想讓數據脫離他們的控制范圍"。

為了更好地分析收集到的大量數據，這些服務將越來越依賴于機器學習和先進的人工智能系統。但專家指出，要確保分析的數據可靠、真實、準確，還需要額外的步驟，因此還需要新的數據治理和梳理標準。德拉維斯說："你需要保證數據的真實性，這些數據為機器學習提供了依據，因此也為人工智能和自動化帶來了決策優勢。"數據出處經常被忽視，但它正變得越來越重要。

實施這些新的數據要求將需要另一種思維方式的轉變：從通過硬件更新操作、加密和分類系統的系統轉變為可通過軟件定義和更新的系統，就像特斯拉電動汽車的運行軟件通過Wi-Fi無線更新一樣。向后和向前兼容的開放式任務軟件能以更低的成本更快地更新指揮和武器系統。

將與盟友更緊密地合作

烏克蘭沖突也強化了美國國防兵力必須與北約和 "五眼 "伙伴更緊密合作的理念。然而，有關數據共享和互操作數據架構，甚至在盟國之間采用共同的數據定義等問題尚未完全解決。

北約下一代建模和模擬部門項目主管斯蒂芬-納爾遜少校指出，并非所有北約國家都同意為地中海和黑海之間的大片海域采用一套通用的地形名稱。"他問道："我們能否開發一個所有 31 個國家，甚至可能是 32 個國家都能同意的地形數據模型？

此外，雖然歐洲國家可以共享有關潛在敵方（即所謂的 "紅隊"）威脅的數據，但 "各國在共享藍隊信息方面也是心懷嫉妒的。因此，我們對藍隊數據的實際了解可能比對紅隊數據的了解要少。

在組織全面的多領域方法時，"你必須擁有雙向流動的數據，"納爾遜說，"因此，你將看到北約 和其他盟國可以訪問北約的數據，但這不是一個雙向的大門。他們只會提供這么多的反饋"。

歐洲領導人迫切希望與美國在創建深度數據互操作性方面的努力保持一致，但同時也必須采取措施加強內部運作。

維特將軍解釋說："在德國，互操作性是我們的首要任務之一，在數據和數據標準方面，我們是北約內部聯合任務網絡方法最直言不諱的倡導者之一，以確保我們有標準、有協議，即使我們在不同的信息系統上運行，也能協同工作和共享信息"。

維特認為，德國國防軍在決策和實施新的數據管理架構方面可以更加靈活，因為他們缺乏美軍那樣的規模。

然而，"一旦美國人決定采用通用架構，并就實施計劃達成一致，我們會驚訝地發現他們會如此迅速地完成這項工作。美國的機器需要一些時間才能運轉起來。但當它開始運轉時，你最好別擋道"。

荷蘭空軍負責信息驅動決策的副主任塔利塔-博恩上校說，雖然荷蘭兵力贊同數據融合架構可實現多領域權威決策的想法，但必須在基礎信息骨干網以及管理北約盟國的思維模式方面進行更多投資。"我們需要北約的認知主導地位。我們需要全面投資于信息整合，"她說，"合理的倡議正在路上，但我們還有很長的路要走"。

從概念到實施

博恩上校指出，烏克蘭沖突凸顯了北約成員國需要加大投入，以解決自身數據架構管理方面的不足，即使他們正在等待美國軍方給出更統一的定義。

荷蘭軍方正在投入巨資加強其數據骨干網，并進一步整合以前分散的數據流，但同時也認識到必須遵循美國五角大樓最終確定的數據架構。"我們不能對此視而不見，"她說。"很明顯，我們必須在某些方面追隨美國，因為我們的武器系統在很大程度上來自美國。因此，你不能忽視擁抱F-35可能性的機會，而只有美國人才有這個能力。"

在接受采訪的數據專家中，越來越多的人認識到，將關鍵任務數據傳送到邊緣將需要數據虛擬化和冗余通信網絡，甚至在更傳統的基于云的網絡中斷時使用 5G 或 6G 技術。但有些人擔心，服務部門是否擁有幫助建立這些系統所需的人才。

英國國防部的羅賓遜（Robinson）擔心，軍方自己的信息技術服務部門確實缺乏技術技能，這將使英國政府難以真正實現高級指揮層所闡述的數據共享的烏托邦愿景。他說："我們的薪酬無法與私營部門相提并論，因此我們無法招到最優秀的人才，而那些訓練有素的人員往往在很短的時間內就被調往其他部門"。

許多人還表達了傳統的抱怨，即軍方獲取新技術的方式阻礙了他們保持尖端技術的能力。德拉維斯說："國防部沒有風險投資家。五角大樓需要找到一種方法來迭代和測試新概念，而不必通過所有安全方面的開發障礙"。

惠勒少將指出，除了五角大樓內部缺乏數據工程人才來實施圍繞數據架構的新模式外，必須批準采購的采購官員也缺乏足夠的技術背景。他指出："采購人員沒有使用這些系統的操作經驗。"當采購人員不了解如何使用這些系統時，就會出現問題"。

當涉及到數據結構時，情況尤其如此，人們越來越清楚地認識到，數據結構是一種基礎數據架構，可以快速傳播關鍵任務數據。

MOD 的羅賓遜說："我將其定義為'數據價值時間'"。

"這是指能夠更快地獲得所需的數據，并更快地將其移動。但這意味著你必須建立管道來實現這一點，而且你必須能夠快速建立這些管道，這意味著開發低代碼解決方案和數據可視化"。

在新的世界里，互操作性、復原力、移動性和快速決策正在成為遏制沖突的 "必備 "資產，專家們一致認為，多域數據結構架構與提供多級安全協議的分發系統相結合，可以迅速改善邊緣的數據狀況。當已經部署的先進商業技術適應軍方的安全需求時，這種靈活的新架構還能節省成本。

雖然軍方必須直接面對快速建立更強互操作性的需求，但其在國防、通信和 IT 行業的私營部門合作伙伴也應采取更具體的措施，降低超大規模系統之間以及各種軟件數據庫和操作套件之間的數據共享障礙。

惠勒少將說，"這一系列復雜的系統 "要求你改變經營方式"，"但是，我們生存和防止下一場戰斗的唯一方法，就是擁有這些結構，希望永遠不必再戰--如果我們不得不戰，那就打贏它。因此，這并不是什么未來主義。它只是讓人們一起去理解它"。

行動呼吁

為加快真正的數據互操作性并在戰術邊緣實現決策優勢，美國及其北約和 "五眼 "盟國的國防官員應考慮以下幾點：

• 像對待任何武器系統一樣認真對待數據。建立 "數據官 "分類，與武器控制官的職責相一致。

• 優先考慮建立聯合數據兵力，以建立統一的數據架構，管理美國及其北約和 "五眼 "盟國的多域行動。

• 召集一個軍民工作組，與包括云計算提供商和軟件公司在內的主要 IT 合作伙伴合作，制定互操作性標準，以便在使用商業技術的同時加快數據共享，同時保持必要的加密和數據安全原則。

• 更加重視數據管理和可靠性問題。隨著圍繞人工智能的討論將不可避免地加速，確保所有數據源真實可靠的需求也將加速。

人工智能（AI）是公認的顛覆性技術，它能迅速改變各種業務和行業。它還能改變與國家安全和國防有關的功能（流程和系統）。雖然人工智能主要不是在國防部門開發，但它有望通過提高國防相關活動的效力、效率和速度，改變未來沖突的特點。然而，雖然人工智能在替代或協助決策中的人為因素方面潛力巨大，但它仍無法取代人類的戰略思維。本文首先回顧了與人工智能技術相關的意義、當前發展和挑戰。然后，文章從國防能力、決策制定和戰略思維三個方面分析了人工智能對國家安全和國防的影響。文章最后展望了人工智能在安全與國防領域的總體前景，期待其在支持決策方面的最大價值。

1 引言

人工智能（AI）是我們這個時代爭論最多的技術突破之一，顯然也是最不為人所知的技術突破之一。它讓人著迷，同時也讓人恐懼。它讓人著迷的是其潛力，從其日常應用和大國在這一領域的優勢決心中就可以看出這一點。它也常常讓人擔憂，因為進一步的進步可能會導致人類能力的超越。后者在大眾文化中尤為突出。

盡管人們經常討論人工智能的未來能力，但在商業世界中，人工智能是 "當下"，并且已經滲透到我們生活的許多領域。除其他外，人工智能還能翻譯文本、識別數字媒體上的物體和人臉、識別垃圾郵件、駕駛汽車、用聊天機器人取代客戶服務、扮演私人助理的角色、創作藝術作品以及玩游戲。

人工智能已成為一個 "炒作 "詞，其影響有時被視為過于樂觀甚至深奧。因此，有必要分析這一技術的發展趨勢，并預測其對我們社會和生活的全面影響。

人工智能的所有可能性和潛在應用還有待探索。有些人的期望很高。人工智能能否為我們帶來 19 世紀末幾項技術為我們祖先的生活帶來的影響，我們拭目以待。第二次工業革命帶來了電氣化、鐵路、電報和汽車等技術，從許多方面影響了人類的生活。這些技術促進了生活水平的提高，使生活變得更快、聯系更緊密、可能性更豐富，并創造了新的社會關系和生活模式。作為第四次工業革命的一部分，人工智能有望改善人們的生活質量，提高人們的收入水平（Schwab，2016）。

與歷史上許多其他顛覆性技術一樣，人工智能有望創造機遇，但也會帶來挑戰。它可能會帶來經濟機遇（Tegge，2018 年），并通過許多積極的應用帶來益處。與先進的機器人技術和其他新興技術一起，它可能會推動人類的努力，甚至在制造、運輸、醫療保健和教育領域取代人類。

可以說，人工智能的進一步發展將帶來新的顛覆，并帶來巨大的經濟、社會、法律、倫理和安全挑戰。這些挑戰可能涉及經濟安全（因為人工智能預計將在許多領域取代人類（搶走人類的工作）），也可能削弱已實現的人權（個人和政治自由）。這可能會造成普遍的經濟不平等或政府對人口的廣泛和侵入性監控。

在國際關系中，人工智能已經成為戰略競爭的一個方面。主要大國認為走在人工智能技術的前沿對于未來全球經濟和軍事實力的競爭至關重要。雖然 "殺手機器人 "的發展仍停留在科幻電影的范疇，但人工智能已經在國防能力中得到了應用。目前，人工智能被視為一種前瞻性工具，尤其是在流程和系統中，其重點是在數據泛濫的環境中縮短決策時間（即決策）。

本文的分析僅限于人工智能在國家安全和國防領域的潛在應用。本文首先探討了什么是人工智能及其重要性，然后回顧了與人工智能相關的挑戰。文章的核心部分是研究人工智能對國家安全和國防的影響。最后，文章對人工智能技術未來的預期發展和使用進行了總結和思考。

2 人工智能介于神話和現實之間

目前，關于人工智能的公認定義尚不存在。人工智能是一個概念，或者說是一個領域，包括 "邏輯、概率和連續數學；感知、推理、學習和行動"（Russell and Norvig, 2003, p.vii）。在將人工智能描述為一個實體時，將其稱為 "智能體 "更為準確。從這個意義上說，人工智能是 "研究從環境中接收感知并執行行動的智能體"（Russell and Norvig, 2003, p.vii）。

Gartner 公司將人工智能簡單定義為 "模仿人類表現的技術，通常是通過向人類學習"（Andrews，2018 年，第 6 頁）。更具描述性的是，人工智能使機器從 "經驗 "中 "學習"，適應新的輸入，并執行類似人類的任務。

多種新技術已被廣泛歸類為人工智能。如今，大多數人工智能應用在很大程度上依賴于它們的子領域，如機器學習（ML）和深度學習（DL）。這些技術可以 "訓練 "計算機通過處理大量數據和識別模式來完成特定任務。

事實上，正是機器學習技術讓人工智能系統能夠在沒有明確編程的情況下進行學習。人工智能系統通過識別以前未定義的模式來 "學習"。機器學習還能讓智能體快速吸收和消化反饋信息。其結果是，與傳統的基于人類的反饋系統相比，人工智能所連接的系統在工作中變得更加出色。然而，人工智能體并不 "理解 "它們所執行的任務，至少目前如此，在不久的將來也不會如此，而且也無從得知它們是如何得出結論的。

人工智能的魅力可能就在于，我們不能指望它按照一套預先確定的算法 "行事"。我們可以以漢森機器人公司開發的社交型仿人機器人索菲亞為例，它經常接受采訪，甚至成為了沙特阿拉伯公民。另一個原因可能是，人工智能不同于其他技術進步，因為它不需要我們像使用計算機那樣通過學習如何使用來適應。實際上，人工智能就是創造適應我們的技術，而不是相反。

在本文中，我們將交替使用 "人工智能 "一詞，作為一個概念（一項技術或一個領域）和一種能力（一個AI智能體）。

2.1 理論框架

一般來說，人工智能是 "計算機系統執行通常需要人類智能的任務的能力，如視覺感知、語音識別和決策"。(卡明斯，2017 年，第 2 頁）

經濟合作與發展組織（OECD）在其定義中涉及知識和行為。經合組織將人工智能定義為 "機器和系統獲取和應用知識以及執行智能行為的能力"（經合組織，2016 年，第 86 頁）。就知識而言，以目前的發展水平，人工智能可以獲取和應用知識，但無法轉移知識。

Teradata 的 "企業人工智能現狀 "報告（伯恩，2017 年，第 3 頁）將人工智能定義為 "利用人機認知交互實現企業決策自動化的能力，機器能夠通過感知和持續學習、推理和推斷、決策和行動來增強和輔助人類能力，從而推動業務成果"。這一定義描述了人工智能的能力及其在增強和協助與業務相關的人類能力方面的目的。

最后，人工智能技術在國防領域的應用也備受關注。美國國防部將人工智能描述為 "機器執行通常需要人類智能的任務的能力--例如，識別模式、從經驗中學習、得出結論、做出預測或采取行動--無論是以數字方式還是作為自主物理系統背后的智能軟件"（USA DoD, 2018, p.5）。這一定義還涉及自主系統的使用。自主性在國防領域尤為重要，因為它能使系統（平臺）自動（如自主決策）、在程序設定的范圍內甚至 "自我管理"。人工智能對自主系統至關重要，因為它有助于在處理大量數據時做出決策。

當我們考慮人工智能時，重要的是要區分人工智能現在是什么或能做什么，以及未來可能或將要實現什么。目前，人工智能分為人工狹義智能（ANI）、人工通用智能（AGI）和人工超級智能（ASI），人工狹義智能是指在特定任務中，機器智能等同于或高于人類智能；人工通用智能是指在任何任務中，機器智能都能達到人類智能的全部水平；人工超級智能是指在任何任務中，機器智能都能超過人類智能（Spiegeleire, Maas & Sweijs, 2017）。

目前，所有現有的人工智能應用無一例外都屬于 ANI。人工智能已經以各種姿態出現在我們身邊。它往往不為人所注意，比如我們的搜索引擎、語言翻譯器或設備上的個人助理。目前，人工智能助手領域有四個領跑者： 亞馬遜的 "Alexa"、蘋果的 "Siri"、谷歌的 "Assistant "和微軟的 "Cortana"。而從 2023 年開始，由 OpenAI 公司開發的 ChatGPT 在自然語言處理領域廣受歡迎。

雖然根據目前的趨勢，專家預測人工智能將在本世紀中葉出現，但人工智能的出現時間仍存在爭議。許多專家預計，在此之后，人工智能會相對較快地出現，但很少有人預計這會引發 "人工意識"。

2.2 人工智能的演變

人工智能之所以能取得今天的重大進展，主要得益于算法質量的不斷提高（得益于計算機科學研究的進步、新的編程語言等）、計算能力的不斷增強以及數據的無處不在。

總體而言，人工智能的發展自其概念提出以來一直基于不同的技術；從 20 世紀 50 年代到 70 年代基于神經網絡，從 80 年代到 2010 年代基于機器學習，到今天則基于深度學習。事實上，主要由學術機構和研發組織完成的早期工作為我們今天看到的人工智能應用奠定了基礎。

20 世紀 50 年代末，美國正處于冷戰時期。當時的國會代表愿意在人工智能上投入巨資，將其作為更大安全戰略的一部分。當時的重點是語言翻譯，主要是俄譯英和英譯俄。1954 年至 1966 年被稱為 "樂觀的十年"，然而，突破并沒有像承諾的那樣迅速到來。與人工翻譯相比，機器翻譯速度更慢、成本更高、準確性更低，因此對機器翻譯的投資被突然取消。20 世紀 70 年代初和 80 年代末的這段發展停滯期通常被稱為 "人工智能的冬天"。

隨著計算機硬件（即大功率微處理器）的強大，人們對人工智能產生了新的熱情。此外，新技術，特別是與深度學習相關的技術，以及可以在現有示例中 "訓練 "后學習任務的神經網絡，開啟了人工智能的新時代。因此，在十年內，人工智能已從研究機構和大學的原型開發轉向工業和現實世界的應用。

盡管該領域取得了進步，但一些人認為，包括紐約大學心理學教授、長期對人工智能持懷疑態度的加里-馬庫斯（Gary Marcus）在內，"人工智能的歷史已經過去了六十年，我們的機器人所能做的不過是播放音樂、掃地和競標廣告"（馬庫斯，2018 年，第 5 頁）。還有一些人，如 Siri 核心專利的共同作者呂克-朱莉婭（Luc Julia）聲稱，人工智能甚至還不存在（Cagan，2019）。事實上，人工智能的發展仍然缺乏一個有凝聚力的、超前的理論基礎，而且是以一種臨時的方式進行探索。

就其未來發展而言，人工智能可能將與物聯網的發展齊頭并進。也就是說，人工智能（通過機器學習）可以迅速從數據中得出意義。它可以識別智能傳感器和設備數據中的模式并檢測異常情況。這種更接近數據收集地點的潛力可能會引導人工智能的未來朝著小型系統的方向發展。

開發和使用人工智能的一個基本特征是，投資規模并不是獲得技術效益的關鍵。在商業領域，開發人工智能解決方案往往只需要數據和機器來解決具體問題，最重要的是要有 "商業案例"。因此，成功的關鍵在于在定義案例時要有清晰的愿景。這使得那些在人工智能發展方面投入資金看似較少的國家和組織也能獲得巨大收益。

在許多人的想象中，人工智能的發展也會引發 "末日 "景象。然而，盡管科幻小說和電影中描繪了這樣的場景，但能夠自我維持、自我完善并有可能主宰人類的 "超級智能 "的實現，至少在不久的將來，仍然是一種神秘的可能性。

3 人工智能的挑戰

在社會中引入人工智能的結果并非都是有益的。與這項技術的實施相伴而生的破壞將對安全產生或隱或顯的影響。

例如，在經濟領域，人工智能系統預計將影響就業市場，可能會造成失業并加劇不平等。除了社會和經濟方面的挑戰，還應該分析其他一些問題，以評估人工智能的潛在影響。如今，我們可以確定幾個與人工智能相關的問題，如其相關性（在功能和適用性方面）及其負責任的使用（關于其決策的自主性和數據的獲取）。

3.1 人工智能的相關性

關于人工智能的相關性，使用人工智能的一個重要方面是提供 "訓練 "人工智能系統所需的數據源。由于人工智能需要數據，可用的數據量越大，它能 "學習 "的算法就越多，人工智能的成果也就越好。數據創建量在持續增長。例如，2013 年，90% 的可用數據都是在前兩年創建的（Jacobson，2013 年），這為人工智能的發展創造了非常有利的條件。對數據的這種需求使得云服務、社交媒體、電子商務或其他行業中能夠獲得大量數據的大公司自然而然地在各種人工智能領域處于領先地位。這包括語音識別、面部識別和自然語言處理。

因此，數據的可用性與人工智能的相關性密切相關。就目前的技術水平而言，使用人工智能處理數據有其局限性。只要相關數據的范圍較窄，人工智能就能發揮作用。換句話說，人工智能要求數據集具有相當明確的特征，包括形狀類型或模式系列。目前，使用人工智能支持決策的最大障礙是人工智能潛在的 "主觀性"。更具體地說，提供給人工智能系統的數據中的偏差會在其決策中復制或放大偏差。人工智能的運行在很大程度上取決于是否有可靠的、經過精心挑選的、符合目標的數據（Poussart & Wyman, 2018）。

3.2 對人工智能的控制

人工智能得出結論的過程不受用戶的直接控制。也就是說，人工智能做出的 "結論 "并不一定是最初的、有順序的算法或預測步驟的結果，因為人工智能體會 "學習"。因此，人工智能的進一步發展及其在社會中的應用絕不能處理不當。另一個值得關注的問題是網絡領域的隱私問題。控制問題還包括利用人工智能進行虛假宣傳的問題，如 deepfake（Villasenor，2019 年）。自動監控私人數據等做法以及上述挑戰可能會導致公眾對人工智能的不信任，甚至引發社會對人工智能的強烈批評。因此，數據驅動的人工智能系統的發展必須確保適應數據收集、使用和存儲的法律框架（例如，見歐洲議會，2018 年）。

最后，賦予人工智能系統做出可能改變生活的決定的自主程度仍然是一個關鍵問題。理想情況下，應確保人工智能體只能提供建議，而不是自主做出決定。然而，這并不總是可行的，尤其是當人工智能用于某些國防平臺時，決策速度至關重要。

3.3 效率與人類包容性

人工智能的兩大優勢是可擴展性和可用性。人工智能系統可以每周 7 天、每天 24 小時運行，而且不會疲勞、生病或感到壓力。因此，雖然人工智能并不比人類更聰明，但它的生產力要高得多。這些特點使其更容易以較低的成本進行采購。

諾亞-哈拉里（Noah Harari）完美地描述了在包括人工智能在內的大量基于新技術的新經濟中，人變得 "無關緊要"（例如不需要）的可能性（Harari，2018）。這是 "傳統 "資本主義問題的演變，在 "傳統 "資本主義中，許多人感到 "被剝削"。除此之外，哈拉里警告說，將所有信息和權力集中于一處的愿望是 20 世紀專制政權的主要障礙，而在 21 世紀可能會成為他們的決定性優勢。人工智能使之成為可能，因為它可以集中處理大量信息，使集中式系統遠比分散式系統更有效率。

4 人工智能及其對國家安全和國防的影響

人工智能在國防（即軍事事務）中的應用尚未形成概念，其發展預計將隨著其實施而發展。假定可以將人工智能與其他一些發明相比較，這些發明已在軍事領域得到應用，并為那些使用它的人帶來了巨大優勢。全球定位系統（GPS）就是一個例子。現代互聯網和手持式 GPS 的前身是美國研究人員在 20 世紀 70 年代開發的。20 年后，在第一次海灣戰爭（"沙漠風暴行動"）中，美軍對信息技術和精確彈藥的廣泛應用震驚了世界。這次行動的成功鞏固了美國幾十年來作為卓越軍事強國的地位。

雖然人工智能在國防領域的應用尚未形成概念，但除美國之外的經濟和軍事強國不會等待。正如法國前國防部長弗洛倫斯-帕利（Florence Parly，2019 年）所說，人工智能對法國國防部的潛在好處是強大而眾多的。當大國的兵力已經在磨礪自己的算法時，法國不能冒險錯過這一技術轉變。這僅僅是今天和未來保持相關性的當務之急。

4.1 人工智能在國防能力中的應用

人工智能已應用于許多新平臺，例如 F-35 噴氣式戰斗機、現代水面戰艦、導彈防御火控系統和網絡防御。它可能適用于許多以決策速度為特征的新興系統。利用人工智能工具制定戰略和作戰行動方針的工作還有待開發。

人工智能在未來可能發揮重要作用的一個領域是無人戰爭（自主系統）。在過去的幾十年里，戰爭的概念已經發生了演變，包括高科技戰場的能力發展。無人機、高超音速導彈、自主系統（即武器化機器人）、水面鼬鼠群（艦船）等平臺以及人工智能的使用，都有助于想象戰爭性質的變化。這種 "新 "戰爭的主要特點之一是武器系統的自主性增強，以減少或避免對戰場上稀缺、緩慢和昂貴的人力存在的依賴。在這種情況下，人類不再參與導航、控制和決策過程。未來的戰場如果高度技術化，在地面和戰斗中心（如決策）的人類將越來越少。

目前，人工智能的開發大多在商業部門（私營公司）進行。目前在自主系統開發方面，商業與軍事研發支出存在巨大差異，這可能會對軍事系統中的自主類型和質量產生連帶影響。在國防中使用人工智能和自主系統的一個關鍵問題是，國防部門是否能夠開發和測試安全可控的自主系統，尤其是發射武器的系統（Cummings，2017）。

4.2 決策中的人工智能

目前，人工智能在國家安全和國防領域的主要用途是對越來越多的傳感器收集到的大量數據進行分析。人工智能用于國家安全目的的一個例子是美國國防部高級研究計劃局（DARPA，2019 年）試圖開發基于模式的人工智能能力（詳見：Pezzulo & Butz，2012 年），以加強對復雜世界事件的推理并產生可操作的洞察力。其結果應該是能夠快速理解世界事件，這對于為國家安全工作（即決策制定）提供信息至關重要。

國際關系、人類社會甚至自然界（物理環境）的變化本身就會對國家安全產生重大影響，也可能構成產生更廣泛影響的因果鏈的一部分。這些事件往往不是簡單的偶發事件，而是由眾多次要因素（包括行為體和時間軸）組成的復雜現象。

面對可用但非結構化數據量不斷增長的挑戰，國防（情報）部門顯然需要一種工具來揭示和理解不同的事件、它們之間可能存在的關系及其基本要素。這就是人工智能發揮作用的地方，因為能夠創造出比對手更快、提供更好決策的人工智能體的國防部門將占據優勢。

然而，挑戰在于人工智能需要數據，而數據可能存在偏差。為了確保決策的可靠性，必須了解不良或錯誤（"中毒"）數據對決策的負面影響，以及如何檢測和隔離不良數據。這是一個商業部門目前尚未解決，但國防部門必須解決的系統問題。

人工智能在軍事領域的應用可以通過 OODA（觀察、定位、決定、行動）循環來概念化（詳見：Poussart & Wyman, 2018）。由于當前的技術發展水平，人工智能目前主要用于觀察階段。對應用（如圖像識別、數據挖掘技術）的信心至關重要，但目前可能難以實現。決定 "階段會帶來法律問題，尤其是涉及到自主系統時。實施能夠做出決定的自主系統是可行的，但需要標準和協議（控制的法律方面）。當做出反應的時間比人類的反應時間短時，就需要實施自動反應（行動階段）。這一階段與 "決定 "階段一樣，無疑是最敏感的階段，需要人工智能和自主系統達到非常成熟的發展水平。總的來說，人工智能有望改變未來沖突的性質，因為它有可能提高整個 OODA 循環中與防御相關活動的效果、效率和速度。

要評估人工智能對國防的影響，就必須預見到人工智能將給國家安全和國防概念本身帶來的深刻變革。以往的工業革命不僅給生產方式，也給人們的生活方式帶來了重大變化。有鑒于此，我們當然可以預見，作為第四次工業革命的一部分，人工智能將引發社會結構、關系和價值觀的變革。

目前，人工智能和新技術往往只被視為對包括國防在內的現有體制框架的擴充。北約的小冊子《戰爭愿景：2036 年》就是將未來武器和軍事能力與現有政治、社會和軍事結構疊加在一起的例子之一（菲利普斯和科爾，2016 年）。人工智能在國防領域的應用，尤其是在自主系統中的應用，也可能導致決策者產生某種自滿情緒，因為人們期望它能消除或最大限度地減少自己兵力中出現（人類）傷亡的風險。

4.3 人工智能在戰略思考中的應用

人工智能在戰略思考方面的應用能力仍有待提高。雖然人類似乎可以利用人工智能生成內容和回答問題，但該工具仍無法在地緣政治分析和理解行為體行為方面進行 "思考"。簡而言之，人工智能仍然沒有 "戰略文化"。

一項與美國國家戰略相關的研究就說明了這一點。Elena Wicker（2021 年）利用機器學習創建了人工遞歸神經網絡 "bernardcodie "程序。她用美國國家安全戰略的全部語料庫數據對其進行了訓練。這意味著自該文件于 1987 年授權制定以來，美國發布的所有 17 項國家安全戰略。作者使用一個人工智能工具，在前 17 個國家安全戰略的基礎上創建了新的美國國家安全戰略。結果似乎是相關的，但顯示出詞語的選擇是分析的核心，表明該工具嫻熟地識別了戰略語言中的模式和一致性。因此，Elena Wicker 認為，利用人工智能制定戰略的方法仍需改進，不能取代人類的直覺。盡管如此，人工智能在與人類分析相結合時還是很有用的，因為它可以提供一個全新的視角（復雜系統中智能體之間的聯系），拓展人類對戰略的理解。

同樣，我們用一些與全球安全和國防有關的簡短問題來測試人工智能的能力。這是 2023 年 1 月 13 日與基于人工智能的在線工具 ChatSonic（網址：//writesonic.com/chat）"討論 "的兩個問題：

Drazen Smiljanic："在烏克蘭打敗俄羅斯的最佳戰略是什么？

ChatSonic："在烏克蘭擊敗俄羅斯的最佳戰略是烏克蘭不讓俄羅斯兵力包圍。要做到這一點，可以對俄軍發動破壞性攻擊，阻止其兵力集結，同時開展防御和進攻行動，為反擊創造機會。烏克蘭還必須繼續接受美國及其盟國的援助和培訓，并繼續投資和發展尖端軍事技術，以保持對俄羅斯的技術優勢。" DS: "克羅地亞的最佳防御戰略應該是什么？"

ChatSonic："對克羅地亞來說，最好的國防戰略是在該地區保持強大的軍事存在，同時投資和發展尖端軍事技術，以保持對潛在對手的技術優勢。克羅地亞還應繼續加強與北約和其他地區盟國的聯系，以確保集體安全。克羅地亞還應明確表示，如果局勢升級，它將不會派遣任何部隊，以表明它致力于和平解決地區緊張局勢和沖突"。

雖然這些答案似乎很有意義，但它們并不是戰略制定、地緣政治分析或類似領域通常使用的任何方法的產物。結果表明，就目前文本生成和語言翻譯的發展而言，人工智能仍可被理解為一系列具有自然語言處理能力的算法，這是其能力的核心。而不是更多。不過，人工智能可以提供一個獨特的機會，從整體上評估戰略文件的 "體裁"，并識別所用語言的模式和一致性。

5 關于未來使用人工智能的結論和思考

幾乎每一天都會有關于人工智能的新文章和討論，關于它將給我們的日常生活帶來哪些革命性變化，以及關于主要經濟大國所做的大規模投資。然而，與人工智能相關的話題及其未來發展可能會引起爭議。末日論者對可能由人工智能和智能機器統治的未來抱有烏托邦式的幻想，而技術理想主義者和烏托邦主義者則認為人工智能相關技術只會促進人類福祉。在這兩者之間，還有一些打著哈欠的懷疑論者，他們要么聲稱人工智能領域取得任何重大進展（成本效益方面）的時間太長，要么甚至認為真正的人工智能根本不存在。事實上，人工智能技術已經出現在我們身邊，而且其潛力還在不斷增長。

目前，預計在不久的將來，人工智能發展的大趨勢不會放緩。然而，這種謹慎并非毫無道理。人工智能的發展已經經歷了兩次 "人工智能寒冬"，因此在未來一段時間內也應考慮到這種可能性。

人工智能真正令人擔憂的是其未來的應用。在樂觀的情況下，人工智能將提供一個經濟機遇，如果平衡和處理得當，可能會帶來許多積極的應用。預計人工智能幾乎會對社會的各個方面產生影響：勞動力市場、交通、醫療保健、教育和國家安全。在最好的情況下，它將成為適應人類的技術，并將對人類和人類產生深遠的變革。

人工智能在國防能力中的應用呈增長趨勢。也可以預見，人工智能將在戰略競爭中被用作弱者（就軍事實力而言）的工具。因此，可能會出現以不對稱為主的競爭或沖突。在這種情況下，可以將人工智能作為一種手段，更準確地接觸和處理目標國家和社區的個人及其態度和情緒。這樣，人工智能就可以被用來試圖分散甚至破壞對手社會的穩定，更準確地說，是破壞其輿論的穩定。一些國家，特別是非民主國家，也可能決定利用人工智能來觀察和控制本國公民的態度和行為。

人工智能作為安全和國防領域潛在的游戲規則改變者，其最有益的用途可能是決策。深度學習算法為改善態勢感知和對信息環境的理解提供了前所未有的機會，使人工智能服務對最高級別的決策大有裨益。未來，人工智能有望在識別趨勢和驅動因素以及各類人類活動的潛在結果方面提供獨一無二的深刻見解。這將使其在前瞻性分析、處理不確定性和復雜性方面大有用武之地。

電子戰的豐富歷史可以追溯到一個多世紀以前，它已經成為作戰人員掌握的一個強大工具。然而，隨著技術的不斷進步，電子戰系統的能力和用于評估它們的工具也必須不斷進步。約翰霍普金斯大學應用物理實驗室（APL）的一個團隊利用技術和業務專業知識的獨特組合，開發了一種簡化的分析方法，以盡量減少分析的周轉時間。本文概述了這種方法，并強調了一種強大的數字信號處理工具，為關鍵任務和操作相關的測試數據提供快速和徹底的分析結果。

引言

隨著越來越多的行業在有限的電磁頻譜中爭奪空間，信號處理技術已被迫利用最近的計算速度和新型機器學習算法的進步來跟上需求。雖然這種快速的進步無疑在許多方面改善了我們的生活，但它也創造了一個動態和多面的電磁景觀，需要小心翼翼地加以駕馭。我們現代無線電頻率環境的復雜性可以被對手利用來達到惡意的目的。這種威脅對于在有爭議的敵對環境中行動的作戰人員尤為重要。潛在的惡意，加上快速發展和容易獲得的技術，促使我們需要下一代電子戰能力，以納入既靈活又可靠的信號處理技術。

北約政策將電子戰定義為 "一種利用電磁能量的軍事行動，包括主動和被動，以提供態勢感知并創造進攻和防御效果"。在這樣的一般準則下，可以說電子戰和公元前213年阿基米德通過反射太陽光燒毀羅馬艦隊的傳說一樣古老。實際上，電子戰的出現要晚得多，可以追溯到日俄戰爭（1904-1905年），在那場戰爭中，無線電干擾首次被成功運用于戰斗。在第一次世界大戰期間（1914-1918年），無線電空地通信的使用被證明對偵察和炮兵觀測至關重要。在第二次世界大戰（1939-1945）之前的幾年里，無線電導航和雷達等進步在整個戰爭中至關重要，使得工具和系統得到進一步發展，包括高頻測向、電子對抗措施、反干擾電子對抗措施和電子情報。

冷戰（1947-1991）、朝鮮戰爭（1950-1953）和越南戰爭（1955-1975）促使電子戰戰術和技術取得進一步進展，包括發明了晶體管、行波管、螺旋天線、機載電子戰系統以及雷達歸位和警告系統。從第一次海灣戰爭開始，計算機和網絡信息已經高度融入現代戰爭系統以及執行任務和戰爭的方式中。這種整合要求電子戰系統和戰略相應地進步，以保持在現代無線電頻率領域的主導地位。為了實現這一目標，系統必須經過廣泛和復雜的測試，以確保操作和任務的成功。電子戰系統的測試伴隨著許多挑戰--包括技術、后勤（預算、資源、時間表等）和安全合規的挑戰，特別是在測試 "先進技術 "時。當尖端的硬件和信號生成需要滿足尖端的測試環境和信號處理方法時，就會出現技術挑戰。

由于現代電子戰系統是在動態環境中運行的，因此很難計劃準確復制真實世界的場景的測試。一些項目可能會選擇有多個測試場地，可以提供不同的測試環境，如消聲室或空中測試。為了最大限度地提高這些地點的效率，可以使用實驗設計的方法，并且測試的優先級必須靈活，因為關于系統的意外發現已經展開。在整個計劃、執行和分析過程中，這些測試點之間的溝通也是必須的，因為可能很難確定錯誤的來源。錯誤可能是由測試設置引起的，測試點的設計超出了系統的預期，人為錯誤，或系統故障，僅舉幾例。能夠快速確定源頭，使更大的測試社區能夠識別和補救常見的異常，同時滿足預算和進度限制。

不同的測試點可能會產生額外的數據分析復雜性，因為記錄設備可能以各種格式存儲數據，有時是專有格式。被測系統也可能有復雜的測試點，包括具有重疊功能的多個任務，數據速率限制，甚至復雜的系統邏輯分配任務。解決這些挑戰需要一個強大的分析解決方案，在所有測試點上進行簡化和自動化。快速轉換結果的能力對于確保即將到來的電子戰系統的操作和任務成功至關重要。考慮到這一點，我們的團隊利用技術和業務專長的獨特組合，開發了一個能夠應對這些挑戰的分析工具。

本文的其余部分介紹了該團隊的概況以及它在整個APL層次中的位置，概述了精簡分析管道的四個步驟，并提供了一個簡短的例子來強調該工具的一些能力。最后，文章對未來進行了簡要的展望。

APL研究團隊的愿景

作為美國最大的大學附屬研究中心（UARC），APL在近80年來一直是美國政府值得信賴的顧問和技術專家。因此，在APL多樣化的投資組合中，有大量專注于電子戰和與之相關的工作，這一點并不奇怪。事實上，APL的部隊投射部門有多個小組專門負責電子戰系統和先進的電子攻擊開發，并在其精確打擊任務區有一個專門的電子戰項目區。

作者的數據分析小組只是眾多深入致力于該任務區的小組之一，他們利用自己獨特的才能支持下一代電子戰系統的測試和評估。簡而言之，他們探索系統行為和波形生成，以驗證在許多環境和參數下的適當性能。這些團隊不僅由科學家、數學家和工程師組成，還包括退役飛行員、電子戰軍官和任務規劃人員。多樣化的背景使我們能夠全面理解大局的任務目標、系統行為對任務的影響以及贊助商的組織需求。我們團隊的互動可以延伸到政府的測試執行小組，最好是在APL、這些政府測試執行小組和我們的贊助者之間建立一個溝通的三合一，以決定測試的優先次序。鑒于這個社區支持的系統和任務的多樣性，我們開發了一個系統的、可適應的、精簡的和自動化的方法。

方法概述

結果往往需要快速周轉，以便為隨后的測試計劃或執行提供信息，這可能發生在當前交付數據的一周內。由APL創建的快速瀏覽簡報向測試界展示了哪些測試條件是符合要求的，哪些需要在未來的測試計劃中進一步調查。此外，如果可以在數據收集過程中做出改變，以更準確地捕捉系統行為，該信息可以及時傳達給測試執行團隊。圖1顯示了測試生命周期的概況，測試計劃首先發生，接著是執行，然后是分析。分析為未來的測試計劃和執行提供信息，使這個周期反復進行。

圖1. 測試生命周期的概述。測試計劃首先發生，接著是執行，然后是分析。分析為未來的測試計劃和執行提供信息，使循環反復進行。

我們團隊的數據分析方法可以分解為四個連續的階段：數據收集和整合、預處理、分析和輸出。它的具體設計目標是通過最大限度地提高分析人員快速和準確地解釋結果的能力，最大限度地縮短周轉時間。雖然這些都是數據分析管道的明顯目標，但令人驚訝的是，它們很難有效地實現，主要是因為這些目標經常相互競爭。更明確地說，對于關鍵任務的結果，對徹底分析的渴望需要與加快結果的需要巧妙地平衡。

為了實現這種平衡，我們設計了一個框架，在分析管道的開始和結束時優先考慮用戶界面，允許大部分的分析不受阻礙地進行，而不需要用戶參與其中。將用戶界面優先放在管道的末端，可以有效地檢查分析結果，以標記不規則或異常的行為。因此，當我們開始開發我們的分析管道時，我們首先檢查所需的分析最終產品，并確定創建這些分析產品所需的步驟。同樣，在一開始就優先考慮用戶界面，可以確保分析管道的正確初始化，使數據能夠根據需要快速、可靠地重新分析。

本節的其余部分簡要介紹了分析過程的四個階段（如圖2所示），解釋了我們在本設計中如何處理每個階段，并提供了一個突出分析能力的子集的例子。

圖2. 分析管道的概要。這個概述顯示了測試數據和分析員輸入是如何被用來提取和輸出分析結果的。I/Q，相內/正交相位。

數據整合

需要進行數據整合，以確保在使用我們的分析工具之前，來自不同來源的數據文件是標準化的。此外，我們的主要重點是驗證系統是否按預期工作；因此，每個數據集都需要先驗信息，如指令波形參數。這些信息不僅可以精確地量化指定參數值和實際參數值之間的誤差，而且還可以大大減少分析一組特定數據的挑戰。也就是說，測試和評估小組的成員不負責收集數據。相反，數據文件是由全國各地的各種測試點發送給我們的。雖然有多種數據來源的好處，但也有缺點。我們不得不解決的一個特殊障礙是，在不同的測試點之間，甚至在同一測試點的不同測試活動之間，在命名、存儲、記錄和發送數據方面缺乏標準化的慣例。

對于需要以特定方式輸入預期波形信息和信號相位/正交相位（I/Q）數據的工具來說，這種標準化的缺乏是有問題的。因此，一個主要的和正在進行的工作是將各種數據源合并成詳細和一致的文件，以便輸入分析工具箱。簡化這一過程在很大程度上取決于正確解析來自不同數據和頭文件、測試日志、系統輸出文件甚至手寫筆記的信息的能力。因此，沒有一個適合所有情況的解決方案來實現這一過程的自動化，即使在最好的情況下，該解決方案也至少需要一些用戶輸入，以確保信息被正確分割。幸運的是，隨著團隊接觸到具有新的命名和記錄慣例的數據集，開發一套多樣化的工具可以在未來從廣泛的數據格式中快速解析出相關信息。

預處理

數據整合之后是數據預處理。這一步的主要目的是為分析工具箱的處理準備數據集，該工具箱是為分析單一分配頻率下的單個波形參數而設計的。在這一步進行的所有分析的目標是將涉及不同無線電頻率的多種波形類型的復雜數據集劃分為要分析的單個波形成分。

目前，預處理包括以下功能：

• 驗證用于加載和保存數據的必要文件夾是否存在
• 搜索沒有系統輻射輸出的時間段的數據集（即空白），并從I/Q數據中刪除這些部分
• 確定數據集是否對應于時間轉換技術，如果是的話
  • 分析換算參數（從一種技術轉換到另一種技術的時間，或死區時間；每種技術的輻射時間，或停留時間；等等），并保存初步分析結果
  • 將單個數據集劃分為多個數據集，與每個換向技術相對應
• 估算和消除可能存在的任何中心頻率偏移，并存儲偏移值，供今后分析使用
• 將預處理的數據保存為MATLAB.mat文件

雖然這個程序大部分是自動化的，但清除空白和時間換算分析步驟目前需要最小的用戶輸入，以確定數據的不同部分之間的適當閾值。我們試圖將這些步驟自動化，但不同數據集之間信號水平的變化是一個持續的挑戰。

分析

分析工具箱是這項工作的關鍵，是管道的下一個層次。在這一層，綜合信息文件與預處理的I/Q數據相結合，提供不同波形的參數分析。這個代碼庫設計得既快速又徹底，構成了一個強大的工具，能夠將眾多重疊的參數解耦，以提供對波形的全面分析。此外，用戶可以通過選擇一個將被分析的預處理測試點的子集，并確定分析過程中 "開 "或 "關 "的分析工具類型來加快結果。

分析過程可以分成兩個步驟： (1）分析與技術類型無關的參數，和（2）分析技術特定的參數。第一類包括諸如副載波率、中心頻率偏移、填充寬度、斑點寬度（覆蓋率）、光譜效率和光譜振幅變化等參數，它們適用于我們團隊可能分析的任何波形。第二類包含一個更廣泛的參數列表，根據波形技術的不同，可以分為五個子類別。目前在每個子類別中可以分析的參數的完整列表見圖3。

所有需要的分析完成后，結果被保存在具有專門設計的存儲層次的數據結構中。這種方法使該管道后端的工具能夠快速、可靠地拉出結果供分析人員審查。在這里，團隊在波形分析方面的專業知識得到了最充分的利用。任何不正常的結果都會被標記出來以便進一步調查，這些測試點和/或參數會在用戶的參與下被重新分析，以確定這些不正常現象是分析工具的缺陷造成的，還是數據中的異常。如果是前者，有問題的分析代碼將被及時調試，并重新分析數據。如果是后者，分析小組將與主題專家和測試人員合作，對異常行為進行更徹底的調查，并將其納入最終的分析報告。

圖3. 目前的分析能力。能力包括非特定于任何特定波形的參數，以及與團隊主要關注的五個波形相對應的參數。

輸出

分析管道是靈活的，因此它可以用來分析各種平臺，因此輸出（例如，可視化、圖表和演示）可以定制。用戶在分析開始時為每個系統選擇配置文件；這些文件包含的信息，如每個技術的指定要求，可以從系統中輻射出來。此外，APL的團隊已經確定了 "操作影響 "要求。這些要求是由退役飛行員、電子戰軍官和任務規劃人員指定的，并幫助確定我們分析中最關鍵的任務規格。這些配置文件告訴分析工具給每個被測試的規格分配 "通過 "或 "失敗"，然后將結果保存在一個樹狀結構中，可由其他支持工具進行解析。

APL團隊開發了兩個輔助工具來解析輸出結構以幫助分析人員。第一個工具是一個簡報生成器，它為每個被分析的測試點自動創建一個演示幻燈片；每個幻燈片包含技術光譜、指定的技術參數和一個總結技術規格、操作影響要求和所產生的分析通過/失敗值的紅綠燈圖。這個工具提高了我們分析過程的效率和效果，節省了開發簡報的時間，并提供了一致的演示格式，幫助我們輕松識別異常行為，使我們的合作伙伴組織和贊助者能夠快速了解我們的結果。

APL團隊創建的另一個工具是射頻信號分析的視覺輔助工具（VARSA）。VARSA允許用戶快速比較測試矩陣中不同參數的分析結果，并確定任何趨勢。用戶可以選擇繪圖的類型和特征，以及彩圖，以獲得最佳的分析圖表。

這些工具具有足夠的通用性，以至于它們在我們團隊之外被改編為使用我們創建的通用樹狀結構的任何數據的分析。

示例

為了展示分析工具的一些能力，本節提供了一個簡短的例子，它是我們分析中遇到的波形類型的代表。例子中使用的計算機生成的數據包括兩個時間轉換的賦值（即信號在時間上來回切換）；第一個賦值是一個頻率調制的噪聲技術，其中心頻率在賦值帶寬上啁啾，第二個是一個跳頻脈沖技術，其跳頻集的中心頻率在所需帶寬上啁啾。白高斯噪聲也被添加到信號中，以產生盡可能真實的代用數據。圖4-6描述了分析過程。

該分析管道的第一步是將換向信號（圖4）劃分為兩個獨立的文件，對應于組成技術（圖5）。這是在預處理步驟中通過利用信號的瞬時頻率（即隨時間變化的頻率）和隨時間變化的功率實現的。此外，這些分離的信號中的每一個都被 "居中 "了頻率，以產生易于分析的數據集。

圖4. 收到的數據。未經處理的、經過時間轉換的I/Q數據，由兩種不同的技術組成，具有各種重疊的波形參數和調制。圖中用彩色編碼來區分頻率調制噪聲技術（藍色）和跳頻脈沖技術（青色）。

圖5. 預處理步驟。時間換算的技術被分成兩個獨立的數據文件。中心頻率偏移被刪除，以便每個數據集都以基帶為中心。

圖6. 分析步驟。疊加的啁啾聲被從每個數據集中去除并進行分析。基本技術被揭示出來，允許對每個不同的波形進行徹底分析。

進入分析步驟，從每個信號的時間序列中去除疊加的啁啾調制（圖6）。這個過程提供了對啁啾斜率的準確測量，以便與指定的值進行比較，使人們清楚地了解基本波形，并使分析過程能夠準確地測量技術參數。在特定波形的分析完成后，分析結果被系統地存儲和保存，供分析人員審查。

雖然說得很簡潔，但上述例子展示了一個強大的數字信號處理工具。依次剝離復雜波形的能力不僅可以對眾多參數進行復雜的分析，而且還可以使測試團隊通過將多種特征和調制疊加到較少的信號中來減少捕獲的測試點的數量。這些進步共同提高了吞吐量，減少了周轉時間，提供了對關鍵任務和操作相關數據的快速和徹底的分析。

展望未來

敵方的傳感器和指揮與控制系統正變得更加難以定位和瞄準，它們采用的波形和技術更加敏捷，對電磁環境的感知和反應能力也更強。系統經常使用認知方法來在電子攻擊的情況下有效地運作。為了應對這些新出現的復雜威脅系統，我們的電子戰能力必須變得更有適應性，對對手的反制措施更有彈性。

未來的電子戰正朝著高能力、分布式和協作式系統的組合發展，這些系統可以在飛行中學習，并運用空間、機載、地面和/或海基平臺的多領域能力來實現效果（例如，協作使用電子攻擊和電子支持、誘餌和網絡）。所期望的最終狀態是一套能夠有效拒絕、降低、欺騙并最終控制電磁波譜的能力。這些下一代的系統需要高度功能的測試和分析管道的支持。

盡管到目前為止我們已經開發的分析管道的功能是廣泛的，但它并不詳盡。我們正在不斷地擴大工具集的功能，以解決新的系統能力，同時優化和加強現有的代碼，以處理新的或異常的數據集。支持未來測試所需的較新的分析能力的一些例子是：同步分配、同步通信和干擾、先進的干擾技術，以及整合機器學習技術以進一步減少對循環中用戶的需求。

一體化防空反導系統(IAMD)資源管理可以適用于當今現代軍隊中的許多不同裝備。本文討論的是雷達資源，它是用于用相控陣雷達探測、跟蹤和辨別目標的射頻能量和時間片段。IAMD的雷達資源可以在離散的停留水平和宏觀任務水平上進行管理。本文的第一部分介紹了一種IAMD雷達調度算法，該算法使用間隔和 "最早-最后 "調度的變體，在滿足固定任務期限的情況下，有效地實現所需的搜索幀時間。文章的后半部分接著討論了一個用于長期彈道導彈防御任務的軌道協調算法的設計。這兩個概念都適用于多功能相控陣雷達，并被設計為在滿足現有性能參數的同時提高效率。

1 引言

一體化防空反導系統(IAMD)是一套對飛機、巡航導彈和彈道導彈提供分層防御的能力。IAMD的資源管理是管理任何綜合防空導彈作戰系統或部隊的有限資源的一套作戰系統和系統的能力。圖1顯示了一個多任務（包括IAMD）雷達的各種預期能力和功能的例子。

傳統的武器系統是受限制的；對新的威脅和復雜環境的反應，這些系統最初并不是為其設計的，必須用傳統的硬件、計算機和網絡來解決，增加了能源、時間和系統的復雜性。新的IAMD系統在應對同樣的挑戰時，其資源受到的限制較少，但卻不同。然而，無論系統的現代化程度如何，美國海軍永遠不會有足夠的資源將能源和金屬扔到太空中，而不考慮這些資源在未來可能被需要并有效協調其應用。本文介紹了兩種用于IAMD雷達資源管理的算法。第一種算法是一個單一雷達的調度算法。第二種算法是針對多個雷達的協調算法。

圖1. IAMD雷達所需的性能和功能。

2 背景

IAMD從根本上說是一個多層面的優化問題。IAMD雷達控制系統的一個目標是在受到硬件能力和其他限制的情況下，在給定的時間內執行最大數量的功能，如搜索和跟蹤。考慮的因素包括占空比、峰值輸出功率、信號處理吞吐量、瞬時帶寬、接收鏈靈敏度和陣列結構。雷達控制算法根據優先考慮的事件隊列，在重復的雷達調度間隔（RSI）中安排雷達任務，同時遵守上述的限制。對于每個RSI，傳統的算法將從最高優先級的隊列開始，只有當高優先級的隊列為空且RSI中仍有空缺時，才會轉移到低優先級的隊列。這種方法可以被描述為 "貪婪的調度器"，因為RSI是固定的（不是靈活的），資源的應用只是為了安撫優先級，而不是為了實現效率。

高效的IAMD資源管理應用了基于優化理論的技術，特別是組合優化。這個特殊的數學優化分支將樣本和解決方案集視為離散。雷達任務或 "駐留 "可以被認為是離散事件，必須適合一個固定的容器--RSI。目標是用雷達事件完全填滿RSI，而不在時間軸上留下空隙。開源文獻中的組合優化例子，如knapsack問題和區間調度，特別適用于雷達調度。區間調度是計算機科學中的一個問題，其中必須選擇具有固定開始和結束時間的最大的區間（任務）集合在給定的時間段內執行。間隔調度問題有一些變體，將任務放入組中，并對每組的任務安排數量設定目標，或者根據優先級對組進行加權，目標是使安排的任務的加權值最大化。這最后的變化與系統設計者通常提出的IAMD資源管理問題非常相似。最后，中央處理器（CPU）的設計提供了一個高效動態調度算法的例子，即earliestdeadline-first（EDF）調度。如果每個任務可以用到達時間（隊列中的順序）、執行要求（持續時間）和最后期限（請求時間）來表征，那么EDF將選擇最后期限最接近當前時間的任務。

3 IAMD調度算法

一個雷達調度器必須滿足以下標準：

• 實現特定的搜索幀時間（名義上是重新訪問空間中每個點的時間，或者說，每個波束位置之間的時間）。
• 執行特定的跟蹤功能，同時盡量減少放棄的跟蹤更新事件。(軌跡更新是指雷達波束傳送到預計有目標的位置，加上隨后對該目標的探測，"更新 "其估計位置）。
• 最大化雷達占用率（調度器效率）。

讓雷達要安排的任務是兩種類型之一：固定的或靈活的。固定任務有一個特定的請求執行時間。靈活任務沒有具體的請求時間，但它們被認為是由預先確定的序列組成的持續任務，目標是以某種最低速度完成每個序列。固定任務和靈活任務可能有不同的優先級，這取決于由整體任務決定的系統目標。任務根據提出請求的時間被放在隊列中。

固定任務有一個指定的單一事件（或 "停留"）的最佳請求傳輸時間，由固定任務管理器決定。固定任務通常有少量的松弛時間，即計劃時間可以偏離請求時間的最大時間（提前或推遲）。松弛量將根據雷達任務的類型而變化。雷達固定任務的例子包括跟蹤、辨別、導彈通信和提示性獲取事件。

靈活任務有一組確定的事件，以特定的順序或模式執行。分配給每個靈活任務的事件可能有不同的長度。盡管這些事件沒有具體的要求時間，但整個模式將有必須執行的最低和最高時間段。靈活任務模式將被系統無限期地重復，直到被命令停止。所有與隊列中特定任務相關的靈活任務請求將具有相同的優先級。靈活任務的例子是體積搜索、雜波映射和基本測試功能。

所提出的調度算法是間隔調度和EDF的一個變體。在組成動態RSI時，它使用EDF方法來選擇固定任務（有截止日期的雷達事件），但隨后使用啟發式方法來設置靈活任務（沒有截止日期但對該任務隊列有執行目標的雷達事件）的動態優先級。該算法包括將固定任務安排在或接近其要求的時間，然后用靈活的任務事件填補固定任務之間的間隔。靈活任務的選擇不是基于優先級，而是基于動態地重新計算的模式率。這種單通道的算法設計假定所有的雷達事件都是符合責任因素的，而且固定任務總是比靈活任務有優先權。由于雷達硬件、算法設計和系統性能的限制，這些假設對于美國IAMD雷達如AN/SPY-1、-3、-4和-6并不總是成立。然而，這種調度算法是一種基于抽象原則的方法，與所有雷達調度算法有關。

IAMD調度算法利用固定任務的屬性來組成一個動態RSI（DRSI）。圖2描述了固定任務的屬性。固定任務必須在某個時間段內執行。要求的時間是最初要求開始執行的時間。長度是任務將消耗的時間段（占用）（即從任務開始到另一個任務或事件可能被安排的下一個時間之間的時間段）。閑置時間是指該任務在請求時間前后可接受的調度窗口。最早的可能開始時間是請求的時間減去領先的松弛時間。最晚的可能開始時間是所請求的時間加上尾部的時間差。前期和后期的松弛可以是相同的時間，但不要求是相同的時間。DRSI是一個固定任務結束與下一個固定任務結束之間的間隔。該算法將試圖把靈活的任務事件放在DRSI中。

圖2.固定任務屬性。

該算法還要求對靈活任務模式的狀態進行監控。一個模式最后開始的時間是模式開始時間（PST）。如果模式中的所有元素都被執行了一次，那么一個框架（模式的周期）就完成了。模式中所有事件長度的總和是模式長度（PL）。完成一幀圖案的所需時間長度被指定為所需幀時間（DFT）。PL和DFT通常是不一樣的（否則，靈活的任務將要求完全占用）。

圖3. 調度算法步驟。

在當前時間安排的模式的期望量是PL除以DFT，再乘以當前時間和PST之間的差異。靈活任務赤字（FTD）是在當前時間安排的模式的期望量減去已經為當前周期的模式執行安排的事件長度的總和。例如，一個靈活任務的DFT是8秒，當前時間和PST之間的差值是4秒。如果靈活任務的PL是3.2秒，那么當前時間安排的模式的期望量是1.6秒。假設當前周期的模式安排的事件長度之和是1.4秒，因此FTD是0.2秒。FTD在調度算法中被用來動態地優先考慮當前DRSI的那個靈活任務隊列。

該算法分四步執行，如圖3所示，有一些靈活任務類型的例子。首先，選擇下一個固定任務（NFT）來創建DRSI。其次，計算FTD，以確定哪些靈活的任務事件應該首先被安排，以及應該安排多少個來盡可能地填滿DRSI并減少最大的FTD。靈活任務按其FTD的順序考慮，較長的FTD具有較高的優先權。第三，靈活任務事件被安排到NFT，每個事件之間沒有空隙。第四，NFT被安排在最早的開始時間（在這種情況下，可能會有間隙），通過使用可用的松弛時間，或緊隨先前安排的靈活任務事件（不留間隙）。選擇NFT的算法也允許調度固定任務，中間沒有間隙。當固定任務可以在時間線上相鄰放置時，可以獲得較長的DRSI，并且可以安排較長的靈活任務。這個特點解決了靈活任務的一個隊列不能前進的情況，因為DRSI太短，不能從該隊列中插入一個事件。

每個固定任務隊列中最早的固定任務請求填充到NFT候選池中。選擇算法首先在候選者的松弛度允許的范圍內，盡可能晚（向右）移動每個候選者（圖4）。對于情況1（最高優先級的任務有最早的最后期限），選擇算法選擇最高優先級的固定任務作為NFT。該算法試圖更早地移動NFT，使其與先前安排的固定任務相鄰，中間沒有間隙。如果NFT不能更早轉移，那么它將被盡可能地推遲，下一個DRSI被定義為當前時間和所選NFT結束之間的間隔。圖5描述了任務A創造了一個DRSI，靈活的任務被安排在任務A之前，接著是任務B，它被安排在任務A之后，沒有間隙。

圖4. NFT的選擇。

圖5. NFT案例1，沒有沖突的優先順序。

一旦所有的事件都被放置在DRSI中，通常會有一個缺口，即DRSI中最后安排的靈活任務和固定任務的開始之間的未填充部分。固定任務在時間線上被提前移動，直到間隙被關閉或達到松弛的最早限度。在案例1中，任務A被稍稍提前移動，以便它和前面的靈活任務事件之間沒有間隙。

如果一個較低優先級的任務比一個較高優先級的任務更早開始，并且有足夠的松弛，使較低優先級的固定任務可以在最高優先級的固定任務之前開始和結束，那么該算法就選擇一個較低優先級的任務作為NFT。較低優先級的任務形成了DRSI，較高優先級的任務被安排在較低優先級的任務之后。這就是案例2，如圖6所示。

情況2還安排了任務B和A，使DRSI中不存在間隙。但是，如果任務B的松弛的最早限度會達到，以至于它不與前面的靈活任務事件相鄰，那么缺口就不可能被關閉。當缺口發生時，缺口的長度會被制成表格，以便在計算調度器效率時使用。調度器的效率是總時間減去間隙的總和除以總時間。

最后，如果有一個優先級較高的固定任務必須被調度，而優先級較低的固定任務要么太長，要么沒有足夠的松弛時間被容納，那么該算法就不會調度一個優先級較低的固定任務。這就是案例3，如圖7所示。

當沖突出現時，較高優先級的固定任務被選為NFT。在這種情況下，較低優先級的固定任務被退回給任務管理器。請注意在這個特殊的例子中，靈活任務是如何被選擇的。該算法在每次建立DRSI時都會計算隊列中的FTD。因為這是一個單程算法，具有最大FTD的隊列的事件被首先安排。當一個優先級較低的靈活任務具有較大的FTD時，就會發生靈活任務調度中的 "優先級 "倒置。該算法將最大FTD隊列中的事件填入DRSI，這些事件是將FTD減少到零所必需的，或者是在DRSI中可以容納的。該過程以赤字順序重復，直到DRSI被填滿或所有隊列都被解決。靈活任務的優先級繼承自靈活任務參數（DFT和PL）。

圖6. NFT案例2，由于最早的截止日期，優先順序反轉。

圖7. NFT案例3，無法解決的固定任務沖突。

通過模擬，我們發現了兩個額外的、必要的算法特征。第一個特征是對NFT選擇算法的調整，限制了最大的DRSI。DRSI必須被限制在一個最大值，這樣，如果一個新的固定任務到達隊列，它可以被安排，而不會因為執行一個長的DRSI而出現延遲或拒絕服務。如果符合條件的NFT將創建一個超過最大DRSI的DRSI，那么當前的DRSI將用一個靈活的任務而不是一個固定任務關閉。第二個特征是一個中斷動作，將允許新的關鍵固定任務搶占當前的DRSI。關鍵固定任務的特征是高優先級，請求時間與當前時間接近，并且沒有松弛。如果一個關鍵的固定任務發生，固定任務和靈活任務事件將從DRSI返回到它們的隊列中。

調度算法采用四步單通道方法，沒有超前看。追蹤FTD的特點是將過去的性能納入下一個DRSI的目標，并防止一個任務僅僅由于優先權而支配時間線。這個特點也允許進程優雅地退化。該算法有時可能無法實現增量目標，但平均而言，在較長的時間跨度內，DFT一般都能實現，很少有固定任務丟失（超時），除非他們所要求的時間會阻止一個更優先的固定任務被執行。請注意，該算法的性能仍然取決于適當的固定和靈活的任務參數輸入，如松弛量和DFTs。在重載條件下，請求可能還需要進一步的優先級；這種優先級將涉及調整靈活任務的DFT和可能的模式內的事件參數，以及整個模式的長度。

圖8. 沒有協調的概念冗余跟蹤。

4 彈道導彈防御軌道協調算法

用于IAMD的部隊級雷達資源管理（FLRRM）是海軍研究辦公室的一個未來海軍能力項目，目的是建立通過協調雷達任務產生增強防御性能的技術。盡管該項目中的廣泛努力正在研究雷達任務管理的許多方面，但由于彈道導彈防御（BMD）跟蹤任務的固有壓力，該項目重點關注彈道導彈防御的協調。

對BMD跟蹤的協調解決了目前部隊規劃和執行的局限性。沒有任務重疊的友軍布局（如分區防御設計）會限制突襲性能，因為從單一發射區進行的BMD突襲可能超過單艦能力。任務重疊的友軍布局也有局限性，因為重疊的雷達搜索理論或提示性獲取將導致重復跟蹤，如果沒有某種形式的干預協調，可能會導致過度交戰。盡管人工形式的協調是可能的，但突襲間隔時間使其失去了作用（圖8）。

FLRRM跟蹤協調（FTC）的目的是通過減少BMD的冗余跟蹤來提高突襲被殲滅的概率，并通過多艘艦艇之間的協調來保持艦艇自衛能力。FTC的形式是廣義分配問題（GAP）和多臂強盜（MAB）問題。前一類問題繼承自組合優化。MAB則是從概率論中得到的。關鍵的區別在于，組合優化要求對每個 "機會 "進行分配，而MAB則不需要。因為BMD軌道協調不允許棄權，所以它更自然地采用了類似于多重背包問題的GAP方法。

GAP公式如圖9所示。軌道的數量為N，傳感器的數量為M。一個傳感器-軌道對用ij表示。ij對的利潤和權重（成本）分別為pij和wij。傳感器i的總容量用wi表示。分配向量為xij；如果xij為1，則解決方案中要使用配對ij（即傳感器i是軌道j的首選）。典型的解決方案涉及一個動態程序或一個近似算法。然而，彈道導彈跟蹤的性質和可用的通信機制進一步制約了這個問題。每次有新的彈道導彈被其中一個傳感器探測到或被遠程報告時，協調問題必須重新解決。但是，如果傳感器軌道分配xij在引入新的軌道后發生變化，那么每個系統的火力控制回路可能會受到不可修復的干擾。換句話說，一旦彈道導彈被分配到一個系統，它就必須留在那里。該算法只能在考慮已知（現存）彈道導彈軌道的當前狀態的同時，協調每個新彈道導彈軌道的行動。此外，協調必須發生在跟蹤階段的早期，在這個階段對彈道導彈的類型和目的地知之甚少。因此，需要一個簡單而有效的利潤函數，該函數基于從MIL-STD-6016消息集中容易獲得的信息，以便可以實施分布式算法。結果是一個具有傳感器可用性和確認信息的先入先出的分布式貪婪啟發式算法。

FTC算法在美國海軍IAMD平臺（主要是宙斯盾巡洋艦和驅逐艦）之間提供分布式、可控的BMD軌道協調。圖10描述了一個使用FTC的名義上的部隊協調結果。通過避免對鏈路信息和雷達的修改，FTC保持了一個定義明確的范圍，是可以負擔得起的，并且可以擴展的。在每個啟用的平臺上，FTC從通過BMD通信鏈路傳達的Link 16信息中輸入空間軌跡圖；在宙斯盾武器系統內的指揮和決策元素中進行處理；然后向操作者輸出建議。信息交換要求限于現有的MIL-STD-6016信息和交換，由宙斯盾BMD 5.1計劃認可，以及操作員和武器系統之間的配置和監督控制信息。圖11描述了宙斯盾武器系統中修改后的功能。

算法研究表明，在各種突襲環境中，FTC比無協調的傳感器網絡極大地增加了交戰目標的數量。戰術相關場景的結果表明，有能力提供接近理想協調的高概率突襲殲滅。協調的好處廣泛適用，包括只有兩艘船參與的情況。

FLRRM已經過渡到導彈防御局宙斯盾BMD（MDA/AB）項目辦公室，并將在一個記錄程序中進行進一步的改進、整合和關鍵實驗。預計FTC將在2020年投入使用。使用新的傳感器和通信鏈路的改進也正在探索之中。

圖11. 美國聯邦貿易委員會對宙斯盾武器系統(AWS)的修改

衛星通信提供了在未覆蓋和未充分覆蓋地區的服務連續性、服務普遍性和服務可擴展性的前景。然而，要實現這些好處，必須首先解決幾個挑戰，因為衛星網絡的資源管理、網絡控制、網絡安全、頻譜管理和能源使用都比地面網絡更具挑戰性。同時，人工智能（AI），包括機器學習、深度學習和強化學習，作為一個研究領域一直在穩步增長，并在包括無線通信在內的各種應用中顯示出成功的結果。特別是，人工智能在各種衛星通信方面的應用已經顯示出巨大的潛力，包括波束跳躍、抗干擾、網絡流量預測、信道建模、遙測挖掘、電離層閃爍檢測、干擾管理、遙感、行為建模、天-空-地整合以及能源管理。因此，這項工作提供了一個關于人工智能、其不同子領域以及其最先進算法的總體概述。然后討論了衛星通信系統的不同方面所面臨的幾個挑戰，并提出了它們的擬議和潛在的基于人工智能的解決方案。最后，對該領域進行了展望，并提出了未來的研究和發展步驟。

關鍵詞：衛星通信；無線通信；人工智能；機器學習；深度學習；強化學習

1 引言

隨著無線通信系統的顯著進步，各領域對新服務的需求迅速增加，以及智能設備的快速發展，促使了對衛星通信系統的需求不斷增加，以補充傳統的地面網絡，使其在未覆蓋和未充分覆蓋的城市、農村和山區以及海洋地區提供接入。有三種主要的衛星類型，包括地球靜止軌道，也被稱為地球同步赤道軌道（GEO），中地球軌道（MEO）和低地球軌道（LEO）的衛星。這種分類取決于三個主要特征，即高度、光束足跡大小和軌道。GEO、MEO和LEO衛星圍繞地球的軌道高度分別為35786、7000-25000和300-1500公里。地球同步軌道衛星的波束覆蓋范圍為200至3500公里；MEO或LEO的波束覆蓋范圍為100至1000公里。GEO衛星的軌道周期與地球自傳周期相等，這使得它在地面觀察員看來是固定的，而LEO和MEO衛星的周期較短，許多LEO和MEO衛星需要提供連續的全球覆蓋。例如，Iridium NEXT有66顆低地軌道衛星和6顆備用衛星，SpaceX的Starlink計劃有4425顆低地軌道衛星和一些備用衛星，other-three-billion（O3b）有20顆MEO衛星，包括3顆在軌備用衛星。

衛星通信應用也可分為三類：（1）服務的連續性，在未覆蓋和未充分覆蓋的地區提供網絡接入；（2）服務的普遍性，在地面網絡因災害而暫時中斷或破壞的情況下，改善網絡的可用性；（3）服務的可擴展性，從地面網絡卸載流量。此外，衛星通信系統可以為各個領域提供覆蓋，如交通、能源、農業、商業和公共安全領域。

盡管衛星通信提供了更好的全球覆蓋和更高的通信質量，但它也有一些挑戰。衛星，尤其是低地軌道衛星，機載資源有限，而且移動迅速，給網絡接入帶來了高動態性。地面網絡的模型可能有很高的計算復雜性；由于衛星的機載計算資源有限，地面模型不適合衛星。空間段的高流動性，以及衛星層（GEO、MEO、LEO）、航空層（無人駕駛飛行器（UAV）、氣球、飛艇）和地面層之間固有的異質性，使得網絡控制、網絡安全和頻譜管理具有挑戰性。高流動性導致了頻繁的交接。因此，許多研究人員都關注衛星通信的交接管理。此外，頻繁的交接使得安全路由更難實現，從而使其更容易受到干擾。此外，實現衛星通信的高能源效率比地面網絡更具挑戰性。

一些調查已經討論了衛星通信系統的不同方面，如交接方案、移動衛星系統、衛星上的多輸入多輸出（MIMO）、用于遠程物聯網的衛星、衛星間通信系統、服務質量（QoS）提供、空間光學通信、空地一體化網絡、小型衛星通信、物理空間安全、CubeSat通信和非地面網絡。

同時，近年來對人工智能（AI）的興趣也在增加。人工智能，包括機器學習（ML）、深度學習（DL）和強化學習（RL），已經在科學和工程領域的不同應用中顯示出成功的結果，如電氣工程、軟件工程、生物工程和金融工程。一些研究人員因此求助于人工智能技術來解決各自領域的各種挑戰，并設計了各種成功的基于人工智能的應用，以克服無線通信領域的一些挑戰。意識到人工智能的潛力，從其他領域人工智能的成功應用中得到啟發，并考慮到衛星通信的固有困難，我們相信人工智能可以在衛星通信領域的幾個方面發揮巨大的優化作用。

一些人已經討論了人工智能及其在一般無線通信中的應用。另一些人則專注于人工智能在無線通信某一方面的應用，如物聯網的無線通信、網絡管理、無線安全、新興機器人通信、天線設計和無人機網絡。Vázquez等人簡要地討論了人工智能在衛星通信中的一些有前途的用例，而Kato等人則討論了人工智能在空天一體網絡中的應用。DL在空間應用中的使用也得到了討論。

總的來說，一些研究人員已經討論了無線和衛星通信系統，其中一些已經討論了人工智能在衛星通信的一個或幾個方面的使用；然而，對人工智能在衛星通信的不同方面的應用的廣泛調查還沒有進行。

因此，這項工作旨在提供對人工智能的介紹，討論衛星通信所面臨的各種挑戰，以及對基于人工智能的潛在應用的廣泛調查，以克服這些挑戰。第2節介紹了人工智能的總體概況、其不同的子領域以及其最先進的算法。第3節討論了衛星通信系統的不同方面所面臨的幾個挑戰，以及潛在的基于人工智能的解決方案；這些應用在圖1中進行了總結。其中一些應用是衛星通信所特有的，如波束跳動（BH）、遙測挖掘、電離層閃爍檢測和遙感（RS）。天空地綜合網絡（SAGINs）是另一種應用，其中衛星和非衛星網絡使用人工智能進行整合，以提供更靈活的服務。盡管其他一些應用與地面網絡有共同之處，但在衛星通信方面更具挑戰性，例如，由于衛星的機載資源有限，衛星網絡的能源管理受到更多限制。表1說明了應用人工智能算法來解決不同的衛星通信問題。為了便于參考，本文使用的首字母縮寫詞和縮略語在表2中列出。

圖1 人工智能在不同衛星通信方面的應用。

表1 各種人工智能算法及其各自的衛星通信應用。

表2 縮略語和全名

2 人工智能

雖然人工智能聽起來是一種新的方法，但它可以追溯到20世紀50年代，并且包含了幾種方法和范式。ML、DL、RL以及它們的交叉點都是人工智能的一部分，如圖2所概述的。因此，人工智能的主要部分遵循的是學習方法，盡管沒有任何學習方面的方法也包括在內。總的來說，對人工智能的研究旨在使機器變得更聰明，要么遵循一些規則，要么促進有指導的學習。前者指的是符號型人工智能；后者指的是ML。這里的更聰明表示有能力完成通常需要人類的復雜智力任務，如分類、回歸、聚類、檢測、識別、分割、計劃、調度或決策。盡管這種符號化的人工智能已經適用于許多應用，但它在更高級的問題上顯示出各種局限性，這些問題顯示出更多的復雜性，更少的結構，以及更多的隱藏特征，如計算機視覺和語言處理任務。為了解決這些限制，研究人員轉向了一種被稱為ML的學習方法。

圖2 人工智能、機器學習、深度學習和強化學習的關系。

2.1 機器學習

ML，包括DL和RL，是人工智能的一個子集。與符號人工智能不同的是，在符號人工智能中，機器被提供了解決某個問題的所有規則，而在ML中，機器被提供了背景，以便自己學習規則來解決這個問題。學習過程需要數據來提取模式和隱藏的結構；重點是找到數據的最佳代表，通過使用反饋信號的指導，在預定的可能性空間內搜索，從而接近預期的結果。為了實現這一目標，有三件事是必須的：輸入數據、預期輸出的樣本，以及衡量算法性能的方法。

ML算法通常被劃分為深度學習和非深度學習。雖然DL獲得了更高的人氣和關注度，但一些經典的非深度ML算法在某些應用中更有用，尤其是在數據缺乏的時候。ML算法也可以分為監督型、半監督型、無監督型和RL型，如圖3所示。在本小節中，只討論非RL和非深度ML方法；DL和RL分別在第2.2和2.3節中討論。

圖3 機器學習子領域。

2.1.1 監督、無監督和半監督學習

監督、無監督和半監督學習都是可以用來解決各種問題的ML方法。

在監督學習期間，所有的訓練數據都被標記了，即被貼上了正確答案的標簽。因此，該算法是完全受監督的，因為它可以在訓練過程中的任何時候檢查其預測是正確還是錯誤。監督模型從訓練數據中學習模式，然后能夠在推理過程中預測非標簽數據的標簽。監督學習已經被應用于分類和回歸任務。

由于標注可能由于缺乏信息而不可能，或者由于成本過高而不可行，無監督學習在訓練過程中采用了未標注的數據集。使用無標簽的數據，模型可以提取數據中隱藏的模式或結構，這對理解某種現象可能是有用的，或者其輸出可以作為其他模型的輸入。無監督學習通常被用于聚類、異常檢測、關聯和自動編碼器（AE）。

作為監督學習和無監督學習的中間地帶，半監督學習允許訓練數據的非標簽和標簽部分的混合。因此，當只有一小部分數據被標注和/或標注過程困難或昂貴時，半監督學習是一個很好的選擇。這種技術的一個例子是偽標簽，它被用來改善監督模型。

2.1.2 概率建模

概率建模，涉及使用統計技術分析數據的模型，是最早的ML形式之一。一個流行的例子是樸素貝葉斯分類器，它使用貝葉斯定理，同時假設所有的輸入特征是獨立的。另一個流行的例子是邏輯回歸；由于這種分類器的算法很簡單，它在數據科學界被普遍使用。

2.1.3 支持向量機

核方法是一類流行的算法；其中最著名的是SVM，其目的是找到一個決策邊界來對數據輸入進行分類。該算法將數據映射為高維表示，其中決策邊界被表示為一個超平面。然后，通過嘗試最大化超平面與每個類別中最近的數據點之間的距離來尋找超平面。在相當長的時間里，SVM是最先進的分類方法，并在一些科學和工程領域顯示出許多成功的應用。然而，SVM在應用于大型數據集時表現出了局限性。此外，當SVM被應用于感知問題時，由于它是一個淺層模型，需要一個特征工程步驟來提高性能。盡管它已經被DL算法所超越，但由于其簡單性和可解釋性，它仍然是有用的。

2.1.4 決策樹

決策樹是一種監督學習算法，它通過定義條件控制語句將數據的特征表示為一棵樹。鑒于其可理解性和簡單性，它是ML中最受歡迎的算法之一。此外，決策樹可以用于回歸和分類，因為決策可以是連續值或類別。決策樹的一個更穩健的版本，即隨機森林（RFs），結合了各種決策樹以帶來優化的結果。這涉及到建立許多不同的弱決策樹，然后使用自舉聚合（bagging）將其輸出集合起來。決策樹的另一個流行版本是梯度提升機，它通常比RFs更有效；梯度提升機也結合了各種決策樹模型，但與RFs不同的是，它使用了梯度提升，這是一種通過迭代訓練新模型來改進ML模型的方法，這些模型關注的是之前模型的錯誤。極限梯度提升（XGBoost）庫是梯度提升算法的一個優秀實現。射頻和梯度提升機是最流行和最強大的非深度算法，已被廣泛用于贏得Kaggle網站上的各種數據科學競賽。

2.1.5 神經網絡

神經網絡包含不同層的相互連接的節點，其中每個節點都是一個感知器，將多元線性回歸產生的信號反饋給一個激活函數，這個激活函數可能是非線性的。一般選擇非線性激活函數是為了通過消除線性來增加模型的復雜性。在NN中，一個輸入（例如，一個圖像）的特征被分配為輸入層。然后，根據權重矩陣，使用矩陣乘法（線性操作）計算下一個隱藏層，然后使用非線性激活函數。NN的訓練都是為了找到最佳權重。為此，設計了一個損失函數來比較模型的輸出和每個輸出的地面實況，以找到使該損失函數最小的權重。逆向傳播算法被設計成使用梯度白化等優化技術來訓練權重鏈[40] 。NNs已經成功地用于回歸和分類，盡管它們在處理大量特征（輸入參數）和隱藏層時最為有效。深度NNs表現出更強的學習能力，因此比淺層NNs顯示出更高的性能，這導致了NNs更復雜的設計的發展，包括更多的學習層和使用諸如卷積或遞歸的技術，這導致了DL的進步。

2.2 深度學習

與淺層模型相比，ML的這個子領域需要高計算資源。由于其相對簡單，淺層ML算法需要人類的專業知識和干預，以提取有價值的特征或轉換數據，使其更容易被模型學習。DL模型最大限度地減少或消除這些步驟，因為這些轉換是在深度網絡中隱含完成的。

2.2.1 卷積神經網絡

CNN，是一種常見的深度神經網絡（DNNs），由卷積層組成，已被普遍用于計算機視覺應用，如圖像分類、物體檢測和物體跟蹤。它們在其他領域也顯示出成功，包括語音和自然語言處理。CNN架構是通過選擇過濾器（內核）的大小、數量和位置以及激活函數來定義的。然后，學習涉及到尋找可以應用于輸入的最佳過濾器集，以提取有用的信息并預測正確的輸出。

2.2.2 遞歸神經網絡

RNNs是另一個系列的NNs，其中的節點沿著時間序列形成一個有向圖，以前的輸出被用作輸入。RNNs專門用于處理一連串的數值x(0),x(1),x(2),...,x(T)。RNNs使用其內部存儲器來處理可變長度的輸入序列。一般來說，RNN的設計如圖4所示，對于每個時間t，x(t)代表該時間的輸入，a(t)是激活，y(t)是輸出。RNN模型最常用于自然語言處理和語音識別領域。

圖4 遞歸神經網絡的簡化結構。

2.2.3 自動編碼器

AEs是另一種類型的NNs，用于以無監督的方式學習有效的數據表示。AEs使用瓶頸技術對數據進行編碼，其中包括降維以忽略輸入數據的噪聲，以及從編碼數據中再生出的初始數據，如圖5所總結的。然后比較初始輸入和生成的輸出，以評估編碼的質量。AE已經被廣泛地應用于降維和異常檢測。

圖5 自動編碼器，它通過訓練網絡來學習數據的表示方法，以減少輸入尺寸，然后從編碼的數據中重建初始數據。

2.2.4 深度生成模型

深度生成模型涉及到自動發現和學習輸入數據中的規律性，這樣就可以生成新的樣本。這些模型已經顯示出各種應用，特別是在計算機視覺領域。最流行的生成模型是變異AE（VAE）和生成對抗網絡（GANs）。

其中，VAEs使用無監督的NN學習復雜的數據分布。雖然VAEs是AEs的一種類型，但其編碼分布在訓練過程中被正則化，以確保其潛伏空間（即壓縮數據的表示）具有生成新數據的良好特性。

GANs由兩個競爭中的NN組成，其中一個生成器網絡G學習捕捉數據分布并生成新數據，一個判別器模型D估計一個給定樣本來自生成器而不是初始訓練數據的概率。因此，生成器被用來產生誤導性的樣本，并驗證判別器可以確定一個給定的樣本是真的還是假的。

2.3 強化學習

這個ML的子集涉及到與那些使用監督、半監督或無監督學習不同的學習方法。強化學習是關于學習采取什么行動，希望最大化獎勵信號，這是一個數字獎勵，編碼一個行動的成功結果。智能體必須通過嘗試每個行動來找到哪些行動能帶來最大的回報，如圖6所示。這些行動可以影響到即時獎勵以及后續獎勵。一些RL方法需要引入DL；這種方法是深度RL（DRL）的一部分。

圖6 強化學習場景:一個智能體采取行動并從環境中獲得反饋。

在RL過程中遇到的挑戰之一是平衡探索和利用之間的權衡。為了獲得最大的即時獎勵，RL智能體必須進行開發，即選擇以前探索過并發現是最好的行動。為了找到這樣的行動，它必須探索解決空間，即嘗試新的行動。

所有的RL智能體都有明確的目標，意識到他們環境的某些方面，可以采取影響他們環境的行動，并在他們環境的重大不確定性下采取行動。除了智能體和環境之外，RL系統還有四個子元素：策略、獎勵信號、價值函數，有時還有環境模型。

在RL中，學習涉及智能體確定最佳方法，將環境的狀態映射到處于這些狀態時要采取的行動。每次行動后，環境向RL智能體發送一個獎勵信號，這是RL問題的目標。與獎勵帶來的對行動的即時評價不同，價值函數估計了智能體在較長時期內可以預期得到的獎勵總額。最后，一個環境模型模仿了環境的行為。這些模型可用于規劃，允許智能體在未來可能發生的情況之前考慮這些情況。解決利用模型的RL問題的方法被稱為基于模型的方法，而沒有模型的方法被稱為無模型方法。事實上，當構建一個足夠精確的環境模型是相當具有挑戰性的時候，無模型的方法可能更有優勢。

2.4 討論

2.4.1 模型選擇

人工智能是一個廣泛的領域，包含了各種方法，每一種方法都包含了幾種算法。人工智能可以基于預定義的規則或基于ML。這種學習可以是監督的、半監督的、無監督的或強化學習；在這些類別中的每一種學習都可以是深度的或淺度的。由于每種方法都為人工智能世界提供了不同的東西，對每種方法的興趣應該取決于給定的問題；更復雜的方法或算法不一定能帶來更好的結果。例如，一個常見的假設是，DL比淺層學習更好。雖然這在一些情況下是成立的，特別是對于感知問題，如計算機視覺問題，但它并不總是適用的，因為DL算法需要更多的計算資源和大型數據集，而這些并不總是可用的。當一個完全標記的數據集可用時，監督學習是一種有效的方法。然而，情況并非總是如此，因為數據獲取可能很昂貴、很困難甚至不可能。在這種情況下，半監督或無監督的學習或RL更適用。無監督學習可以在非標簽數據中找到隱藏的模式，而RL則是學習實現某種任務的最佳策略。因此，無監督學習是一個從數據中提取信息的好工具，而RL更適合于決策任務。因此，對一種方法或算法的選擇不應該基于它所認為的優雅，而應該將該方法與手頭的問題的特點相匹配，包括目標、數據質量、計算資源、時間限制和未來的更新。解決一個問題可能需要一個以上的方法的組合。

在評估問題和選擇方法之后，必須選擇一種算法。雖然ML有數學基礎，但它仍然是一個經驗性的研究領域。為了選擇最好的算法，數據科學和ML的研究人員和工程師根據經驗對一個給定問題的不同算法進行比較。通過將數據分割成訓練集和測試集來比較算法。訓練集然后被用來訓練模型，而測試集則是用來比較模型之間的輸出。

在競爭性的數據科學中，如Kaggle比賽中，每個增量都很重要，模型經常被組合起來以提高其整體結果，各種組合技術，如bagging、boosting和adaptive boosting都被使用。

2.4.2 模型正則化

在選擇了方法和算法之后，一般會進行超參數調整以提高算法的輸出。在大多數情況下，ML算法依賴于許多超參數；因此，為一個給定的問題選擇最佳的超參數可以獲得更高的精度。這一步可以通過直觀地選擇更好的超參數來手動完成，也可以使用各種方法自動完成，如網格搜索和隨機方法。

ML中一個常見的陷阱是過度擬合，在此期間，機器停止學習（泛化），而是開始記憶數據。當這種情況發生時，模型可以在看到的數據上取得良好的結果，但在面對新的數據時就會失敗，即訓練誤差減少，測試誤差增加，如圖7所示。過度擬合可以通過將數據分割成訓練集、驗證集和測試集來發現，其中驗證集和測試集都不用于訓練模型。訓練集用于訓練模型，驗證集用于驗證未見過的數據上的模型預測，并用于超參數調整，測試集用于模型的最終測試。

可以采用多種方法來減少過擬合。可以通過增加數據集的大小來減少過擬合，這在計算機視覺領域是很常見的。例如，可以通過對圖像進行變換來增加圖像數據，如旋轉、翻轉、添加噪音或切割圖像的一部分。雖然它很有用，但這種技術并不總是適用。另一種方法是使用交叉驗證法，而不是將數據分成訓練集和驗證集。早期停止，如圖7所示，包括在算法開始記憶數據之前停止學習過程。集合學習，即各種模型，被巧妙地生成和合并以解決特定問題的過程，也被普遍使用。

圖7 訓練時間內的訓練和測試錯誤。早期停止是常見的技術，通過在早期階段停止訓練過程，即當測試誤差開始顯著增加時，來減少過度擬合。

2.4.3 炒作和希望

在過去的十年里，由于投資呈指數級增長，人工智能研究，包括其各個子領域，都取得了快速的進展。盡管有些人無法預見人工智能的真正潛力、后果和相關性，但它將成為全球技術的一個組成部分。作者認為，人工智能的不可避免的進步可能會產生長期的影響，人工智能將可能成為從數學到衛星通信等所有科學領域的多樣化應用的主要部分。

3 衛星通信的人工智能

3.1 波束跳動

3.1.1 定義和限制

衛星資源是昂貴的，因此需要涉及優化和分時的高效系統。在傳統的衛星系統中，資源是固定的，并且均勻地分布在各波束上。因此，傳統的大型多波束衛星系統顯示出所提供的資源和所要求的資源之間的不匹配；一些點波束的需求高于所提供的容量，使需求懸而未決（即熱點），而其他點波束的需求低于所安裝的容量，使所提供的容量未被使用（即冷點，如圖8所概述的）。因此，為了改善多波束衛星通信，有必要在服務覆蓋區域內對衛星資源進行機載靈活分配，以實現更有效的衛星通信。

圖8 各波束之間的需求-容量不匹配，這表明了在多波束衛星系統中，在所有波束中使用固定和均勻分布的資源的局限性。

波束跳動（BH）已經成為一種有前途的技術，在管理非均勻和變化的流量請求方面實現更大的靈活性，在整個一天、一年和衛星覆蓋區的壽命期間。BH涉及到用少量的活動波束動態地照亮每個單元，如圖9所總結的那樣，從而利用所有可用的機載衛星資源，只向波束的一個子集提供服務。這個子集的選擇是隨時間變化的，取決于通信需求，而通信需求是基于與時間空間相關的BH照亮模式。被照亮的光束只有足夠長的時間來滿足每個光束的要求。因此，BH系統中具有挑戰性的任務是決定哪些光束應該被激活以及激活多長時間，即BH照明模式；這項責任交給資源管理器，然后通過遙測、跟蹤和指令將選定的模式轉發給衛星。

圖9 波束跳動（BH）的簡化結構。TT&C代表遙測、跟蹤和指令。

在研究人員提供的實現BH的各種方法中，大多數都是基于經典的優化算法。例如，Angeletti等人證明了使用BH時系統性能的幾個優點，并提出使用遺傳算法（GA）來設計BH照亮模式；Anzalchi等人也說明了BH的優點，并比較了BH和非跳躍系統的性能。Alberti等人提出了一種啟發式迭代算法來獲得BH照亮設計的解決方案。BH也被用來減少Terabit/s衛星的轉發器放大器的數量。還提出了一種迭代算法，在聯合BH設計和頻譜分配中，在某些波束需求和功率限制下，最大限度地提高整體提供的容量。Alegre等人設計了兩種啟發式算法來分配基于每波束流量請求的容量資源，然后進一步討論了長期和短期的流量變化并提出了處理這兩種變化的技術。Liu等人研究了BH系統中控制流量到達率的技術。BH衛星中的QoS延遲公平平衡問題也得到了解決。Shi等人和Ginesi等人提出了聯合BH方案，以進一步提高星載資源分配的效率。為了找到最佳的BH照亮設計，Cocco等人使用了模擬退火算法。

盡管采用優化算法在BH系統的靈活性和減少延遲方面取得了令人滿意的結果，但仍有一些困難。由于搜索空間隨著光束數量的增加而急劇增加，設計BH照亮模式的一個固有的困難是找到最佳設計，而不是許多局部優化中的一個。對于有成百上千個光束的衛星，經典的優化算法可能需要很長的計算時間，這在很多情況下是不現實的。

此外，經典的優化算法，包括GAs或其他啟發式算法，在場景發生適度變化時需要修改；這導致了更高的計算復雜性，這對星載資源管理來說是不切實際的。

3.1.2 基于人工智能的解決方案

為了克服這些限制并提高BH的性能，一些研究人員提出了基于人工智能的解決方案。其中一些解決方案完全基于學習方法，即端到端學習，其中BH算法是一種學習算法。另一些則試圖通過增加一個學習層來改進優化算法，從而將學習和優化結合起來。

為了優化多波束衛星系統的傳輸延遲和系統吞吐量，Hu等人制定了一個優化問題，并將其建模為馬爾可夫決策過程（MDP）。然后，DRL被用來解決BH照亮設計，并優化建模的MDP的長期累積獎勵。結果，與以前的算法相比，所提出的基于DRL的BH算法可以減少高達52.2%的傳輸延遲，并將系統的吞吐量提高了11.4%。

為了結合端到端學習方法和優化方法的優勢，進行更有效的BH照亮模式設計，Lei等人[57]提出了一種學習和優化算法來處理光束跳動模式的照亮選擇，其中，基于全連接NN的學習方法被用來預測非最佳的BH模式，從而解決在大搜索空間中應用優化算法時所面臨的困難。訓練有素的ML算法被用來提供一個預測的特征向量，然后用來從原始搜索空間中刪除大量的無前途的設計。因此，基于學習的預測減少了搜索空間，優化可以減少在較小的有希望的BH模式集上。

研究人員還為DVB-S2X衛星采用了多目標DRL（MO-DRL）。在實際條件下，Zhang等人證明了低復雜度的MO-DRL算法可以保證每個小區的公平性，并且比以前的技術（包括DRL）更好地改善了吞吐量，提高了0.172%。相比之下，產生類似結果的GA的復雜度大約是MO-DRL模型的110倍。Hu等人提出了一種基于雙環學習的多行動選擇技術，并使用DNN獲得了一個多維的狀態。他們的研究結果表明，所提出的技術可以同時實現不同的目標，并且可以通過適應用戶需求和信道條件來智能地分配資源。

3.2 抗干擾

3.2.1 定義和限制

衛星通信系統需要覆蓋廣泛的區域，并提供高速、通信和高容量的傳輸。然而，在使用衛星的戰術通信系統中，可靠性和安全性是首要考慮的問題；因此，抗干擾（AJ）能力是必不可少的。干擾攻擊可以向衛星網絡中的主要位置和關鍵設備發起，以減少甚至癱瘓吞吐量。因此，一些抗干擾方法已經被設計出來，以減少可能的攻擊，保證衛星通信的安全。

在許多先前使用衛星的戰術通信系統中，跳頻（FH）擴頻方法一直是首選。Bae等人利用采用頻分多址（FH-FDMA）方案的脫跳轉發器方法，開發了一種具有AJ能力的高效同步方法。

大多數先前的AJ技術都不是基于學習的，因此無法處理那些能夠通過互動和學習不斷調整干擾方法的智能干擾技術。發展中的人工智能算法提供了先進的工具來實現基于學習方法的多樣化和智能干擾攻擊，因此對衛星通信的可靠性構成了嚴重威脅。在這樣的兩個例子中，一個智能干擾分配自動調整了干擾信道，而一個智能干擾器則通過調整干擾功率和信道使干擾效果最大化。此外，攻擊可能是由多個干擾器同時實施基于學習方法的智能干擾攻擊造成的。盡管這可能是一種不太可能的情況，但還沒有被認真考慮。此外，大多數研究人員都專注于防御基于頻率領域的AJ攻擊，而不是基于空間的AJ技術，如路由AJ。

3.2.2 基于人工智能的解決方案

通過使用長短時記憶（LSTM）網絡，也就是DL RNN，來學習信號的時間趨勢，Lee等人證明了在之前討論的FHFDMA方案中，整體同步時間的減少。

在移動通信中，移動設備可以在動態博弈框架下，利用RL實現最優的通信策略，而不一定知道干擾和無線電信道模型。Han等人提出使用AJ的學習方法來阻止衛星互聯網（IoS）中的智能干擾，使用基于空間的AJ方法，即AJ路由，總結在圖10中。通過將博弈論建模與RL相結合，并將智能干擾器和衛星用戶之間的互動建模為Stackelberg AJ路由博弈，Han等人證明了如何使用DL來處理IoS的高動態性造成的巨大決策空間，以及使用RL來處理衛星和智能干擾環境之間的相互作用。DRL，特別是演員評論家算法，以源節點為狀態，評論者網絡評估所選行動的預期回報，使得解決異構IoS的路由選擇問題成為可能，同時保留了一個可用的路由子集，以簡化Stackelberg AJ路由游戲的決策空間。基于這個路由子集，一種流行的RL算法Q-Learning被用來快速響應智能干擾并調整AJ策略。

圖10 基于空間的抗干擾（AJ）路由。紅線代表發現的干擾路徑，綠線代表建議的路徑。

后來，Han等人將博弈論建模和RL結合起來，根據衛星支持的軍隊物聯網（SatIoT）的動態和未知干擾環境獲得AJ策略。在這里，研究了分布式動態AJ聯盟形成博弈，以減少干擾環境中的能源使用，并提出了一個層次化的AJ Stackelberg博弈，以表達干擾者和SatIoT設備之間的對抗性互動。最后，利用基于Q-Learning的算法，根據干擾環境得到次優的AJ策略。

3.3 網絡流量預測

3.3.1 定義和限制

網絡流量預測是一種主動的方法，旨在保證可靠和高質量的通信，因為流量的可預測性在許多衛星應用中是很重要的，如擁堵控制、動態路由、動態信道分配、網絡規劃和網絡安全。衛星網絡流量是自相似的，并顯示出長距離依賴性（LRD）。因此，為了實現準確的預測，有必要考慮其自相似性。然而，基于自相似性的地面網絡模型具有很高的計算復雜性；由于衛星上的計算資源有限，地面模型并不適合衛星使用。因此，需要對衛星網絡進行有效的流量預測設計。

一些研究人員已經對地面和衛星網絡進行了流量預測；這些技術包括馬爾科夫、自回歸移動平均（ARMA）、自回歸綜合移動平均（ARIMA）和分數ARINA（FARIMA）模型。通過使用經驗模式分解（EMD）來分解網絡流量，然后應用ARMA預測模型，Gao等人展示了顯著的改進。

衛星流量預測面臨的兩個主要困難是衛星網絡的LRD和有限的機載計算資源。由于衛星網絡的LRD特性，短距離依賴（SRD）模型未能實現精確的預測。雖然以前的LRD模型取得了比SRD模型更好的結果，但它們存在著高復雜性。為了解決這些問題，研究人員轉向了人工智能技術。

3.3.2 基于人工智能的解決方案

Katris和Daskalaki將FARIMA與NN結合起來用于互聯網流量預測，而Pan等人將差分進化與NN結合起來用于網絡流量預測。由于經典的NNs的高復雜性，最小平方SVM，即SVM的優化版本，也被用于預測。通過應用主成分分析（PCA），減少輸入維度，然后采用廣義回歸NN，Liu和Li以較少的訓練時間實現了較高的預測精度。Na等人將流量預測作為其低地軌道衛星網絡分布式路由策略的一部分。極端學習機（ELM）也被用于路由前衛星節點的流量負載預測。Bie等人使用EMD將具有LRD的衛星流量分解為具有SRD的系列，并在一個頻率上，以降低預測的復雜性并提高速度。他們將EMD、果蠅優化和ELM方法結合起來，以更高的速度實現了更準確的預測。

3.4 信道建模

3.4.1 定義和限制

信道模型是對無線信號傳播的通信信道效果的數學表示；它被建模為信道在頻域或時域的脈沖響應。

無線信道對可靠的高速通信提出了各種挑戰，因為它容易受到噪聲、干擾和其他信道障礙的影響，包括路徑損耗和陰影。其中，路徑損耗是由發射器發出的功率浪費和傳播信道效應造成的，而陰影是由接收器和發射器之間的障礙物吸收功率造成的。

需要精確的信道模型來評估移動通信系統的性能，從而提高現有部署的覆蓋率。信道模型也可以用來預測設計的部署大綱中的傳播情況，這可以在部署前進行評估，并優化實際系統的覆蓋和容量。對于少量的發射器的可能位置，可以進行戶外廣泛的環境評估，以估計信道的參數。隨著更先進的技術被用于無線通信，需要更先進的信道建模。因此，使用隨機模型在計算上是有效的，同時提供令人滿意的結果。

光線追蹤（Ray Tracing）被用于信道建模，這需要三維圖像，這些圖像一般使用計算機視覺方法生成，包括基于立體視覺的深度估計。

為城市環境提出了一個模型，該模型需要的特征包括道路寬度、街道方向的角度和建筑物的高度。隨后，Fernandes和Soares提出了一個簡化的模型，只需要接收器和發射器之間的建筑物占用比例，這可以從分割的圖像中手動或自動計算出來。

盡管所列的一些技術性能令人滿意，但它們仍然有許多局限性。例如，光線追蹤所需的三維圖像通常無法獲得，而且其生成在計算上也不高效。即使在有圖像的情況下，光線追蹤的計算成本也很高，數據也很詳盡，因此不適合實時優化覆蓋區域。此外，Cichon和Kümer提出的模型所需的詳細數據往往無法獲得。

3.4.2 基于人工智能的解決方案

一些早期的人工智能在路徑損耗預測方面的應用是基于經典的ML算法，如SVM ，NNs和決策樹。有興趣的讀者可以參考基于ML的路徑損失預測方法的調查，以了解更多細節。

然而，盡管以前的ML工作已經顯示出巨大的成果，但許多都需要3D圖像。因此，研究人員最近將注意力轉移到使用DL算法與2D衛星/航空圖像進行路徑損失預測。例如，Ates等人使用深度CNN從衛星圖像中逼近信道參數，包括陰影的標準偏差和路徑損失指數，而不使用任何添加的輸入參數，如圖11所示。

圖11 通道參數預測。二維衛星/航空圖像作為深度卷積神經網絡（CNN）的輸入，用于預測通道參數。該模型為每個參數單獨訓練。

通過在衛星圖像上使用DL模型和其他輸入參數來預測特定場景/區域內特定接收器位置的參考信號接收功率（RSRP），Thrane等人證明了在811和2630MHz時的增益分別比以前的技術（包括光線追蹤）有所提高。同樣，Ahmadien等人在衛星圖像上應用DL進行路徑損耗預測，盡管他們只關注沒有任何補充特征的衛星圖像，并在更普遍的數據上做文章。盡管這種方法很實用，因為它只需要衛星圖像來預測路徑損失分布，但二維圖像并不總是足以描述三維結構的特征。在這些情況下，必須將更多的特征（如建筑高度）輸入模型。

3.5 遙測開采

3.5.1 定義和限制

遙測是為控制和監測而記錄和傳輸測量結果的過程。在衛星系統中，星載遙測幫助任務控制中心跟蹤平臺的狀態，檢測異常事件，并控制各種情況。

衛星故障可能是由多種原因造成的；最常見的故障是由于太空的惡劣環境，即熱、真空和輻射。輻射環境會影響衛星的關鍵部件，包括通信系統和電源。

遙測處理能夠跟蹤衛星的行為，以檢測和減少故障風險。通過處理與衛星有關的幾個特征（如溫度、電壓和電流），尋找相關性、識別模式、檢測異常、分類、預測和聚類被應用于所獲得的數據，以進行故障診斷和可靠的衛星監測。

遙測分析中使用的最早和最簡單的技術之一是極限檢查。該方法的基礎是為每個特征設定一個精確的范圍，然后監測每個特征的方差，以檢測超范圍事件。這種算法的主要優點是其簡單的限制，因為可以很容易地選擇和更新，以控制航天器的運行。

具有復雜和先進應用的航天器對目前的空間遙測系統提出了挑戰。狹窄的無線帶寬和固定長度的幀遙測使傳輸快速增加的遙測量變得困難。此外，航天器和地面站之間不連續的短期接觸限制了數據傳輸能力。由于數據的高度復雜性，分析、監測和解釋巨大的遙測參數可能是不可能的。

3.5.2 基于人工智能的解決方案

近年來，人工智能技術在有遙測的空間任務中已被大量考慮。衛星健康監測已經使用概率聚類、降維、隱馬爾科夫和回歸樹進行，而其他人已經開發了使用k-近鄰（kNN）、SVM、LSTM的異常檢測方法，并對國家空間研究中心航天器的遙測數據進行測試。

此外，使用數據驅動和基于模型的監測方法，在不同的空間應用中進一步開發了空間功能助手。在他們對人工智能用于一般故障診斷和空間利用的研究中，Sun等人認為最有希望的方向是使用DL；建議將其用于中國空間利用的故障診斷。

Ibrahim等人利用埃及一號衛星的遙測數據比較了不同的ML算法，證明了LSTM、ARIMA和RNN模型的高預測精度。他們建議用簡單的線性回歸來預測短壽命衛星（即3-5年）的關鍵衛星特征，用NN來預測長壽命衛星（15-20年）。

與設計在地面任務控制中心運行的算法不同，Wan等人提出了一種自學分類算法，以低計算復雜度和低時間延遲的方式實現機載遙測數據分類。

3.6 電離層閃爍檢測

3.6.1 定義與限制

衛星向地球傳輸的信號會受到明顯的影響，因為它們在大氣層中的傳播，特別是電離層，這是大氣層較高的電離部分，以自由電子的密度升高為特征（圖12）。電離的潛在不規則性和梯度會扭曲信號的相位和振幅，這個過程被稱為電離層閃爍。

圖12 電離層閃爍的表示，在信號傳播過程中發生失真。藍色、綠色和紅色線條分別表示從衛星到地球天線的視線信號路徑、信號波動和信號延遲。

特別是，通過電離層的傳播可以導致全球導航衛星系統（GNSS）信號的失真，導致衛星向地球傳輸的信號受到明顯影響，因為它們通過大氣層傳播，特別是電離層，它是大氣層較高的電離部分，以自由電子的密度升高而區分（圖12）。電離的潛在不規則性和梯度會扭曲信號的相位和振幅，這個過程被稱為電離層閃爍。特別是，通過電離層的傳播會造成全球導航衛星系統（GNSS）信號的失真，導致基于GNSS的應用出現重大錯誤。全球導航衛星系統是無線電通信衛星系統，允許用戶通過處理從衛星傳輸的信號和進行三坐標測量來計算地球上任何地方的當地時間、速度和位置。全球導航衛星系統還可用于各種應用，如科學觀測。

由于GNSS波的接收功率很低，任何誤差都會大大威脅到定位系統的準確性和可信度。在電離層中傳播的GNSS信號面臨著時間延遲和閃爍的可能性。盡管所有的GNSS接收機都采用了延遲補償方法，但閃爍仍然是一個相當大的問題，因為其準隨機性使其難以建模。因此，電離層閃爍仍然是限制GNSSs高精度應用的一個主要因素。因此，為了提高GNSS的可信度和質量，需要對閃爍進行準確的檢測。

為了觀察這些信號，這些信號是解釋和模擬高層大氣的知識來源，并為基于GNSS的應用提高警惕和采取對策，已經在預計會發生閃爍的高低緯度地區安裝了GNSS接收機網絡。因此，強大的接收機和適當的閃爍檢測算法都是需要的。為了評估影響信號的閃爍程度，許多研究人員采用了簡單的事件觸發器，基于兩個信號的振幅和相位在規定時間內的比較。其他提議的替代方法包括使用小波技術，通過自適應頻率-時間技術分解載波-噪聲密度功率分布，以及評估收集的樣本的直方圖統計特性。

由于閃爍的復雜性，使用簡單的預定義閾值來評估閃爍的大小可能是欺騙性的。丟失事件的瞬時階段可能會導致延遲提出可能的警告信號，而具有高變異性的弱事件可能會被遺漏。此外，它可能難以區分由其他現象（包括多路徑）引起的信號失真。然而，其他建議的替代方案依賴于復雜的、計算成本高的操作，或依賴于定制的接收器架構。

3.6.2 基于人工智能的解決方案

最近，研究證明可以利用人工智能來檢測閃爍現象。例如，Rezende等人提出了一項數據挖掘方法的調查，該方法依賴于觀察和整合GNSS接收機。

有人提出了一種基于SVM算法的技術用于振幅閃爍檢測，后來又擴展到相位閃爍檢測。

通過使用決策樹和射頻來系統地檢測影響GNSS信號振幅的電離層閃爍事件，Linty等人提出的方法在準確性（99.7%）和Fscore（99.4%）方面超過了最先進的方法，從而達到人工驅動注釋的水平。

最近，Imam和Dovis提出使用決策樹來區分GNSS閃爍數據中的電離層閃爍和多路徑。他們的模型將數據注釋為閃爍的、受多路徑影響的或干凈的GNSS信號，顯示出96%的準確性。

3.7 干擾管理

3.7.1 定義和限制

干擾管理對于衛星通信運營商來說是強制性的，因為干擾會對通信信道產生負面影響，導致服務質量下降，運行效率降低和收入損失。此外，干擾是一個常見的事件，隨著越來越多的國家發射衛星和更多的應用預期，衛星頻段的擁擠程度也在增加。隨著共享同一頻段的用戶數量不斷增加，干擾的可能性也在增加，故意干擾的風險也在增加，這一點將在第3.2節中討論。

因此，干擾管理對于維護高質量和可靠的通信系統至關重要；管理包括檢測、分類和抑制干擾，以及應用技術來減少干擾的發生。

干擾檢測是過去幾十年來一直在研究的課題，特別是對于衛星通信。

然而，研究人員通常依賴于假設檢驗的決策理論，其中需要關于信號特性和信道模型的具體知識。由于當代的無線標準多種多樣，為每個信號類別設計特定的探測器是沒有結果的方法。

3.7.2 基于人工智能的解決方案

為了最大限度地減少干擾，Liu等人提出了一個框架，結合不同的人工智能方法，包括SVM、無監督學習和DRL，用于衛星選擇、天線指向和跟蹤，從而將人工智能用于衛星-地面網絡中的移動終端和站點。

另一種基于人工智能的方法，執行自動實時干擾檢測，是通過使用在歷史無異常頻譜上訓練的LSTM來預測在無異常情況下將會收到的以下信號頻譜。在這里，預測的頻譜與接收的信號進行比較，使用設計的指標，以檢測異常。

Henarejos等人提出使用兩種基于人工智能的方法，DNN AEs和LSTM，分別用于檢測和分類干擾。在前者中，用無干擾信號訓練AE，并與其他無干擾信號進行測試，以獲得實用的閾值。然后利用有干擾和無干擾信號的誤差差異來檢測干擾的存在。

3.8 遙感

3.8.1 定義和限制

遙感是通過處理一個地區、物體或現象在遠處的反射和發射的輻射，一般從衛星或飛機上提取有關信息的過程。

RS在多個領域有廣泛的應用，包括土地測量、地理學、地質學、生態學、氣象學、海洋學、軍事和通信。由于RS提供了監測危險、困難或不可能進入的地區的可能性，包括山區、森林、海洋和冰川，它是一個受歡迎和活躍的研究領域。

3.8.2 基于人工智能的解決方案

由DL引起的計算機視覺能力的革命導致了RS的發展，通過在衛星圖像上采用最先進的DL算法，用于RS的圖像分類已經成為計算機視覺中最受歡迎的任務。例如，Kussul等人利用Landsat-8和Sentinel-1A的RS圖像在烏克蘭的一個測試點上進行土地覆蓋和作物類型的分類。Zhang等人通過使用梯度增強的隨機CNN來結合DNN進行場景分類。最近，Li等人提出將kNN和CNN結合起來，利用RS成像繪制全球珊瑚礁海洋棲息地。RS和人工智能也被用于通信理論的應用，如第3.4節中討論的那些。

許多物體檢測和識別應用已經在RS圖像上使用人工智能進行開發。最近，Zhou等人提出使用YOLOv3，一種基于CNN的物體檢測算法，用于RS圖像中的車輛檢測。還有人提出將DL用于其他物體檢測任務，如建筑、飛機、云、船舶和軍事目標[166]檢測。人工智能也被用于分割和恢復RS圖像，例如，在云層恢復中，被云層遮擋的地面區域被恢復。

最近，Zheng等人提出了一種兩階段的去云方法，其中U-Net和GANs被用來分別進行云的分割和圖像修復。

AI提出用于敏捷地球觀測衛星的機載調度，因為自主性提高了它們的性能，并允許它們獲取更多的圖像，通過依靠機載調度進行快速決策。通過比較使用RF、NN和SVM與先前的學習和基于非學習的方法，Lu等人證明RF提高了解決方案的質量和響應時間。

3.9 行為模型

3.9.1 定義和限制

由于不同軌道、形狀、大小、方向和功能的活躍和不活躍（碎片）衛星的數量不斷增加，分析人員同時監測所有衛星變得不可行。因此，人工智能，特別是ML，可以通過幫助實現這一過程的自動化來發揮重要作用。

3.9.2 基于人工智能的解決方案

Mital等人討論了ML算法對衛星行為建模的潛力。監督模型被用來確定衛星的穩定性，而無監督模型被用來檢測異常行為和衛星的位置，RNN被用來預測衛星隨時間的機動性。

準確的衛星姿態估計，即確定衛星的相對位置和姿態，在一些空間操作中至關重要，如碎片清除、航天器間通信和對接。Chen等人最近提出的通過聯合ML和幾何優化從單一圖像中進行衛星姿態估計的建議，在最近由歐洲航天局組織的Kelvins姿態估計挑戰中獲得了第一名。 .

在過去的幾年里，空間碎片的數量大大增加，由于碎片的高速度，會對空間任務造成重要威脅。因此，必須對空間物體進行分類，并應用避免碰撞的技術來保護活動衛星。因此，Jahirabadkar等人對各種人工智能方法進行了調查，利用光的曲線作為區分屬性對空間物體進行分類。

Yadava等人利用NN和RL進行機載姿態確定和控制；他們的方法有效地提供了所需的扭矩，使一顆納米衛星沿三軸穩定。

為了避免因電池故障而導致的災難性事件，Ahmed等人利用ML和數據邏輯分析方法開發了一個機載電池剩余壽命估計系統。

3.10 天空地一體化

3.10.1 定義與限制

最近，地面通信系統取得了顯著的進步，為用戶提供了更高質量的互聯網接入。然而，由于網絡容量和覆蓋面積的限制，這種服務不可能隨時隨地都能實現，特別是對于農村或災區的用戶。

雖然地面網絡擁有最多的資源和最高的吞吐量，但非地面通信系統有更廣泛的覆蓋區域。然而，非地面網絡有其自身的局限性；例如，衛星通信系統有較長的傳播延遲，而空中網絡有較窄的容量和不穩定的鏈接。

為了向用戶提供更好和更靈活的端到端服務，研究人員建議使用SAGINs，其中包括空間的衛星、氣球、飛艇、空中的無人機和地面部分，如圖13所示。

圖13 天空地綜合網絡（SAGINs）

由GEO、MEO和LEO衛星組成的多層衛星通信系統，可以使用多播和廣播的方法來改善網絡容量，極大地減輕了不斷增加的交通負擔。由于SAGINs允許數據包通過不同質量的多條路徑傳輸到目的地，它們可以提供不同的數據包傳輸方法以滿足不同的服務需求。

然而，由于SAGINs固有的自組織性、時間可變性和異質性，其設計和優化比傳統地面通信系統更具挑戰性。因此，在設計優化技術時必須考慮的各種因素已經確定。例如，不同的傳播媒介，不同的通信類型共享頻段，空間和空中部分的高流動性，以及三個部分之間固有的異質性，使得SAGINs的網絡控制和頻譜管理變得十分艱巨。高流動性導致頻繁的交接，這使得安全路由更難實現，從而使SAGINs更容易受到干擾。此外，由于優化能源效率也比標準地面網絡更具挑戰性，因此也需要能源管理算法。

3.10.2 基于人工智能的解決方案

在討論SAGINs面臨的挑戰時，Kato等人提出使用CNN解決路由問題，利用流量模式和GEO和MEO衛星的剩余緩沖區大小來優化SAGIN的整體性能。

優化衛星選擇和無人機位置以優化源-衛星-無人機-目的地通信的端到端數據率，由于龐大的軌道衛星數量和以下時間變化的網絡結構，是具有挑戰性的。為了解決這個問題，Lee等人通過DRL聯合優化了源-衛星-無人機的關聯和無人機的位置。他們建議的技術在沒有無人機和衛星的情況下，平均數據速率比直接通信基線高5.74倍。

為了卸載計算密集型應用，已經開發了一個SAGINs邊緣/云計算設計，其方式是衛星提供對云的訪問，而無人機允許接近用戶的邊緣計算。在這里，一個聯合的資源分配和任務調度方法被用來為虛擬機分配計算資源，并為無人機邊緣服務器安排卸載任務，而基于RL的計算卸載方法處理多維的SAGINs資源并學習動態網絡條件。這里，采用了一種聯合資源分配和任務調度的方法，將計算資源分配給虛擬機，并為無人機邊緣服務器規劃卸載的功能，而基于RL的計算卸載方法則處理多維SAGINs資源并學習動態網絡特性。仿真結果證實了建議技術的效率和收斂性。

由于異構多層網絡需要先進的容量管理技術，Jiang和Zhu[181]提出了一種低復雜度的衛星間容量計算技術，使用基于時間結構的增強路徑搜索方法，并提出了一個基于RL的長期最優容量分配模型來最大化系統的長期效用。

Qiu等人將聯合資源分配問題表述為一個聯合優化問題，并使用DRL方法，提出了一個軟文定義的衛星-地面網絡，以聯合管理緩存、網絡和計算資源。

3.11 能源管理

3.11.1 定義與限制

最近在地面、空中和衛星網絡（如SAGINs）之間的連接進展增加了對衛星通信網絡的要求。這種對衛星的日益關注導致了能源消耗要求的增加。因此，衛星能源管理是衛星通信進一步發展的一個熱點研究課題。

與地球同步軌道衛星相比，低地軌道衛星的機載資源有限，而且移動迅速。此外，由于其體積小，低地軌道衛星的能源容量有限；由于需要為全球數十億的設備提供服務，目前的衛星資源能力已無法滿足需求。為了解決衛星通信資源短缺的問題，必須設計一個有效的資源調度方案，以充分利用有限的資源。由于目前的資源分配方案大多是為地球同步軌道衛星設計的，然而，這些方案并沒有考慮許多低地軌道的具體問題，如受限的能源、運動屬性或連接和傳輸動態。

3.11.2 基于人工智能的解決方案

一些研究人員因此轉向了基于人工智能的節電方案。例如，Kothari等人建議在數據傳輸前使用DNN壓縮，以改善延遲并節省電力。在沒有太陽光的情況下，衛星依賴于電池能量，這給衛星電池帶來了沉重的負擔，并會縮短其使用壽命，導致衛星通信網絡的成本增加。為了優化使用低地軌道衛星的衛星對地通信中的功率分配，從而延長它們的電池壽命，Tsuchida等人[185]采用了RL，將超負荷的衛星與負荷較低的附近衛星分擔工作負荷。同樣，在Satlot中實施DRL進行節能信道分配，與以前的模型相比，可以減少67.86%的能耗。移動邊緣計算增強的SatIoT網絡包含不同的衛星和幾個衛星網關，可以通過耦合用戶關聯、卸載決策計算和通信資源分配進行聯合優化，以最小化延遲和能源成本。在最近的一個例子中，Cui等人提出的基于DRL的聯合用戶關聯和卸載決策與最佳資源分配方法，改善了長期延遲和能源成本。

3.12 其他應用

3.12.1 交接優化

由于低地軌道衛星的動態連接模式，當通信端點之間需要改變一個或多個鏈路時，就會發生鏈路層的交接。低地軌道衛星的交接管理與地面網絡有明顯的不同，因為衛星的移動使交接發生的頻率更高。因此，許多研究人員都關注低地軌道衛星網絡中的切換管理。

一般來說，用戶設備（UE）會定期測量不同小區的參考信號強度，以確保進入強勢小區，因為交接決定取決于信號強度或其他一些參數。此外，歷史RSRP包含的信息可以避免不必要的交接。

因此，Zhang等人[188]將交接決策轉換為一個分類問題。盡管歷史RSRP是一個時間序列，但采用了CNN而不是RNN，因為歷史RSRP的特征圖有很強的局部空間相關性，使用RNN可能會導致一系列錯誤的決策，因為一個決策在很大程度上影響了未來的決策。在提出的基于人工智能的方法中，超過70%的UE的交接減少了25%以上，而常用的 "最強波束"方法只減少了平均RSRP的3%。

3.12.2 熱源布局設計

對所使用的熱源進行有效的設計可以提高整個系統的熱性能，因此已經成為多個工程領域的一個重要方面，包括集成電路設計和衛星布局設計。隨著元件的尺寸越來越小，功率強度越來越高，熱源布局設計已成為一個關鍵問題。傳統上，最佳設計是通過反復運行熱仿真來探索設計空間，比較每個方案的性能來獲得的。為了避免傳統技術的巨大計算負擔，Sun等人采用了一種反設計方法，在這種方法中，熱源的布局是根據給定的預期熱性能直接生成的，其基礎是一個名為 "顯示、出席和閱讀"的DL模型。他們開發的模型能夠學習設計問題的基本物理學，因此能夠有效地預測給定條件下的熱源設計，而無需進行任何模擬。其他DL算法已被用于不同的設計領域，如機械學、光學、流體和材料。

3.12.3 反射陣分析和設計

ML算法已經被應用于天線的分析和設計，包括反射陣的分析和設計。例如，Shan等人使用NNs來預測相位移動，而克里格法則被建議用來預測反射陣組件的電磁響應。支持向量回歸(SVR)被用來加速檢查[205]并直接優化窄帶反射陣。為了在不降低計算精度的前提下加快計算速度，Prado等人提出了一種基于寬頻SVR的反射陣設計方法，并證明了其在直接廣播衛星應用中獲得寬頻、雙線性偏振和異形波束反射陣的能力。

3.12.4 載波信號檢測

由于每個信號在分類、調制、解調、解碼和其他信號處理之前都必須進行分離，因此載波信號在頻域中的定位和檢測是無線通信的一個關鍵問題。

用于載波信號檢測的算法通常是基于閾值的，并且需要人工干預，盡管已經有了一些改進，包括使用雙重閾值。Kim等人提出使用基于斜率跟蹤的算法，根據信號的特性，如振幅、斜率、偏轉寬度或相鄰偏轉之間的距離，來分離信號元素的間隔。

最近，DL被應用于載波信號檢測；例如，Morozov和Ovchinnikov應用全連接的NN在FSK信號中進行檢測，而Yuan等人用DL在寬帶頻譜數據中進行摩爾斯信號盲檢測。Huang er al.采用全卷積網絡（FCN）模型來檢測寬帶功率譜中的載波信號。FCN是一種用于語義圖像分割的DL方法，其中寬帶功率譜被視為一維圖像，每個子載波為目標對象，將寬帶上的載波檢測問題轉變為語義一維圖像分割問題。這里設計了一個一維深度FCN模型，將寬帶功率譜陣列上的每個點分為兩類（即子載波或噪聲），然后在寬帶功率譜上定位子載波信號的位置。在分別使用模擬和真實的衛星寬帶功率譜數據集進行訓練和驗證后，所提出的深度CNN成功地檢測了寬帶功率譜中的副載波信號，并取得了比斜率追蹤法更高的精度。表3將不同的衛星通信方面與它們各自的基于人工智能的解決方案參考相匹配。

表3 各種衛星問題及其各自的基于人工智能的解決方案參考。

4 結論

這篇評論提供了人工智能及其不同子領域的概述，包括ML、DL和RL。然后介紹了衛星通信的一些限制，并討論了他們提出的和潛在的基于人工智能的解決方案。人工智能的應用已經在各種各樣的衛星通信方面顯示出巨大的成果，包括波束跳躍、AJ、網絡流量預測、信道建模、遙測挖掘、電離層閃爍檢測、干擾管理、遙感、行為建模、空間-空氣-地面整合以及能源管理。未來的工作應旨在應用人工智能，以實現更高效、安全、可靠和高質量的通信系統。盡管ML在一些應用中的精確性和準確性方面取得了巨大的成果，但為了更安全和可靠的通信，在ML的可解釋性和對抗性ML方面仍有更多的工作要做。

Mohamed-Slim Alouini于1998年在美國加州帕薩迪納的加州理工學院（Caltech）獲得電氣工程博士學位。他曾在美國明尼蘇達州明尼阿波利斯市的明尼蘇達大學任教，然后在卡塔爾的德克薩斯農工大學任教，2009年加入沙特阿拉伯王國Thuwal的阿卜杜拉國王科技大學（KAUST）的計算機、電氣和數學科學與工程系，擔任電氣工程教授。他目前的研究興趣包括無線通信系統的建模、設計和性能分析。

Fares Fourati目前正在沙特阿拉伯王國圖瓦勒的阿卜杜拉國王科技大學（KAUST）計算機、電氣和數學科學與工程部的通信理論實驗室攻讀電氣和計算機工程的碩士/博士課程。他獲得了突尼斯綜合理工學院的工程師文憑。他目前的研究興趣包括無線通信系統的機器學習。

隨著網絡信息的爆炸式增長，推薦系統在緩解信息過載方面發揮了重要作用。由于推薦系統具有重要的應用價值，這一領域的研究一直在不斷涌現。近年來，圖神經網絡(GNN)技術得到了廣泛的關注，它能將節點信息和拓撲結構自然地結合起來。由于GNN在圖形數據學習方面的優越性能，GNN方法在許多領域得到了廣泛的應用。在推薦系統中，主要的挑戰是從用戶/項目的交互和可用的邊信息中學習有效的嵌入用戶/項目。由于大多數信息本質上具有圖結構，而網絡神經網絡在表示學習方面具有優勢，因此將圖神經網絡應用于推薦系統的研究十分活躍。本文旨在對基于圖神經網絡的推薦系統的最新研究成果進行全面的綜述。具體地說，我們提供了基于圖神經網絡的推薦模型的分類，并闡述了與該領域發展相關的新觀點。

摘要：

隨著電子商務和社交媒體平臺的快速發展，推薦系統已經成為許多企業不可缺少的工具[78]。用戶依靠推薦系統過濾掉大量的非信息，促進決策。一個高效的推薦系統應該準確地捕捉用戶的偏好，并提出用戶潛在感興趣的內容，從而提高用戶對平臺的滿意度和用戶留存率。

推薦系統根據用戶的興趣和物品屬性來評估他們對物品的偏好。用戶興趣和項目屬性都用壓縮向量表示。因此，如何通過歷史交互以及社會關系、知識圖譜[49]等側面信息來了解用戶/項目嵌入是該領域面臨的主要挑戰。在推薦系統中，大多數信息都具有圖結構。例如，用戶之間的社會關系和與項目相關的知識圖譜，自然就是圖形數據。此外，用戶與項目之間的交互可以看作是二部圖，項目在序列中的轉換也可以構建為圖。因此，圖形學習方法被用來獲得用戶/項目嵌入。在圖學習方法中，圖神經網絡(graph neural network, GNN)目前受到了極大的追捧。

在過去的幾年里，圖神經網絡在關系提取和蛋白質界面預測等許多應用領域取得了巨大的成功[82]。最近的研究表明，推薦器在以圖[41]的形式引入用戶/項目和邊信息的交互時，性能有了很大的提升，并利用圖神經網絡技術得到了更好的用戶/項目表示。圖神經網絡通過迭代傳播能夠捕捉用戶-項目關系中的高階交互。此外，如果社會關系或知識圖譜的信息是可用的，則可以有效地將這些邊信息集成到網絡結構中。

本文旨在全面回顧基于圖神經網絡的推薦系統的研究進展。對推薦系統感興趣的研究者和實踐者可以大致了解基于圖神經網絡的推薦領域的最新發展，以及如何利用圖神經網絡解決推薦任務。本調查的主要貢獻總結如下:

• 新的分類法：我們提出了一個系統的分類模式來組織現有的基于圖神經網絡的推薦模型。我們可以很容易地進入這個領域，并對不同的模型進行區分。

• 對每個類別的全面回顧，我們展示了要處理的主要問題，并總結了模型的總體框架。此外，我們還簡要介紹了代表性模型，并說明它們是如何解決這些問題的。

• 我們討論了當前方法的局限性，并在效率、多圖集成、可擴展性和序列圖構造方面提出了四個潛在的未來方向。