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

美國國防部（DOD）強調了對實時系統性能反饋的需求，這對優化作戰效率和作戰場景中的知情決策至關重要。數字孿生（DT）概念是實現這一目標的關鍵，它可以促進從傳統的基于時間的維護向基于狀態的維護轉變，并利用預報和健康管理技術的進步。這項研究提出了一個用于實時數據收集的數字孿生框架，該框架植根于基于模型的系統工程（MBSE）方法，并與國防部架構框架（DoDAF）2.0 觀點相結合。該研究以施樂 ElemX 3D 打印機為基準，強調了 DT 通過預測功能提高打印機優化和可靠性的潛力。技術就緒水平和驗證廣場的驗證方法合并在一起進行綜合評估，以確保 DT 框架從概念設計過渡到功能部署。研究最后提出了前瞻性建議，包括將人工智能集成到 DT 和高級安全協議中。

美國國防部（DOD）非常重視一致和即時的系統反饋。這些實時數據不僅在戰斗中發揮著關鍵作用，而且還影響著系統維護決策（Ashworth 等，2021 年）。數字孿生系統（DTs）的出現為收集系統反饋數據并利用這些數據就系統運行和維護問題做出決策提供了一個大有可為的機會。

根據 Song 等人（2023 年）的定義，DT 是物理實體或系統的虛擬反映。其最重要的價值之一是實時提取數據。與之前的方法相比，除了單純的提取之外，DT 還提供了一個進化的分析框架。這種潛力推動 DT 成為從基于時間的維護（TBM）過渡到基于狀態的維護（CBM）的有效工具，同時整合了預測和健康管理（PHM）技術（E. B. K. Lee, Van Bossuyt, and Bickford 2021）。

本研究調查了現有的 DT 開發模型，引入了一個為實時數據采集而設計的 DT 概念框架。開發的概念框架將 MagicGrid 知識手冊（Dassault Systèmes，2021 年）中的基于模型的系統工程（MBSE）方法與 Bickford 等人（2020 年）的六個生命周期階段進行了協調和同步。這項研究進一步納入了 DoDAF 視圖，以確保利益相關者的一致性、互操作性和 DT 效率。由此產生的方法與工程模型（如 Vee 模型）相一致，保證了對系統的明確理解、捕捉利益相關者的需求、定義能力和評估性能（Loaiza、Cloutier 和 Lippert，2023 年）。

本文以施樂 ElemX 3D 打印機為例，展示了所提出的框架。該示例深入探討了 DT 在 CBM 中的作用，并詳細介紹了如何利用三維打印機的數據進行 PHM。為 3D 打印機建立 DT 可以對傳感器獲取的數據進行深入分析，從而揭示模式和異常情況。這反過來又有助于修改打印機設置、組件和方法，從而提高輸出質量和組件壽命。一旦建立了基礎基線，成熟的 DT 就能自動進行分析，利用其預測能力預先解決潛在的復雜問題，節約資源并提高打印機的可靠性。

從概念到現實的過渡需要一個強大的驗證和確認（V&V）過程，因此本研究為如何對擬議的 DT 框架進行 V&V 提供了評論和指導。V&V 方法包括兩個方面，即技術就緒水平（TRL）和驗證廣場（Pedersen 等人，2000 年）。TRL 是 DT 框架固有的技術成熟度標準（Tzinis，2012 年）。它從初級研究發展到成熟的、經過實地測試的技術。同時，"驗證過程"確保了 DT 的操作精度，驗證了模擬數據反映了真實世界的動態。這種綜合方法提高了人們對 DT 在操作領域中可靠性能的信任。

研究最后提出了前瞻性建議。這些建議包括地域分散的 DT 的潛力、將人工智能和機器學習集成到 DT 中、加強 DT 安全協議、改進用于系統優化的 MBSE 方法、增強數據分析框架，以及提升 V&V 方法以應對未來挑戰。

國防行動正處于分析革命的風口浪尖，DT 可以成為為國防行動提供實時數據提取、分析和預測能力的有效工具。通過與嚴格的 V&V 方法保持一致，DT 不僅能提高運行性能，還能積極主動地進行系統維護和開發。采用 DT 可能是國防系統優化的未來。

本報告研究了如何利用人工智能（AI）解決方案，結合傳感器數據和更高級的企業級機器學習（ML）算法，改進戰術決策，提供先進的目標定位解決方案，并為艱苦環境中的步行作戰人員推薦行動方案（COA）。該團隊采用系統工程分析方法，為戰術邊緣的人工智能輔助決策系統提出要求并進行概念設計。團隊將這一未來能力命名為 "地面感知作戰決策（GAWD）系統"。設想中的 GAWD 能力將提供一個功能強大的人工智能/ML 骨干架構，用于在邊緣傳輸戰術相關數據，供士兵實時處理和分析，以確定目標和選擇路線。此外，該能力還能監測士兵的健康狀況，并將信息提供給指揮部。未來的 GAWD 系統概念將利用人工智能、ML、增強現實 (AR)、虛擬現實 (VR) 和機身處理來分析數據，從而在終端用戶設備 (EUD) 或平視顯示器 (HUD) 上觸發實時通知和建議行動方案 (COA)，以幫助下裝作戰人員及時做出作戰決策。研究小組進行了場景分析，探討了在三種不同的地面部署士兵場景中使用 GAWD 系統的問題。研究小組研究了在軍事行動中引入 GAWD 系統的道德影響。

圖 14. 用于瞄準的地面感知作戰決策邊緣計算系統架構圖。

雖然具有未來性，但將人工智能（AI）和機器學習（ML）作為下馬兵棋推演的輔助工具，是美國在戰場內外保持優勢的下一步。美國國防部（DOD）和聯合軍種正在探索將人工智能/機器學習用于各種應用，以支持作戰人員執行任務。本畢業設計項目研究了如何使用人工智能/ML 來實現未來的兵棋推演決策輔助功能，以支持下裝士兵執行任務。頂點團隊（Linchpin 小組）采用系統分析方法，研究人工智能和機器學習的當前和預期能力，了解下裝士兵的需求和任務，并利用人工智能和機器學習開發決策輔助系統的概念設計。

頂點團隊設想實施一種前沿、全面的人工智能/ML 機器兵棋推演決策輔助系統，稱為地面感知作戰決策（GAWD）系統。該系統是一個數據套件，搭配最先進的軟件（SW），可確保步兵單元在艱苦環境中的戰術決策能力，有助于挽救生命。利用人工智能、機器學習和先進的數據分析技術，這一創新工具可以提供一個適應性強、可擴展的系統，可以滿足各種單元規模的需求，并能與現有的軍事技術和網絡無縫集成。

這種實時和不斷發展的系統有可能使下馬士兵能夠清晰、全面地了解作戰環境，包括對手陣地的位置、地形特征以及使用各種傳感器和數據集提供戰場最新信息的友軍。此外，這種兵棋推演輔助工具將通過利用機器學習和歷史數據，為士兵及其指揮部提供態勢感知（SA）。這些信息將能夠快速分析各種場景，預測敵人的潛在動向，并根據當前形勢和單元目標提出最佳行動方案（COA），從而做出關鍵的戰術決策。

Linchpin 集團為下馬士兵設計的概念性人工智能/機器學習 GAWD 系統代表了步兵戰的突破性進展。通過利用人工智能/機器學習的力量，這一尖端工具將為下馬士兵提供無與倫比的戰略部署、決策支持和協調能力。根據設想，這一工具還將作為一個訓練平臺，使士兵能夠參與虛擬兵棋推演和模擬場景。該系統可記錄個人和單元在訓練演習和真實場景中的表現，從而為行動后評估（AAR）和持續改進單兵和整個陸軍提供有價值的見解。

該小組進行了一項情景分析，以探討士兵在地面任務中如何使用 GAWD 系統。團隊確定了三種相關場景，這些場景將通過添加人工智能支持的 GAWD 系統得到增強。這三種情況是 (1) 目標交戰，(2) 路線選擇，以及 (3) 士兵健康和狀態監控。研究小組探討了每種場景，然后比較了三種場景下未來 GAWD 能力所需的功能。

人工智能/機器學習作為一種力量倍增器，有可能顯著提高下裝單元的戰斗力和生存能力，確保現代戰場上的軍事優勢。它的部署將徹底改變下裝作戰，并為軍隊的卓越戰術設定新的標準。

該研究探討了如何利用博弈論來模擬俄羅斯、中國和美國之間的多極升級動態。此外，該研究還重點分析了影響潛在沖突結果的各種參數，以便在三極環境中進一步提出新的威懾思想。

本文建立了一個初步的博弈論模型來模擬和分析升級動態。該模型以扎加雷和基爾古爾在其著作《完美威懾》中提出的框架為基礎。該模型基于博弈前設定的假設和規則。然后，根據這些假設，采用一種適用于博弈理論家的數學逆向歸納法對模型進行分析。然后，對潛在結果進行評估，以提出威懾建議。

為了實現這一目標，設定了一個假設，然后與最終研究結果進行比較。在比較的基礎上，提出最終結論和建議。通過博弈論和研究獲得的結果符合設定的假設，本論文描述了滿足假設背后的原因和理論。

俄羅斯已經與美國達到了粗略的戰略均勢。中國將很快加入美國和俄羅斯的核同行或近鄰行列，從而創造一個新的多極地緣政治環境。美國傳統的核威懾政策植根于兩極背景，需要重新考慮威懾戰略。博弈論模型為探索提供了一個途徑，因為這些模型模擬了參與特定局勢或博弈的多個參與者之間的戰略局勢。戰略局勢涉及的結果取決于所有參與者的行動及其不同的動機。要制定新的威懾政策和戰略以領先于競爭對手，就必須了解和分析結果與形勢。通過對博弈進行正式建模，建模者不得不闡明模型中的任何假設和結論，從而為知情和新的威懾思維創造機會。在建立兩極沖突的博弈論模型方面已經做了大量工作，但在三極領域的研究卻嚴重不足。例如，2000 年，Zagare 和 Kilgour 提出了一種非對稱升級博弈來研究兩極威懾的動態。他們的工作可以擴展到多玩家框架。本論文旨在利用之前的兩極博弈論模型來建立三極模型，分析俄羅斯、中國和美國之間的升級和威懾動態，更具體地說，評估影響沖突結果的關鍵因素，從而解讀不斷變化的地緣政治環境。雖然本項目的大部分內容更廣泛、更具體地研究了這些方面，但首先必須分析以往的兩極博弈論威懾戰略，以理解并擴展以往的理論和研究。目標是找到兩極博弈論模型與當前地緣政治環境之間的相關性，從而建立新的三極博弈論分析模型。本研究的目標是利用博弈論分析俄羅斯、中國和美國之間的多極升級動態。分析將在三種可能的情況下進行。第一種情景假定所有參與者都各自為政、互不協調，模擬等邊三角形環境。第二種假設是中國和俄羅斯之間的協調，第三種假設是中國和美國之間的協調。雖然還有一種可能的情況是俄羅斯和美國之間的協調，但認為這種情況并不可靠。目前雙方在烏克蘭緊張局勢中的敵對行動使得結盟對抗第三方的可能性很小。因此，所有方案都假定兩國繼續對立。

假設在多極化環境中，全面戰略沖突的風險將增加，而緩和沖突的時間將縮短。在從理論和實證兩方面全面分析和建立新模型之前，有必要對威懾和博弈論方面的現有文獻進行調查。下文將簡要概述迄今為止的多項學術研究。

美國國防部的主要項目，如 F-22 猛禽和 F-35 閃電 II 項目，都面臨著軟件方面的挑戰。鑒于最近自上而下地指示要提高關鍵軟件采購、開發和部署的敏捷性，了解阻礙改進的其他因素至關重要。這項研究包括對政府報告和建議、私營部門的最佳實踐和創新以及軍方與私營部門合作的努力的廣泛回顧。這些工作揭示了阻礙進步的因素，包括國防部項目的結構往往是自說自話，開發時間漫長，預算資金周期僵化。理想情況下，軟件的采購流程與硬件的采購流程有所不同，但在實踐中往往沒有區別。項目領導者往往過于專注于有限的開發方法，對軟件專家的建議持抵制態度。這項研究指出了國防部采購項目中的幾個領域，在這些領域中可以對現行做法進行改革。這些改變應能使項目在成本、進度和性能方面得到改善。

決策支持是一個至關重要的過程，它能為決策者提供必要的洞察力，使其做出明智的選擇，從而提高任務準備狀態并優化資源分配。要提供有效的決策支持，顧問和分析人員必須理解決策者的優先事項，并采用能靈活、即時地直觀呈現資源情況的決策支持工具。在本研究中，主張實施專門設計的數據分析工具，通過數據分析協助管理決策。評估重點是未來創建戰略決策儀表板的潛在解決方案。評估了數據分析工具在整個決策過程中提供與管理決策相一致的決策支持能力。這項研究深入探討了每種數據分析工具的優缺點。理想的設計應為決策者提供數據可視化技術，使他們能夠做出明智的管理決策，確保資源效率和組織目標的實現。總之，所開展的研究支持使用合適的數據分析工具和未來開發戰略決策儀表板。

在美國海軍及其盟國海洋行動中，最重要的是在海軍交戰中制定有效的戰略。盡管人們寄予厚望，但諸如 "約翰-麥凱恩 "號和 "菲茨杰拉德 "號這樣的事例表明，在每一次互動中確定有利的行動都具有挑戰性。本研究利用機器學習（ML）和人工智能（AI）的進步，開發了一個基于模擬的程序，將強化學習（RL）應用于海軍場景。該程序是對現有陸基兵棋推演模擬程序 Atlatl 的改編，旨在識別六種場景中己方兵力的高效行動。對深度 Q 網絡（DQN）、蒙特卡洛樹搜索（MCTS）和 AlphaStar 人工智能體在不同場景中的表現進行評估后發現，DQN 和 MCTS 能夠識別出更優越的策略，其中 DQN 一直表現出較高的得分，在某些場景中甚至超過了人類玩家。AlphaStar 顯示出的結果較少，但提供了如何改變它以在未來取得更好結果的見解。這些發現強調了人工智能作為海軍作戰決策輔助工具的潛力，有助于增強美國海軍的決策能力。建議今后開展研究，進一步挖掘這一潛力。

最近，機器學習和人工智能的快速發展為改進美國防部（DOD）兵棋推演創造了越來越多的機會。本研究旨在利用現代框架、算法和云硬件來提高美國防部的兵棋推演能力，具體重點是縮短訓練時間、提高部署靈活性，并展示經過訓練的神經網絡如何為推薦行動提供一定程度的確定性。這項工作利用開源并行化框架來訓練神經網絡并將其部署到 Azure 云平臺。為了衡量訓練有素的網絡選擇行動的確定性，采用了貝葉斯變異推理技術。應用開源框架后，訓練時間縮短了十倍以上，而性能卻沒有任何下降。此外，將訓練好的模型部署到 Azure 云平臺可有效緩解基礎設施的限制，貝葉斯方法也成功提供了訓練模型確定性的衡量標準。美國防部可以利用機器學習和云計算方面的這些進步，大大加強未來的兵棋推演工作。

圖 4.1. 未來兵棋推演開發者與用戶在云和本地實例中的關系

人工智能（AI）在過去幾十年中取得了顯著進步。最近在深度學習和強化學習（RL）方面取得的進步使人工智能模型在各種視頻游戲中的表現超過了人類。隨著美國國防部（DOD）繼續投資開發用于兵棋推演和戰爭規劃應用的人工智能模型，許多方面都有了改進。

本研究調查了現代機器學習（ML）技術的應用，以提高兵棋推演的功效。這項研究表明，即使在沒有圖形處理器（GPU）的情況下，并行化也能大幅縮短 RL 問題的訓練時間，而且對平均得分的影響微乎其微。這一發現強調了并行處理框架對未來 RL 訓練工作的重要性。本研究利用 Ray 框架來協調 RL 訓練的并行化，并評估了兩種算法：近端策略優化（PPO）和重要性加權行為者學習者架構（IMPALA），包括使用和不使用 GPU 加速的情況。這項研究成功地表明，在保持總體平均性能的同時，訓練時間可以減少一到兩個數量級。

本研究的第二部分探討了將本地訓練的模型與本地環境解耦的實用方法，展示了將這些模型部署到云環境的可行性。采用的模型是利用開源框架開發的，并部署在微軟 Azure 云平臺上。這項研究成功地將訓練有素的 RL 模型部署到云環境中，并集成到本地訓練和評估中。

最后，本論文證明了貝葉斯技術可以集成到 RL 模型中，從而有可能提高人機協作的價值。這是通過將貝葉斯方法納入模型架構，并在運行時利用這些實施層的獨特屬性來實現的。這項研究取得了成功，并展示了如何將人工智能移動選擇的確定性措施合成并呈現給人類。

總之，這項研究強調了并行化的重要性，為基于云環境的訓練模型提供了概念驗證，并證明了將貝葉斯方法納入人工智能模型以改善人機協作的可行性，從而為推進 ML 和兵棋推演技術做出了貢獻。

本研究的重點是評估海軍信息戰中心（NIWC）太平洋分部通過有效的項目管理（PM）實踐建立知識管理（KM）基礎設施的方法的發展。評估的主要重點是NIWC太平洋分部的需求收集和管理以及它的流程管理方法，因為它開發了一個全面和可擴展的知識管理框架。研究人員將這一努力與各種專業和學術研究進行了比較，這些研究綜合了在一個有凝聚力的知識管理框架中需要尋找的東西并奠定了基礎。研究人員還深入研究了NIWC太平洋分部的方法和以前通過使用各種平臺傳播內容的嘗試，并將其與目前的狀態進行對比，研究用于評估信息傳播和使用的熟練程度的定性和定量屬性。

這種比較方法將說明指揮部用戶群體在當前狀態之前利用松散的管理、配置和重復的平臺所產生的低效率。之前分享信息的努力缺乏嚴謹性，隨著過時的材料在整個指揮部的傳播，增加了許多領導層對業務領域或項目是否利用了最新信息的懷疑，這是不有效的。另一個需要審查的因素是，如何將系統合理化為一套一致的平臺，以滿足NIWC Pacific領導層和內部客戶提出的要求，這也改善了內容和業務數據的整理。

事實證明，平臺數據收集是一個缺失的功能，或者說是不容易被用戶和高級領導所使用的功能。與其目前的框架相比，收集用戶流量和內容信息以建立一個基線，結合更新或添加/刪除內容的審核過程來策劃產品和內容是很麻煩的。這項研究還將說明所制定的業務規則和做法，確保相關的知識和信息被有目的地提供給員工。研究結果闡明了通過變更配置委員會（CCB）來管理業務產品擴散的執行機制，以及它們所處的系統。

NIWC太平洋分部在以混亂的方式部署內容管理系統（CMS）方面也贏得了內部聲譽。不僅是在導致選擇平臺的決策方面，而且在部署平臺的時間框架和方法方面。終端用戶感到沮喪，并最終對平臺的快速引入和替換感到疲勞--在許多情況下，幾乎沒有警告或準備。這項研究將分享為什么這對健全的知識管理實踐的有效性不利的見解。

NIWC太平洋分部的信息策劃轉型的另一個重要方面是高級領導層的認同。指揮部有各種擴散信息的方法。指定的團隊被允許使用和管理經批準的COTS平臺作為內容管理系統。不幸的是，給了系統管理員完全的自由權，造成了一個意想不到的后果。各個系統管理員和內容管理員在不同的平臺上有一種放任自流的心態，這使得策劃和管理信息變得困難。這也助長了一種沒有納入強大訪問控制的環境。

這項分析將觸及NIWC太平洋分部的高級領導層做出的關鍵決定，即對其系統進行合理化調整，并倡導收集需求以有效地創建一個可行的知識管理框架。這項研究建議NIWC太平洋分部繼續遵循其內部和有機的方法來維持知識管理框架，因為我的評估表明，其方法不僅迎合了該中心的獨特需求，而且還建立在健全的計劃和知識管理原則之上。

本文提出了一個海軍作戰管理系統（CMS）架構，考慮到電子戰（EW）與人工智能（AI），以應對現代高超音速和低觀測能力的威脅，其中反應時間可能很短，需要自動化。它使用一個反制措施案例研究作為數據要求，拍賣傳感器任務，人工智能過程，以及認知復合感應的數據融合。該文件還強調了已經公布的關鍵認知電子戰能力，以證明該架構的合理性。該架構的方向是用高反應時間的自動化人工智能驅動的認知DM來取代人類決策者（DM）。

引言

當把人工智能（AI）應用于電子戰（EW）時，它不僅要幫助決策者（DM）進行態勢感知（SA），還要滿足點、區域和區域防御以及反目標活動的需要。電磁波譜是密集的，有許多通信和雷達發射器。因此，挑戰在于如何將人工智能應用于能夠滿足管理部門需求的EW系統。因此，它必須能夠整理出感興趣的信號（SoI）[1]，如部隊的信號和與指定任務無關的信號。這項工作的基礎是 "常規戰爭 "中的反導彈反應，以便與傳統的交戰進行更直接的比較。影響反艦導彈（ASM）成功的一些主要因素是雷達橫截面（RCS）、紅外橫截面（IRCS）、視覺和紫外線（UV）特征。因此，目標艦的特征是決定被動軟殺傷[2]反措施（也叫伎倆）性能的一個基本因素。然而，反坦克導彈也可以使用主動雷達尋的方式進行瞄準和跟蹤。因此，射頻（RF）和微波（MW）的截面特征是重要的，同時還有光輻射量子（或光子）、方位角和機動中的方位率，以及它們的戰術影響。因此，現代操作環境在處理電磁波譜方面存在挑戰，人工智能的自動化和自主性是解決這一挑戰的理想選擇。

A. 動機、方法和限制

本文描述了一個架構，其中包括用糠和干擾器進行軟殺傷；用導彈、火炮和火控系統進行硬殺傷；以及一個跟蹤目標并協調軟殺傷和硬殺傷反應的指揮和控制系統。本文僅限于假設反坦克導彈是使用射頻主動雷達尋的目標和跟蹤的海上滑行。因此，這項工作的中心是簽名管理、大型目標船的規避動作、船上被動型誘餌系統（如金屬箔片和反射器）的操作性能，涉及反坦克導彈的跟蹤方案和交戰環境，包括風速和風向。擊敗導彈威脅的一個基本因素是反應時間；隨著高超音速的出現，時間因素成為反應殺傷鏈的決定性因素。潛在導彈平臺的識別標準是最基本的；它們將允許更精確的SA，迅速讓DM消除發射平臺。鑒于反導鏈反應的時間很短，人的頭腦無法計算巨大的信息量，并在短時間內決定反應的類型，要么是硬殺傷，要么是軟殺傷，要么是兩者兼而有之；那么人工智能就成為反導系統中的基礎[3] [4]。因此，人類的DM理論不能用于遙遠的未來，因為它要求對形勢的分析速度、識別能力、對威脅的立即反應，以及在人類思維的指揮鏈中進行計算和決定，因此不能提供所需的反應時間。本文的最后部分介紹了幫助平臺保護速度的架構，朝著定義CMS中的設備連接方向發展，同時還介紹了一些已經發表的關鍵技術。

B. 論文的結構

第1節是介紹、動機、方法和論文結構。第2節提供了一個常規條令性例子戰術和反擊方法，用于在架構中需要支持的硬殺和軟殺。同時，在第2節中，還介紹了軟殺傷反擊方法的主動、被動和綜合方法。此外，第3節是一個使用飛毛腿和機動性的交戰例子，展示了所需的關鍵數據。第4節介紹了所提出的AI/EW技術的架構。最后，第5節是結論。

AI/EW技術的架構

人工智能應用于電子戰時，不僅要保證DM（決策者）的SA（態勢感知），而且還必須滿足點和區防御以及反目標活動的需要。電磁波譜因無線電和雷達發射器而加劇，一個挑戰是將人工智能應用于能夠滿足DM需求的EW系統，因此它必須能夠分出感興趣的信號，例如其海軍部隊的信號。另外，哪些信號對指定的任務沒有影響。

一個陸軍師的基本 "有機 "通信和電子設備，在一個典型的70公里乘45公里的地區作戰，是超過10,700個單獨的發射器。一個支持性的空中遠征部隊（AEF）會帶來另外1400個，而一個典型的海軍航母戰斗群會帶來另外2400個發射器[20]。比如說： 在沙漠盾牌/沙漠風暴中，六個陸軍師和一個海軍陸戰隊師都占據了相同的地理和電磁波譜空間，還有許多其他聯軍和指揮控制網絡[21]。鑒于這種信息密度，認知型EW也必須與人工智能概念和認知循環階段的相關挑戰相一致。

A. EW活動和AI對應的術語

為幫助EW和AI的受眾，我們提供了一個AI和EW術語的表格，在表1中，這些術語有一些對應關系。

表1 等效AI和EW術語

B. EW核心概念

電子戰被正式定義為三個部分：

• ES（電子支持）：了解誰在使用頻譜，出于什么目的。使用寬窄帶探測和攔截過程，它定位、識別、辨認、轉錄、分析可能的意圖，并評估致命性、敵對性和忠誠度。現代形式包括多層次的情報產品，如網絡電磁活動（CEMA），從地理到人物網絡。
• EA（電子攻擊）：利用頻譜，以EW效應爭奪該頻譜對自己的優勢。
• EP（電子保護）：是為保護和抵制干擾等攻擊而采取的行動。反干擾也可能包括抵抗ES、EA和CEMA產品的措施。

C. 查找、定位、追蹤、瞄準、攻擊、評估

在圖10中，Haigh和Andrusenko[15]提出了一個EW和AI的組合架構，它跨越了殺傷鏈階段，將AI的特征和分類輸入一個融合引擎，以建立一個意圖，這個意圖是由因果關系和異常檢測階段推斷出來的。

圖10 與EW功能相關的EW和AI能力[15]。

Haigh和Andrusenko的論文與EA之前的ES的數據融合觀點一致，同時保持EP。因此，人工智能方法被應用于特定發射器的分析、特征描述和分類，作為數據融合之前的模式匹配工作。然后，這些方法被用于異常檢測和因果關系搜索，以實現意圖識別。這是一個信息漏斗，在EA/EP方面，這些方法更多的是優化適應性，而不是智能，這貫穿于整個殺傷鏈，并應用于任務管理的決策援助和與電子戰令（EOB）和網絡管理有關的人為因素。不難看出，AI態勢評估、DM和機器學習（ML）能力與所有EW功能相關。每個認知型EW系統的第一步是電子支持（ES），以了解射頻頻譜。在人工智能界被稱為情況評估，ES確定誰在使用頻譜，他們在哪里和何時使用，以及是否有可以 "利用 "的模式。AI/ML技術可以使用特征估計、發射器特征和分類、數據融合、異常檢測和意圖識別。圖11顯示了任務前準備和任務后分析與任務中需求的重疊。

圖11 任務中、任務前和任務后的重疊部分

ES對環境進行分析，并創造出驅動決策者（DM）的觀測數據。日益復雜的情況將頻譜態勢感知（SSA）定義為 "收集有關頻譜使用的不同信息并處理這些信息以產生一個融合的頻譜圖"[15]。SSA收集、組織和處理EW所需的頻譜數據。SSA必須以近實時（NRT）的方式進行，以滿足任務中的決策者的需要，SSA必須結合各種支持技術，包括傳統的和認知的。然而，一個挑戰在于相關技術的整合和展示，其中只有少數是認知的，以減少脆性和處理新的發射器。人工智能和ML能力可以在每個層面上改善SSA，這是在其他相關SSA技術背景下對這些AI/ML技術的看法。一個完整的EW系統必須有多層面的SSA。未來的SSA系統可以用深度學習模型來生成潛在的特征，用經典的ML模型來進行任務中的更新，以及用混合模型來抵消有限的數據。此外，SSA不一定要完全依賴射頻數據： 它可以與非射頻數據融合，如視頻和靜態圖像、自由空間光學、或開源、戰術或作戰情報。跨越多個異質來源的分布式數據融合必須創建一個在空間、時間和頻率上都準確的連貫的戰地頻譜共同作戰圖。異常檢測、因果推理和意圖推理使作戰圖更加完整，以了解事件的影響并支持管理部門。

D. 影響范圍

Rudd-Orthner等人[14]用圖12中的 "影響范圍 "概念[18]擴展了這一概念，并增加了一個 "保護洋蔥 "框架，以根據數據需要選擇對策。

圖12 影響范圍

他們指出，威脅武器系統有變得更加復雜的趨勢，這種復雜性的增加至少可以部分歸因于：戰術的演變、技術發展的速度和數字化的現代化，但也有一種趨勢，即隨著人類決策和反應時間的減少，威脅的作用也在擴大；隨著自主系統的效力和使用的增加，這種情況也許更加明顯。自主系統的崛起在所有領域都在發展： 陸地、空中、海上、太空和網絡。自主系統的規模各不相同，從無人值守的槍支系統到自主空中平臺。這些自主平臺運作的作用也在不斷擴大，因此在打擊它們時，可能需要在綜合防御輔助系統中匹配復雜性，作為打擊復雜威脅系統的戰略。這些復雜平臺的作用和能力的增加，可能導致單一平臺的作用不大，并為其他平臺提供 "保護投射 "的要求。與此相結合，利益相關者群體也更加多樣化，科學家/工程師、機組人員和任務生產程序員之間的溝通機制也是挑戰，這樣他們都可能做出有意義的貢獻，并與他們的利益相關者群體的價值互補，正如Rudd-Orthner等人所說。

E. 拒止、降級、擾亂、欺騙、毀壞

圖12中的維恩圖顯示了數據可用性的 "影響范圍"：保護平臺/部隊、威脅或武器系統和防御限制與反措施設計考慮相疊加。Rudd-Orthner等人指出，這些不同的反措施考慮加上不同的可用數據，可能對反措施戰術設計形成影響范圍。

F. 保護洋蔥的映射

Rudd-Orthner等人在[14]和[19]中應用了多視角威脅分析圖解技術，該技術基于判別器、操作視角、系統視角以及對策設計考慮和影響范圍的維恩圖，適用于保護的洋蔥。他們在維恩圖中描述了反措施的設計考慮，將反措施的設計意圖描繪成一種規范，而不是ECM干擾器技術設施。在這種情況下，反措施設計考慮表示戰術的反意圖。論文[14]和[19]還建立了一個保護洋蔥的概念，利用反措施設計的影響因素和組織成洋蔥層的數據源，將揭示的數據分層管理。其中這些層級建議的對策方法也是與該威脅殺傷鏈階段的威脅意圖直接相反的，使得它也是一個測量的反應和保護數據模型在所揭示的數據。表2顯示的是保護洋蔥的層級（第1層是最外層）和反措施設計考慮，影響范圍與威脅系統的殺傷鏈意圖的映射。表2提供了保護洋蔥的六個層次。

表2 保護洋蔥

洋蔥層/影響范圍/CM設計考慮因素	注釋
第1層發現/受保護的平臺/減少的可探測性	對抗早期預警、空中搜索或地面控制攔截雷達的探測或行為，使被保護平臺脫穎而出。該戰術針對的是殺傷鏈的意圖，并不顯眼，是利用對自身平臺數據的了解。
第2層定位/受保護的平臺/降低可探測性 誘餌和欺騙	具有欺騙性和誘騙性的反目標獲取或高度查找雷達可用于降低信息或反擊某個范圍或高度。
第三層識別/保護平臺 武器系統/降低可探測性 誘餌和欺騙 分散注意力 拒絕破壞	用旨在造成混亂的措施來對抗識別，以延遲對你的分類或身份的評估，識別可以基于行為或使用特殊雷達模式，如NCI。
第4層跟蹤/保護平臺武器系統/降低可探測性 誘餌和欺騙性分散注意力	用干擾、分散注意力和拒絕的方式來對抗威脅，可以是目標獲取雷達或更高數據率的搜索模式，如窄掃描軌道，同時掃描模式。
第5層 交戰/防御限制 武器系統保護平臺/降低可探測性 誘餌和欺騙 分散注意力 拒絕 破壞 破壞	使用所有可用的能力擊敗威脅，硬殺和軟殺取決于ROE，是傳統的平臺自我保護。可以使用破鎖和信號處理以及跟蹤目標的戰術。
第6層 處置和效應/防御性限制 武器系統保護平臺/減少可探測性 誘餌和欺騙 分散注意力 拒絕 破壞 毀滅	使用所有可用的軟硬殺傷能力擊敗威脅，是傳統的平臺自我保護。可能使用破鎖和信號與跟蹤處理的目標戰術，并可能同時采用針對尋的器和雷達的技術。

G. 認知電子戰系統

認知型電子戰系統的設計必須提供態勢感知、決策和學習能力。一般來說，系統要求推動了一系列關于哪些問題和它可能需要回答的問題的決定。決策可能是反復的，要么是集中的，要么是隨部隊效應范圍分布的。他們將一個問題表示為規格，并受制于AI代理的拍賣。就我們如何定義和調整優化函數而言，利用領域的物理學與參與的進展可能會減少狀態和交易空間。問題來自于像干擾這樣的設計結果所需的緊迫性和缺失的數據。因此，選擇對策和感覺的C4L參數、'while'或'if'條款都是數據要求，可能形成問題對話鏈或問題樹，在殺傷鏈的不同處置路線中需要。因此，這些對話鏈或問題樹就像專家系統的規則庫格式。因此，所需的數據就以拍賣的方式給投標的傳感器。這樣一來，邏輯路線總是有目的性的結果，而DM和傳感器的使用也是如此。另外，隨機森林[22]可以減少熵，增加信息增益。

雖然具有高度的適應性，但先進的雷達和軟件定義無線電（SDR）架構通常依賴于定制的API，單獨暴露每個參數。這種方法不適合EW系統中的近實時認知控制，因為緊密的耦合意味著人工智能不能做出全局性的決定。組成模塊必須是高度模塊化和可組合的，以消除這一障礙。通用接口允許模塊暴露其參數和依賴關系，從而實現全局優化和跨多個處理器的計算負載平衡。通常，由RESM（雷達電子支持措施）攔截的發射物是通過發射物數據庫識別的。發射者被識別出來，并在本地認可的海上圖像（LRMP）中得到體現。當通過數據庫確認為一種威脅時，它可以接受DM的詢問和拍賣：

• RECM C4L反措施規范可能需要威脅、獲取類型、速度、仰視距離和威脅的各種電子反措施（ECCMs）邏輯；
• DLS（誘餌發射系統）可能需要C4L數據并計算出發射角度和時間；
• CMS可能會要求C4L說明采取的最佳路線（避免武器系統的盲弧）。

為此，我們需要一個中間代理，提供一個模塊化的結構組件，允許不同的技術提供不同的服務，并確保信息/控制的一致流動，與John Boyd的OODA循環[23]一致，但適用于數據處理和DM。

圖13 模塊化架構

軟件架構的一個例子是ADROIT。自適應動態無線電開源智能團隊（ADROIT）：用中間代理認知控制SDR節點之間的協作。ADROIT項目正在建立一個開源的軟件定義的數據無線電，旨在由認知應用程序控制。模塊暴露了它的參數和它們的屬性（特別是讀/寫）。當一個模塊發生變化時（例如，增加一個新的參數），它只需揭示新的參數，并在一個發布-訂閱機制中公開參數（名稱、屬性），而不是為該新參數增加一個新的API函數；這也可以擴展為一個組播目的地，給后來仍需要定義的模塊。ADROIT用圖14所示的模塊實例化了中間代理。

圖14 ADROIT體系結構支持認知代理

處理不同的或變化的傳感器的一種可擴展的方式是，如果所有的設備可以減少不確定性或提供額外的數據來回答一個殺戮鏈階段的問題，就將它們定義為傳感器。因此，這些傳感器可以成為拍賣算法的參與者，以其回答問題的能力來競標。在不同的操作環境下，拍賣算法中的分數可以改變，因此，不同的傳感器選擇提供較低的可觀察性或與當前的ROE、受限的EMCON或當前的傳感器利用相一致。通過這種方式，形成了一個問答循環，完善了對情況的理解，同時在提問的基礎上做出增量決定，并使環境情況有利于他們的部隊使用保護洋蔥的一個版本。此外，同樣的拍賣優化可以與反措施一起執行，其概念是，如果一切都能影響當地的殺戮鏈決策或導致結論或問題發生在受害者身上，那么它就是一個影響者。由此可見，C4L提供了一種以標準形式指定反措施行動和傳感規格的方法；這些規格可以一起拍賣，以便在一個可適應的模型中獲得最佳效果和傳感，然后該模型將優化殺戮鏈的進展，為跟蹤的對手的殺戮鏈進展提供優勢。在圖15中，本文展示了EW系統如何在拍賣優化的基礎上與具有認知DM的作戰管理系統（CMS）集成。威脅的檢測/識別/鑒定/分類被轉移到不同的數據庫中，但這些過程和數據庫的不確定性導致了傳感器的重新任務。這些都是拍賣，根據傳感器解決情況的不確定性的能力來分配任務，并根據緊急程度來確定優先次序；這使用了從保護的角度預測威脅的殺傷鏈意圖。這些過程越可靠，立即識別和反應的概率就越高。為了進一步提高這一結果，管理部門必須考慮機器學習中的其他參數，以適應當地環境的傳感任務和對策效果的拍賣。

圖15 數據布局EWS與CMS集成

有些參數可能不為人所知，也可能沒有方法或傳感器來提供這些參數；因此，Rudd-Orthner等人[24]的專家系統的神經網絡形式作為數據庫的疊加，在這些情況下提供一個估計值。它還可以提供一個由貝葉斯網絡進一步引導的值，該網絡可以將從環境中收集的傳感器事實與來自其規則的知識結合起來，使其不容易被收集的事實所欺騙。此外，在圖16中，也是在人工智能的背景下，所提出的架構將EW系統與CMS結合起來。它通過一個反饋回路支持 "態勢感知"，根據威脅殺傷鏈的位置重新安排傳感器的任務，以快速解決識別和確認的不確定性，更新跟蹤的準確性，并為CMS和EW系統資源提供戰術清單作為選擇。

圖16 ID標準交互模型

在圖16中，DM能力因此積極主動地利用感知能力直接處置威脅，并為反制措施/部署制定了時間表。這些反措施/部署應按照RuddOrthner等人的保護理念，利用推斷出的威脅的殺傷鏈位置階段，直接對抗威脅的意圖。因此，傳感要求可以在拍賣算法中與可供選擇的策略/反措施交錯安排。同樣，在威脅分析和處置的關鍵時刻，一些所需信息可能無法在DM中獲得，但可以使用RuddOrthner論文中提出的神經符號-AI專家系統方法的代數專家系統部分進行估計。可控的可觀察數據可能來自人工智能環境中的數學或認知學習發展過程。我們可以認為這些有助于識別目標的元素是可觀察的，這些元素在DM中是可控的。

圖17 CMS和EW CM系統中的威脅數據路徑

在圖17中，本文展示了一個威脅發射器從EW系統進入CMS部分的順序。從EW系統的庫或數據庫中識別截獲的發射器；該數據庫包含物理雷達特征： PRI、頻率、PW、振幅、掃描類型、掃描周期平臺等級和威脅名稱；采集類型的特征，ECCM，如原點干擾（HOJ）Chaffs辨別，紅外，雙導射頻和紅外。如果發射物未被識別為威脅，則在本地識別的海上圖像中直接代表發行者。如果被確認為威脅，它將遵循不同的路徑，如前所述。導彈的獲取和ECCM的類型在反應鏈中具有巨大的價值。如果它有HOJ能力，最好是通過C4L中捕獲的特定計算直接干預硬殺傷和誘餌發射；該選定的C4L規格是由保護的洋蔥頭選擇的，它與頻譜中的感應計劃一起安排。該規格將誘餌定位在C4L所確定的與發射船的一定距離和特定的β值。除了在CMS上表示威脅的到達方向外，EW系統還將C4L搜索數據和傳感規范發送到多功能雷達（MFR）和火控雷達（FCR）作為即時硬殺傷系統。本文在圖18中畫出了由人工智能支持的戰斗管理系統（CMS）的架構基礎。在標準環境塊中，還有四個相互關聯的組件：

1.傳感器管理，提供設備監視器（資源管理器）的管理，傳感器信息的收集和軌道管理；在這個塊中，所有的相關數據都匯聚到機載傳感器，如雷達、聲納、ESM雷達、通信ESM、導航輔助設備和氣象數據。在這個架構中，一個傳感器的任務和它的優先權來自于它的成熟度和殺傷鏈。在這方面，關于Rudd-Orthner等人，威脅意圖的成熟度被評估為使用保護洋蔥的反意圖對策，并嵌入到Haigh和Andrusenko的殺傷鏈階段，其中的整合是通過ADROIT架構的發布和訂閱機制，這允許快速和靈活的整合和擴展。

2.在架構的第二塊，有信息管理，其中本地軌道與來自鏈接網絡的軌道相關聯，根據識別標準識別目標的追蹤，管理技術決策輔助工具和信息，共享共同的操作畫面，該畫面中的不確定性和異常情況引起了傳感器的任務。

3.第三塊代表戰斗管理，它提供了對威脅的評估計劃和武器優先權的分配--演習的計算和艦隊內與戰斗有關的信息交流。

4.最后一個區塊是資產管理，使用C4L規范和序列，允許艦艇同時協調幾個進攻和確定的目標。

圖18 AI應用于CMS結構

在DM處理環境之外，人工智能也同樣適用于智能處理環境，類似的技術疊加數據庫和ML提取，走向專家系統規則捕獲[25]。在人工智能輔助的CMS中，數據流入信息管理數據融合，使計算機系統在沒有明確編程的情況下利用歷史數據進行預測或做出一些決定。機器學習使用從IMDF（信息管理數據融合）獲得的大量結構化和半結構化的數據，這樣機器學習模型就能產生準確的結果，或根據這些數據提供預測。

這個頂點項目評估了使用區塊鏈技術來解決一些挑戰，即越來越多的不同的傳感器數據和一個信息豐富的環境，可以迅速壓倒有效的決策過程。該團隊探討了區塊鏈如何用于各種國防應用，以驗證用戶，驗證輸入人工智能模型的傳感器數據，限制對數據的訪問，并在數據生命周期內提供審計跟蹤。該團隊為實施區塊鏈的戰術數據、人工智能和機器學習應用開發了一個概念設計；確定了在戰術領域實施區塊鏈所涉及的挑戰和限制；描述了區塊鏈對這些不同應用的好處；并評估了這個項目的發現，以提出未來對更廣泛的區塊鏈應用的研究。該團隊通過開發三個用例來實現這一目標。一個用例展示了區塊鏈在 "輕數據"信息環境中的戰術邊緣使用。第二個用例探索了區塊鏈在電子健康記錄中對醫療信息的保護。第三個用例研究了區塊鏈在使用多個傳感器收集化學武器防御數據方面的應用，以支持使用人工智能和機器學習的測量和簽名智能分析。

未來針對同級或近級對手的大規模作戰行動，除了更傳統的空中、陸地、海上和空間等物理領域外，還將涉及網絡空間領域。數據和信息在這個連續體中的每一個點上所發揮的作用都不能被低估。此外，同時在多個領域進行有效溝通和協調的能力--擁有必要的指揮和控制--取決于可獲得的和可靠的信息。美國陸軍正在起草一份新的陸軍學說出版物3-13，標題為 "信息"，"將信息的軍事應用與所有作戰功能、部門和戰爭形式聯系起來"（美國陸軍聯合武器中心2022，2）。陸軍如何在戰場上保持優勢的這些轉變，強調了數據和信息作為戰爭工具的關鍵作用。

這個頂點項目的主要目標是探索區塊鏈在與國防部相關的各種情況下的使用。首先，該團隊研究了目前關于區塊鏈和相鄰主題的工作，如物聯網（IoT）、大數據、人工智能（AI）和機器學習（ML）。研究揭示了一個名為 "戰場物聯網"（IoBT）的新興概念。Tosh等人（2018）寫道，IoBT可以滿足 "對分散框架的強烈需求......以服務于戰場環境的目的"（2）。Kott、Ananthram和West（2016）強調了與IoBT可用性、保密性和完整性相關的幾個網絡安全挑戰，而Tosh等人（2018）討論了區塊鏈技術如何有利于IoBT架構。

除了網絡上的無數設備（如IoBT），數據存儲是管理數據的另一個關鍵方面，無論是現在還是未來以去中心化信息為標志的環境。區塊鏈，當與數據存儲機制的使用相結合時，可以幫助IoBT設備及其數據的可用性、保密性和完整性。該團隊研究了使用戰術數據結構作為 "鏈外 "數據存儲機制的潛力。數據結構使數據的發現、治理和消費自動化，使用戶能夠在他們需要的時候和地點訪問數據，而不需要對數據的存放地點有任何了解。數據結構是一種機制，可以將眾多的數據管理源連接在一起，以促進數據的可訪問性--無論其位于何處。這些數據管理源可以是傳統的數據庫、數據湖（IBM 2018），或數據倉庫（IBM 2021）。因此，戰術數據結構可能是一個可行的解決方案，以促進跨作戰人員功能和任務指揮系統的數據訪問（Patel等人，2021）。

這項研究的洞察力與現有的概念重疊，如數據生命周期和國防部的共同決策框架：觀察-定向-決定-行動（OODA）循環。數據生命周期一般有四個階段：數據創建（或生成）、數據閱讀（或消費）、數據更新（或修改）和數據刪除（或歸檔）。這些階段幾乎適用于任何類型系統中的每一種數據。了解在生命周期的每個階段與數據的互動如何影響數據的固有可靠性是很重要的。追蹤數據在這個數據生命周期中的運動提供了數據來源，這使得潛在的數據消費者能夠確定數據的可靠性和有效性。隨著決策者在實施OODA循環框架中使用數據（以及對該數據的下游分析，例如在人工智能的協助下），數據出處的關鍵性變得很明顯。區塊鏈的使用可以提供數據可靠性的內在保證，這反過來又減少了OODA循環的時間，改善了決策。

接下來，該團隊開發了一些通用的系統工程架構，以說明區塊鏈如何解決數據出處并確保這些數據的信任。這個過程確定了從各種用戶（例如，如數據所有者和消費者）到需要的軟件系統，以及數據結構，和Hyperledger Fabric（HLF）網絡（即區塊鏈組件）的各種行為者。此外，可能需要幾個應用編程接口（API）：一個訪問API，一個數據出處API，和一個企業API。利用區塊鏈提供可靠的數據出處的總體重點是提供一種新的方法，運營商可以跟蹤設備和數據的編輯者。

然后通過開發三個用例來擴展這個架構，每個用例都有其特定的架構，這進一步說明了區塊鏈的實施可以如何運作，并評估其效用和局限性。這些用例使團隊能夠探索區塊鏈在驗證用戶、驗證輸入人工智能模型的傳感器數據、限制對數據的訪問以及提供整個數據生命周期的審計跟蹤方面的潛力。

在第一個用例中，我們探討了區塊鏈如何在戰術邊緣促進安全和可信的數據傳輸，以利用遠程火力。第二個用例在更多的操作背景下提供了一個例子，區塊鏈提供了一個審計跟蹤，以實現一個強大的電子健康記錄（EHR），可以在醫療服務的連續過程中的任何點進行訪問。最后，該團隊的第三個用例是管理來自現場傳感器的數據流，并進入人工智能模型，以支持特定類型的情報（例如，用于化學防御工作的測量和簽名情報（MASINT））。這個用例既有業務背景，也有戰略背景，并展示了區塊鏈如何確保輸入人工智能模型的數據是有效和可靠的。

雖然這些用例利用了一個簡化的架構來促進區塊鏈的名義應用，但它還是展示了這項技術在解決或至少緩解當前和未來管理和保護大量數據的挑戰方面的真正潛力。該團隊能夠探索在區塊鏈上和區塊鏈外存儲數據的選項。這些選擇表明，區塊鏈技術如何能夠適應具體情況--不僅是在戰略、作戰和戰術背景下，而且是在各軍種之間，以滿足其獨特的任務需求。未來的聯合部隊在生成和消費數據方面需要精明，這些數據對于確保戰場上的優勢是必不可少的，但在武裝沖突之間的和平時期也是至關重要的，但競爭激烈。