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

信息戰與聯合部隊

今天，人們普遍認為，信息就是力量，雖然這個眾所周知的公理看起來很老套，但近年來，聯合部隊在信息戰（IW，information warfare）環境中經歷了快速變化。軍事資產被賦予聯合部隊或其組成部門，在網絡空間領域的新興工具和作戰云概念的支持下，越來越多連接在部隊范圍或部門間產生。在幾乎任何人都可以進入的信息環境中，實現主導地位目標，在一個跨越物理世界和虛擬世界的新興超級連接現實中面臨新的復雜挑戰。聯合部隊在進攻和防守方面都沒有單獨的責任或權力，這種二分法在新出現的作戰環境中尤為突出，在這種情況下，越來越多的行為者和參與者變得越來越明顯。因此，在聯合和分布式跨域作戰中，未來的網絡攻擊方法將需要從根本上改變和重新調整，以響應聯合部隊作戰空間性質和范圍的根本變化。

聯合部隊調整系統、網絡和作戰方法以在未來的競爭環境中實現優勢，需要對諸如 "信息環境 "和 "信息戰 "本身等分類法所推斷的內容進行重新概念化。即使在今天，我們也應該問自己，什么是IW，它與聯合部隊的傳統軍事行動和活動有何不同，以及它將如何影響全域指揮和控制結構？在為未來建立一支靈活而有彈性的戰斗部隊（包括網絡空間領域）的更廣泛努力中，網絡攻擊的定位是什么？這些都是令人困惑的問題，必須考慮 "權力"的重要因素是如何因信息革命而發生變化的。重新思考當今世界的大戰略是理解聯合部隊必須在理論、規劃和行動方面調整其未來方法的關鍵。越來越多的人以新的和新穎的方式測試和使用IW，聯合部隊使用IW的頻率和復雜性也越來越高，且這種情況只會加快。

信息是分散的力量

信息中蘊含著巨大的力量，雖然 "傳統 "的軍事方法強調并尋找 "新 "的IW效果，但這些可能并不反映聯合部隊的最佳解決方案，也不能提供必要的優勢，因為網絡空間與計劃和作戰周期的融合正在進行中。IW的范圍、性質和特點已經擴大，然而IW在戰術、技術和程序（TTPs）以及大戰略本身的層面上仍然是一個模糊不清、定義不明的概念。信息革命導致了新的組織和行為者的形成，以及商業甚至非國家行為者在聯合部隊 "虛擬 "作戰領域中的重要性日益增加。因此，越來越多的人需要把這些在信息環境和網絡空間范圍內活躍的、最終影響到聯合部隊如何成功執行任務的、日益增長的、不同的利益相關者和行為者集合起來。

變得更有活力和反應能力的目標將要求聯合部隊在其互動和影響或被影響的信息環境中，產生一個更 "真實 "的IW威脅和風險的戰略和行動畫面。安全模式從軍事主導的格局轉移到一個新的格局，這個格局更加分散，跨越了更大深度和廣度的利益相關者和合作伙伴，這說明了在戰略和作戰層面上，網絡攻擊具有不連貫性。要真正理解戰略和作戰環境中正在發生的變化，關鍵是要理解近年來國家權力結構中發生的巨大變化。具有諷刺意味的是，很少有一個正式的政府部門或機構或作戰單位只關注信息力量，負責控制和分配這種權力。然而現實情況是，信息力量被稀釋在一系列的機構和組織中。

隨著聯合部隊向跨領域綜合作戰能力的轉變，這些能力本質上是由信息領域促成的，而信息領域從本質上講是一個不透明的領域，模糊了物理世界和虛擬世界，因此越來越需要在與空戰或陸戰相同的水平上認識IW。

試圖現在聲稱或圍繞什么是信息力量的要素設定界限，對聯合部隊和類似的其他部隊來說，都將是徒勞的。這有令人信服的理由，即處理分類學和組織關系，以及無法為IW任務設定明確的界線和資金。針對越來越多的政府和軍事機構的任務，只會阻礙一個連貫的、綜合的國家信息主導戰略的發展，在這個戰略中，整個軍隊，特別是聯合部隊是多個組成部分中的一個。在過去，聯合部隊或其組成部分的作戰C2僅由 "他們 "各自的指揮部負責，他們有自己的通信系統，但現在情況不一定如此。例如，問一下，誰在戰略層面上控制著信息力量和信息資源？如果不是聯合部隊，那么聯合部隊怎么可能成為IW的關鍵C2機構？

為聯合部隊重新聚焦信息戰

如果反擊敵對勢力的行動是海陸空部隊的任務，那么影響 "他們 "行動的網絡攻擊的性質和范圍已經擴大，他們今天將如何處理這些任務？戰斗網絡的設計是可靠的、有彈性的和嚴格的，在某些情況下，它們是唯一的通信手段，但在多領域背景下，敵對勢力為了破壞、降低或延遲今天的行動，還可以在許多方面進行網絡攻擊，例如物流和供應鏈。隨著聯合部隊向綜合跨域作戰能力的轉變，這些能力本質上是由信息領域促成的，而信息領域的性質是不透明的，模糊了物理世界和虛擬世界，因此越來越需要在與空戰或陸戰相同的水平上認識IW。

這一點尤其正確，因為大多數聯合部隊的行動預計將發生在高度競爭和分布式的環境中，在這種環境中，IW將是競爭空間的一個固有特征。然而，隨著預算的限制，威脅的增加，以及更多的行為者出現在這些空間中，聯合部隊的指揮官發現他們處于一個關鍵的決策點。聯合部隊將需要產生新的方法、手段和目的來快速處理大量的信息，并與更多的合作伙伴、客戶和這些信息資源和數據庫的消費者一起這樣做。作為綜合布線的一部分，信息管理、連接和流動將成為核心任務要素，聯合部隊將需要向一個更加綜合和相互依存的現實轉變，以便將信息領域新的關鍵作戰要素和層次納入其規劃和作戰周期。

IW的范圍、性質和特點已經擴大，但在戰術、技術和程序（TTPs）以及大戰略本身的層面上，IW仍然是一個模糊不清、定義不明的概念。

在尋求信息主導權方面的外部相互作用和聯系

對于聯合部隊來說，解決其重點是否應該更多放在進攻性或防御性IW上的問題將是至關重要的。許多人同意，聯合部隊應該發展并保持進攻性和防御性IW能力的平衡，但前者有更多的限制。最終，聯合部隊將需要通過明確其未來的IW目標、能力和目的的范圍來解決這些問題，考慮長期的戰略需求，但要理解什么是對其在短期內有效執行作戰任務而絕對必要的戰術。

信息戰活動將越來越多地使用或依賴商業網絡，或以重要方式與商業網絡互動。這些網絡和工具將阻礙聯合部隊利用傳統的電子戰工具和網絡戰行動。作戰規劃者將需要在IW方面與全新的參與者、網絡、系統和其他因素進行斗爭。聯合部隊將不再在真空中規劃任務，而是越來越需要了解、意識到并與更多的機構和商業行為者進行行動協調。這將是一個非常復雜的挑戰，需要制定必要的合作框架，以允許聯合部隊與情報機構、第三方后勤供應商、聯盟伙伴的各種部隊元素等進行有效的協調和信息流動。

我們可以從很多方面來考慮影響IW未來方向的因素。首先，IW是否存在真正的作戰要素？如果有，誰擁有它，它的控制和影響范圍是什么？任何聯合部隊的IW戰略都不應該只是國家權力工具的一個子集，而應該與之完全融合，跨越所有領域，包括陸地、海洋、空中和太空。隨著聯合部隊學會更無縫地同步效果，對信息環境的支配將成為其整體成功的關鍵。IW將需要從規劃開始就嵌入到所有的活動中，而不是在最后才 "添加 "或孤立地規劃。聯合部隊將需要研究它打算產生什么效果，然后為此選擇適當的武器或行動。從理論上講，真正的跨領域的全方位瞄準應該提供一種可供選擇的動能效果，甚至是純粹的信息效果，作為備選方案。

這將如何影響聯合作戰環境中的C2，以及在認識到信息戰的發展現實、范圍和需求以及所需能力的情況下連接作戰力量的目標是至關重要的。要問的硬問題是："我們到底在什么方面不能控制？在IW方面，我們到底不能控制什么？在這里，我們需要考慮外國和國內團體網絡行動日益增長的作用和重要性，以及網絡攻擊實際上是一個轉型的概念而不是一個固定的概念。IW不能被孤立，需要分布在安全和情報架構的所有元素中，聯合部隊與之互動并共同運作。新的分類法再次證明了這種方法的必要性。例如，與其把活動稱為IW，為什么不把它們僅僅標為行動？將信息作為力量要素或武器使用并不新鮮，盡管它是聯合部隊指揮官武庫中相對較新的工具，但如果戰場準備得當，這也是一種需要使用的武器，就像其他工具一樣。

結論

信息時代不僅承諾在傳感器和射手、有人駕駛和無人駕駛車輛之間實現超級連接，而且在更廣泛的范圍內，包括后勤、情報和平民本身，因此，在向前發展的過程中，聯合部隊在IW環境的能力規劃方面應該遇到什么？聯合部隊在多領域或全領域作戰中實現信息優勢的目標，將需要在網絡武器中使用復雜的新方法和工具，來作為更廣泛的信息資源和信息力量生態系統的一部分。聯合部隊進行的網絡攻擊將需要與合作伙伴進行更密切的協調，例如，開展欺騙和網絡行動，甚至與假新聞和宣傳活動。

像勒索軟件這樣的威脅將在一端延伸到供應鏈伙伴，另一端延伸到有意識形態動機的非國家行為者。這種將信息環境分成越來越小的子群體的做法，為試圖在完全真空的情況下發展網絡武器創造了巨大的挑戰，對于聯合部隊和一個國家擁有的其他力量工具來說也是如此。事實證明，并且將在未來幾年內繼續強調，IW對于聯合部隊作戰和C2的有效性至關重要，尤其是在作戰云支持的環境中。未來軍事力量的部署和使用將要求聯合部隊的規劃者和作戰者更多地了解情況，更多地進行合作，更多地依賴信息環境中的合作伙伴，如果他們要超越傳統的 "內部 "方法并產生最佳的IW效果解決方案。

作者

埃德溫-"利"-阿米斯蒂德（Edwin “Leigh” Armistead）博士是一名美國退役海軍軍官，他撰寫了關于信息作戰（IO）的博士論文，并撰寫/編輯了關于這一重要主題的三本書。2006年，他參與建立了國際網絡戰爭與安全會議（ICCWS），//www.academic-conferences.org/conferences/iccws/ ，這個年度活動為該領域的學者、研究人員和從業人員提供了一個網絡平臺和論壇，以討論、探索和發展信息戰爭與安全的理論和實踐方面。他還是第9.10工作組（ICT在和平與戰爭中的應用）的副主席和《信息戰雜志》（JIW）的主編--這是美國唯一的雙盲、同行評審的信息戰（IW）學術雜志。

該項目支持美國陸軍戰爭學院保持一個公認的領導者，并在與美國陸軍和全球陸軍應用有關的戰略問題上創造寶貴的思想。該項目于2018年由美國陸軍訓練與理論司令部總部要求，描述一個新的或修改過的作戰框架，以使陸軍部隊和聯合部隊在多域作戰（MDO）中對同行競爭者成功實現可視化和任務指揮。

由此主要形成一個在2019學年進行的學生綜合研究項目，該項目涉及4名美國陸軍戰爭學院學生和4名教員，由John A. Bonin博士領導。該項目研究了MDO的概念，即它如何影響任務指揮的理念和指揮與控制職能的執行。向MDO的過渡改變了陸軍指揮官和參謀人員在競爭連續體中進行物理環境作戰和信息環境作戰的傳統觀點。

該項目以第一次世界大戰期間美國陸軍引進飛機為案例，研究將新領域納入軍隊的挑戰。該項目還提供了對MDO的概述和分析，以及它正在改變我們的戰斗方式以及軍隊的角色和責任。這些變化將使聯合部隊能夠更有效地進行連續作戰，特別是在武裝沖突之下的競爭中。

向MDO的過渡將需要新的流程，該項目調查了多領域同步周期如何能帶來好處。物質系統、聯合專業軍事教育、聯合和陸軍理論以及總部人員結構將需要改變，因為領導人及其工作人員將需要不同的技能來在這個新環境中運作。

報告總結

陸軍新興的多域作戰（MDO）概念對最近修訂的陸軍任務指揮理論提出了新的挑戰。美國已經有75年沒有與同行競爭者作戰了；因此，個別軍種在概念上側重于打自己的對稱領域戰爭，而較少注意在其他領域支持其他軍種。隨著技術的變化和國防預算的縮減，各軍種正在迅速失去通過純粹的存在和數量來控制其領域的能力和實力。因此，各軍種需要從不同領域獲得不對稱的優勢，以便在其領域作戰中取得成功。

陸軍的指揮和控制方法是任務指揮。這種方法要求指揮官有能力理解、可視化、溝通和評估關鍵決策、風險以及關鍵情報和信息要求。多域作戰的任務指揮將要求指揮官在多個領域以及指揮梯隊之間和內部保持單領域的卓越和知識。同樣重要的是，指揮官必須創造、確保并維持對其自身決策過程的共同認識。風險分析和關鍵的情報和信息需求過程是必要的，以確保指揮官能夠設定條件，賦予下屬領導權力，并在多個領域的范圍內影響分布式行動。因此，為了滿足這些新的要求，需要有新的框架來理解和調整多領域的指揮關系和人員結構。

這些新的框架將需要一個多領域的同步化進程，為指揮官提供一個確定新需求并為其提供資源的方法。與使用軍事決策程序或聯合規劃程序的傳統作戰程序不同，這兩種程序都側重于單一領域的規劃，而多領域同步程序則是在整個規劃和執行周期中，從指揮官和參謀部之間的持續合作中演變而來，跨越所有領域和環境。這種演變創造了對關鍵決策、相關風險以及指揮官認為至關重要的關鍵情報和信息要求的共同理解。

這項研究支持美國陸軍戰爭學院繼續保持在創造與陸軍和全球陸軍應用相關戰略問題寶貴思想方面的公認領導地位。該研究考察了MDO概念的應用，即它如何影響任務指揮的理念以及指揮和控制功能的執行。第一次世界大戰期間飛機的引入提供了一個與當前情況相似的背景，因為1918年的陸軍在如何為大規模的地面行動提供最佳的指揮和控制，以對抗同行的對手，以及如何整合空中對陸地的支持。當陸軍試圖了解如何在多個領域進行整合時，從約翰-J-潘興將軍對飛機的整合中得到的啟示可以說明問題。威廉-米切爾在戰時和戰后的角色說明了我們在試圖執行MDO時可能面臨的一些挑戰，例如在未來大規模地面作戰行動中保衛網絡和空間領域。

對MDO的概述和分析將提供陸軍對該概念的定義，并描述陸軍在競爭連續體中的作用。MDO概念將需要新的組織和人員框架來在沖突連續體的所有方面實施MDO。陸軍不能保持一個靜態的組織；陸軍必須既能在陸地領域贏得武裝戰斗，又能幫助塑造競爭以防止未來的沖突。

武裝沖突以下的行動歷來都是聯合部隊和陸軍的斗爭。陸軍在戰斗中指揮和控制的任務指揮方法將不足以組織在武裝沖突以下對對手的日常競爭。陸軍在競爭期間為聯合部隊執行重要的任務，特別是在信息環境中，這些任務在MDO下將會擴大。

目前的作戰流程專注于單一領域，對于支持特定領域以外的功能適用性有限。我們必須有新的流程，允許所有領域的資產同步，以優化我們的效率，同時將這些資產的風險降到最低。盡管適用于所有級別的指揮部，但擬議的流程主要集中在高級行動和戰略層面所需的規劃和數據收集。

從單一領域到多領域的重點變化，使得聯合部隊和陸軍的理論必須進行修訂和更新。聯合專業軍事教育課程和聯合學說將需要進行調整，以教導下一代領導人如何跨域整合。僅僅了解其他部門是不夠的；指揮官和參謀人員需要了解其他領域的能力如何支持他們的工作，以及他們在支持其他領域方面的要求是什么。長期以來，聯合部隊只是名義上的聯合，每個領域都在為贏得自己的戰斗而戰斗。MDO概念使聯合部隊能夠優化其有限的資源，既能應對危機，又能在最好的情況下防止競爭中的危機發生。

表3-1. 陸戰、空戰、海戰和信息戰的特點

圖3-3. 陸軍的指揮與控制方法。ADP 6-0

圖3-4. 多域作戰框架

圖3-5. 信息環境框架下的多域作戰

在加拿大國防研究與發展部（DRDC）05da聯合情報收集和分析能力（JICAC）項目下，本科學報告提出了創新貢獻，為作戰提供先進的情報收集任務支持，作為情報需求管理和收集管理（IRM/CM）能力的一部分。它報告了新型收集任務優化工具的設計，旨在支持收集管理人員處理復雜任務和支持收集資產設施。它總結了新的研究和開發情報收集概念和自動決策支持/規劃能力，以支持/建議收集經理有效和高效的資源分配。以多衛星收集調度用例問題為重點，簡要報告了導致快速、自動和優化收集任務的新技術解決方案概念，提供服務水平的改善和增強及時的態勢感知。從人工智能和運籌學中借用的基本概念，目的是在各種任務、機會、資源能力、時間和成本約束下實現收集價值最大化。報告總結了技術成果，描述了新的快速、自動和優化的收集任務解決方案和原型推薦器，以安排真實/虛擬的多衛星星座。它應對了一些缺陷和挑戰，如短視（以單一任務為重點）或臨時性的情報收集任務分配方法，不適合集中式/分布式的開放和閉環資源管理方法或框架，以確保靜態/動態規劃或處理約束的多樣性/差異性和不確定性管理。本報告還旨在向加拿大軍隊情報指揮部（CFINTCOM）、空間總督（DG SPACE）、加拿大聯合行動指揮部（CJOC）和主要的軍事聯合情報、監視和偵察（JISR）利益相關者提供信息。

對國防和安全的意義

本科學報告提出了適用于天基情報、監視和偵察的多衛星情報收集調度問題的新型收集任務技術概念和技術發現。這項工作與雷達衛星星座任務（RCM）項目的后續舉措和加拿大軍隊（CF）在北極和北方的持久性聯合情報、監視和偵察方面的一些優先事項相吻合，以便及時提出增強情報收集任務的解決方案和工具。它提出了新的科學和技術方法，為低密度、高需求的可部署收集資產提供近乎最佳的情報收集。

1. 引言

針對適當的情報、監視和偵察(ISR)應用領域的具有成本效益的天基情報收集任務，對發展適當的國防情報需求管理和收集管理(IRM/CM)能力至關重要。因此，收集管理，特別是收集任務分配，對于保持加拿大領土、空中和海上領域的準確、及時和持久的態勢感知至關重要。典型的收集管理要求包括在資源有限的情況下進行適應性和響應性收集（CFINTCOM）；收集任務分配；規劃執行；傳感器組合優化；支持聯合ISR（JISR）資產的動態執行新任務（CJOC）；實時收集規劃以及有效的傳感器提示（DG SPACE），等等。最終的目的是有效地彌補信息需求和信息收集之間的差距，最佳的資源管理主要是由人員短缺、有限的收集任務自動化、成本效益、資源限制和低密度高需求的收集資產（衛星）在一個時間限制的不確定環境中的發展。通過多衛星收集調度問題（m-SatCSP）開展北極情報和監視的基于空間的圖像情報（IMINT），代表了一個典型的相關使用案例。

為處理情報收集任務的缺陷和挑戰而提出的解決方案[1]有很多。最近關于收集任務，特別是多衛星圖像采集調度的公開文獻，在 "多異質衛星任務的收集規劃和調度：調查、優化問題和數學規劃公式"[2]和 "QUEST--多衛星調度問題的新二次決策模型，計算機與運籌學"[3]。以下是對擬議方法的主要局限性的簡要總結。讀者可以參考后面的出版物[2],[3]以了解更明確的細節。基于低密度高需求的集合資產為前提，一般的問題在計算上是困難的。大多數研究貢獻主要限于同質衛星和單一星座情景，主要處理簡單的觀測點目標（"點 "區域）任務，并提出新的任務聚類和預處理策略以減輕計算復雜性。已呈現的工作大多忽略了大面積覆蓋的復雜性、及復雜的任務結構、聯合價值任務構成、觀測結果和成像機會質量的不確定性以及常見的操作約束。這些制約因素包括最小任務覆蓋閾值、相互任務排斥、任務優先級和成像成本。目前的采集資產任務分配方案大多提供基于短視啟發式的策略，以規劃或分配采集器任務。在實踐中，最好的資源往往是短視推薦或局部選擇，以完成一個特定的任務，而忽略了其他約束條件（例如，為其他采集請求服務的時間窗口和成像機會）、追求的全局目標和持續進行的部分規劃解決方案質量。因此，ISR資源分配和動態重新分配是臨時性的，因為它們是以單一任務為中心的，而不是采用更全面的任務觀，關注整體任務，更好地利用替代機會，更有效地滿足整體收集要求。擬議的基本收集任務的部分解決方案沒有提供一個健全的資源管理框架，以確保適應性動態規劃或處理約束的多重性/多樣性和不確定性管理。它們也未能展示有價值的分布式規劃和融合的協同作用或整合，同時對支持可重構的傳感器網絡提出很少的指導。一方面，減少感知或高級信息融合與資源分配（RA）任務之間的差距，另一方面，規劃（任務分配）和執行（收集）監測之間的差距，仍然難以實現。

這項工作提出了新的研究和發展情報收集概念和自動決策支持/規劃能力，以支持/建議收集人員有效和高效的資源分配。它旨在開發自動咨詢調度組件和概念驗證原型，以實現有效的收集任務分配。以多衛星圖像采集（IMINT）調度為重點，介紹了導致快速、自動和優化采集任務的新技術解決方案概念，改善提供的服務水平，并增強及時的態勢感知。所設想的問題包括許多新的附加功能和完善的元素，這些元素在公開的文獻中主要是被忽視或忽略的。假設在低密度、高需求的收集資產條件下的m-SatCSP，新的特征包括收集資產的多樣性和敏捷性、任務抽象化、更多的包容性目標和更多的約束多樣性。重新審視的表述涉及抽象的情報收集任務，將單一目標區域（點）的重點明確地包括在大面積覆蓋范圍內，同時考慮多個或虛擬的異質衛星星座，脫離了傳統的同質情景。新的空間和時間依賴性，反映更現實的任務復雜性，放松相互獨立和可分離的假設。它抓住了成像質量、部分任務執行和成功概率等概念，擺脫了對有序行動執行或確定性結果的不現實的假設。該方法還重新審視了任務優先級利用的概念。因此，優先權被用作沖突解決機制，而不是基于優先權的有偏見的短視策略，強加任意的任務部分排序來管理高復雜性需求。設想的問題目標是要捕捉到超越通常區域覆蓋范圍特定任務的性能措施，引入收集質量，考慮到探測成功率、跟蹤質量和識別的不確定性，以提高收集的信息價值。基于最近提出的一個問題陳述，即m-SatCSP的背景[3]，將情報請求映射到收集資產成像機會，以實現收集價值最大化，這項工作簡要地擴展了標準確定性問題決策模型，使用常規的混合整數二次規劃優化問題表述[5]。針對基于空間的ISR應用領域，新的優化模型降低了計算復雜性，使得在某些情況下利用精確的問題解決方法成為可能，同時提供了對最優解的約束。在公開文獻中大量報道的傳統特征約束的基礎上，推廣的模型引入了額外的規范，如合適的任務覆蓋閾值、可選的任務互斥、任務優先級、聯合值任務組成、成像/服務時間窗口，以及單個和平均軌道的熱約束。報告了在集中式和分布式決策背景下各種靜態和動態情景下的主要貢獻和創新之處。簡要介紹了為支持收集任務而明確開發的創新模型、求解器和概念驗證原型（推薦器）。

本科學報告總結了技術成果，描述了新的快速、自動和優化的收集任務（改善服務水平，增強態勢感知）解決方案和原型推薦器，為規劃多衛星真實/虛擬星座。它還旨在向CFINTCOM、DG SPACE和CJOC軍事組織通報主要發現，并確定最有希望的收集管理性能要求、技術和工具，容易對正在進行的主要軍事舉措產生潛在影響。這項工作是在2015年12月至2020年3月的DRDC聯合部隊發展（JFD）05da聯合情報收集和分析能力（JICAC）項目下進行的。

本報告概述如下。第2節簡要介紹了m-SatCSP問題陳述。它描述了問題的基本特征，并強調了開環和閉環設定以及集中式和分布式的決策背景。第3節和第4節分別總結了各自的開環（靜態）和閉環（動態）建議的貢獻。簡要介紹和討論了所開發的概念、模型特征、算法或求解器以及主要結果。第5節介紹了在JICAC下明確開發的概念驗證集合任務原型，以檢驗靜態/動態問題。第6節總結了核心貢獻、發現及其潛在影響。最后，在第7節中提出了建議。提出了一些進一步的技術解決方案開發和未來工作擴展的方向。

前言

我們的同行競爭者，利用科學、技術和信息環境的新興趨勢，已經投資于挑戰美國和重塑全球秩序的戰略和能力。他們采用創新的方法來挑戰美國和盟國在所有領域、電磁波譜和信息環境中的利益。他們經常尋求通過在武裝沖突門檻以下采取模糊的行動來實現其目標。在武裝沖突中，武器技術、傳感器、通信和信息處理方面的進步使這些對手能夠形成對峙能力，以在時間、空間和功能上將聯合部隊分開。為了應對這些挑戰，履行美國陸軍在保護國家和確保其重要利益方面的陸軍職責，陸軍正在調整其組織、訓練、教育、人員和裝備的方式，以應對這些圍繞多域作戰（MDO）概念的未來威脅。

陸軍的情報工作本質上是多領域的，因為它從多個領域收集情報，而且可以接觸到合作伙伴，彌補陸軍信息收集能力的不足。在競爭中，陸軍情報能力作為掌握作戰環境和了解威脅能力和脆弱性的一個關鍵因素。在整個競爭過程中，陸軍情報部門為每個梯隊的指揮官和參謀人員提供所需的態勢感知，以便在所有領域、電磁頻譜和信息環境中可視化和指揮戰斗，并在決策空間匯集內外部能力。

這個概念描述了關鍵的挑戰、解決方案和所需的支持能力，以使陸軍情報部門能夠在整個競爭過程中支持MDO，以完成戰役目標并保護美國國家利益。它是陸軍情報部隊、組織和能力現代化活動的基礎。這個概念還確定了對其他支持和輔助功能的影響。它將為其他概念的發展、實驗、能力發展活動和其他未來的部隊現代化努力提供信息，以實現MDO AimPoint部隊。

本文總結

陸軍未來司令部的情報概念為陸軍情報部隊的現代化活動提供了一個規劃，以支持陸軍2035年的MDO AimPoint部隊在整個競爭過程中與同行競爭對手進行多域作戰。它提供了支持2035年以后MDO AimPoint部隊的見解。這個概念是對2017年美國陸軍情報功能概念中概述想法的修改：情報作為一個單位在所有領域的運作，有廣泛的合作伙伴投入。這個概念擴展了這些想法，以解決陸軍在進行大規模作戰行動中的頭號差距：支持遠距離精確射擊的深度傳感。領導陸軍情報現代化的舉措是組織上的變化，以提供旅級戰斗隊以上梯隊的能力，以及支持深層探測問題的四個物資解決方案。

支持MDO AimPoint Force 2035的組織變化使戰區陸軍、軍團和師級指揮官能夠以遠程精確火力和其他效果塑造深度機動和火力區域。在戰區層面，軍事情報旅的能力得到提高，新的多域特遣部隊擁有軍事情報能力。遠征軍的軍事情報旅被重新利用和組織，以支持軍團和師的指揮官，而不是最大限度地向下支持旅級戰斗隊。

支持MDO AimPoint Force 2035的物資變化，即將所有的傳感器、所有的火力、所有的指揮和控制節點與適當的局面融合在一起，對威脅進行近乎實時的瞄準定位。多域傳感系統提供了一個未來的空中情報、監視和偵察系統系列，從非常低的高度到低地球軌道，它支持戰術和作戰層面的目標定位，促進遠距離地對地射擊。地面層系統整合了選定的信號情報、電子戰和網絡空間能力，使指揮官能夠在網絡空間和電磁頻譜中競爭并獲勝。戰術情報定位接入節點利用空間、高空、空中和地面傳感器，直接向火力系統提供目標，并為支持指揮和控制的目標定位和形勢理解提供多學科情報支持。最后，通過分布式共同地面系統，陸軍提高了情報周期的速度、精度和準確性。

伴隨著這些舉措的是士兵培訓和人才管理方法，旨在最大限度地提高對目標定位和決策的情報支持。從2028年MDO AimPoint部隊開始，陸軍情報部門將繼續改進軍事情報隊伍，以支持2035年及以后的MDO AimPoint部隊。

這一概念確定了陸軍情報部門將如何轉型，以支持陸軍和聯合部隊在整個競爭過程中與同行競爭者抗衡。

圖1 邏輯圖

博弈論提供了一些分析工具，旨在幫助人們更全面地理解決策者互動時出現的現象。博弈描述了玩家之間的戰略互動，他們在利益的指引下，意識到自己的行動會影響到對方。所有博弈論模型中的基本實體是玩家。博弈者可以被理解為一個人、一群人或任何類型的組織，甚至是面臨決策挑戰和機會的國家或聯盟。在這方面，"能力 "這一概念為優化國防資源分配所需的規劃 "游戲 "要素提供了維度和變量。本文開發的模型側重于在假設的能力上分配可用的國防資源，以實現對國家安全的最佳響應。參與國防資源管理的戰略決策者與國家安全威脅之間的競爭是一種博弈。

引言

戰爭是一種代價高昂的經濟活動。博弈論提供了一些分析工具，旨在幫助人們更全面地理解決策者互動時發生的現象。博弈描述了參與者之間的戰略互動，他們以自己的利益為導向，并意識到他們的行動會影響對方。所有博弈論模型中的基本實體是玩家。博弈者可以被理解為一個人、一群人或任何類型的組織，甚至是需要做出決定的國家或聯盟。

為了描述一個理論博弈，我們需要明確四個基本要素：玩家、行動、報酬和信息。Rasmussen用PAPI的縮寫來指代這些要素[2]。

為了在博弈論的基礎上建立一個能夠描述最佳防御資源分配的模型，并確定規劃的 "游戲"要素，需要對 "防御能力 "有一個全面的概念性理解。

澳大利亞國防軍將 "防御能力 "定義為 "在指定的環境中，在指定的時間內達到預期的作戰效果，并在指定的時間內保持這種效果的能力"[3]。這包括多種投入的綜合效果，如：人員、組織、訓練、主要系統、物資。美國國防部將軍事能力定義為 "在規定的標準和條件下，通過執行一系列任務的手段和方法的組合，達到預期效果的能力"[CJCSI/M 3010系列]。它包括四個主要部分：部隊結構、現代化、戰備和可持續性。

這兩個定義都是圍繞著 "效果 "的概念。這使我們想到一個問題："在有限的可用資源（如分配的國防預算）的壓力下，在設計了某些能力以應對某些威脅后，可以采取什么決定來最大化一般的安全效果？"

本文建立的模型側重于在假定的能力上分配可用的國防資源，以實現對國家安全的最佳反應。參與國防資源管理的戰略決策者與國家安全威脅之間的競爭是一種博弈。

引言

本文件是北約 IST-151 研究任務組 (RTG) 活動的最終報告，題為“軍事系統的網絡安全”。該 RTG 專注于研究軍事系統和平臺的網絡安全風險評估方法。 RTG 的目標如下：

? 協作評估軍事系統的網絡安全，并在 RTG 的北約成員國之間共享訪問權限；

? 在 RTG 的北約成員國之間共享風險評估方法和結果；

? 將 RTG 的北約成員國使用的評估方法整合到一個連貫的網絡安全風險評估方法中，以使北約國家受益。

軍事平臺比以往任何時候都更加計算機化、網絡化和受處理器驅動。他們大量使用數據總線，如 MIL-STD-1553A/B、CAN/MilCAN、RS-422/RS-485、AFDX 甚至普通以太網，以及戰術通信的舊標準，如 MIL-STD-188C 和 Link 16。此外，捕獲器、傳感器、執行器和許多嵌入式系統是擴展攻擊面的額外無人保護的潛在輸入。結果是增加了網絡攻擊的風險。然而，這些平臺的持續穩定運行對于軍事任務的成功和公共安全至關重要。

軍事系統和平臺是網絡攻擊的首選目標，不是因為它們像消費電子產品那樣普遍，而是因為它們潛在的戰略影響。一旦受到影響，就可以實現各種短期和長期影響，從拒絕能力到秘密降低其有效性或效率。因此，軍隊必須在各個層面解決網絡安全問題：戰略層面，同時獲取平臺和系統；作戰層面，同時規劃軍事任務和戰術。

北約國家擁有大量可能面臨網絡攻擊的軍事平臺和系統。因此，北約將受益于利用當前的流程和方法來設計更安全的系統并評估當前系統的網絡安全。

本報告介紹了針對軍事系統和平臺量身定制的網絡安全評估方法，該方法由 RTG 團隊成員合作開發，并建立在他們的經驗和專業知識之上。團隊成員已經使用的流程被共享、分析、集成和擴充，以產生本報告中描述的流程。本報告的目標受眾是愿意評估和減輕其軍事系統的網絡安全風險的決策者。

圖一：網絡安全評估過程的五個主要步驟。

報告結構

第 2 節介紹了 RTG 團隊在其存在的三年中用于開發流程的方法。第 3 節列出了可以應用該過程的系統的一些特征。最后，第 4 節描述了評估流程，而第 5 節總結本報告。

執行總結

軍事平臺比以往任何時候都更加計算機化、網絡化和受處理器驅動。這導致增加了網絡攻擊的風險。然而，這些平臺的持續穩定運行對于軍事任務和公共安全的成功至關重要。

絕對的網絡安全是不存在的。必須通過迭代風險評估持續管理網絡安全。傳統 IT 系統存在許多網絡安全風險管理框架和流程。然而，在軍事平臺和系統方面，情況遠非如此。本文檔介紹了針對軍事系統量身定制的網絡安全風險評估流程。該流程由北約 IST-151 研究任務組 (RTG) 活動的團隊成員開發，該活動名為“軍事系統的網絡安全”。該過程可以應用于傳統的 IT 和基于固件的嵌入式系統，這些系統在軍事平臺和系統中無處不在。

摘要

達爾豪西大學大數據分析研究所、加拿大國防研究與發展研究所 (DRDC) – 大西洋研究中心和加拿大通用動力任務系統 (GDMS-C) 成功向加拿大自然科學與工程研究委員會 (NSERC) 提出申請， 促成了一個為期三年的資助項目，名為自動監控海軍信息空間 (AMNIS)。 AMNIS 啟動會議于 2020 年 10 月 14 日舉行，眾多教授、國防科學家和 GDMS-C 技術人員參加了會議。會議確定了三個組織的多項行動。與 DRDC 和 GDMS-C 相關的一項行動是需要與任務相關的情景來幫助指導預期的研究。因此，DRDC 率先描述了一個具有代表性的海陸情景，這將使研究人員能夠更好地了解與 AMNIS 相關的潛在研究途徑。開發的場景涉及由加拿大皇家海軍 (RCN) 和加拿大陸軍 (CA) 執行的加拿大人道主義任務。任務是向最近遭受自然災害襲擊的國家分發食品和醫療用品。敵對勢力也試圖竊取物資。該場景描述了通過更好的處理技術和決策來改進信息流、共享和使用的需求。該方案旨在引發進一步的討論并幫助鞏固 AMNIS 參與者的研究主題。

對國防和安全的意義

AMNIS 項目將推動國防界在機器學習、深度學習、人工智能、可視化的許多方面、弱勢網絡上的信息共享、基于場景的決策以及人類績效建模和團隊合作方面的知識。這里描述的海洋/陸地情景旨在激發支持這些主題的研究途徑。

2021年3月，美國哈德遜研究所國防概念與技術中心發布研究報告《實施以決策為中心的戰爭：提升指揮與控制以獲得選擇優勢》，提出以決策為中心的戰爭將使美軍做出更快、更有效的決策，從而賦予美軍更大的競爭優勢。

序言

自冷戰結束以來，美國國防部（DoD）針對來自主要對手（如中國、俄羅斯和朝鮮等）的巨大軍事沖突發展了相應理論和能力。這些最壞的情況是為了確保美軍也能應對“較少的情況”。然而，這種方法偏重于為大規模、高強度軍事沖突設計的概念和系統，美國的智能對手不太可能向美軍挑起對抗，而國防部可以在力量投射或精確打擊等任務中發揮其優勢。

美國的對手在過去十年中已經發展出了抵消美國軍事優勢的方法，如中國和俄羅斯的灰色地帶或混合行動，這些方法以較低的成本和升級——盡管比傳統的軍事作戰時間更長——獲得目標。因此，國防部應修訂其規劃，提高新方案的優先級，這些方案以不同于戰區范圍內高強度作戰的方式給美軍施加壓力，如通過延長時間、不同程度的升級和規模，以及使用代理和準軍事力量。

中國的“系統破壞戰”概念和俄羅斯軍方的“新一代戰爭”概念是針對美國及其盟友的新方法的代表。雖然它們的制勝理論和方法大相徑庭，但這兩種概念都有一個共同點，即把信息和決策作為未來沖突的主戰場。它們從電子和物理上直接攻擊對手的戰斗網絡，以降低其獲取準確信息的能力，同時引入虛假信息，削弱對手的定向能力。同時，軍事和準軍事力量將通過孤立或攻擊目標的方式向對手提出難題，以中和對手的戰斗潛力，控制沖突的升級。

美國海軍如何重新平衡實施 "馬賽克戰 "部隊的例子

決策中心戰的興起

以決策為中心的概念，如系統破壞戰和新一代戰爭，很可能成為未來沖突的重要形式，甚至是主要形式。在冷戰后期，美軍革命性的精確打擊戰方式利用了當時的通信數據鏈、隱身和制導武器等新技術。同樣，以決策為中心的戰爭可能是軍事上利用人工智能（AI）和自主系統的最有效方式，這些技術可以說是當今最突出的技術。

以決策為中心的戰爭的一個例子是國防高級研究計劃局（DARPA）的馬賽克戰爭概念。馬賽克戰爭概念的中心思想是，由人類指揮指導的、具有人工智能功能的機器控制的分列式有人和自主單位可以利用它們的適應性和明顯的復雜性來延遲或阻止對手實現目標，同時破壞敵人的重心以排除進一步的侵略。這種方法與機動戰一致，不同于第二次世界大戰期間盟軍采用的基于損耗的戰略，也不同于冷戰后美軍在科索沃、伊拉克和利比亞沖突中采用的戰略。雖然馬賽克戰爭采用損耗作為給敵人制造困境的一部分，但其實現成功的主要機制是拒絕、拖延或破壞對手的行動，而不是削弱對手的軍事實力，使其無法再有效作戰。因此，馬賽克戰爭非常適合作為現狀軍事大國（如美國）尋求遏制侵略的概念。

在近期兵棋推演中，馬賽克部隊與傳統軍事部隊在任務完成情況的比較

馬賽克戰爭提出了一種部隊設計和指揮控制（C2）程序，與今天的美軍相比，它將使美軍能夠執行更多、更多樣化的行動方案（COA）。馬賽克部隊的分解結構和使用人類指揮與機器控制，將使對手的決策復雜化，縮小其選擇范圍，并施加一系列可能無法解決的困境。通過增加美軍指揮官的選擇權，減少敵方的選擇權，馬賽克戰法將尋求獲得“選擇權優勢”，使美軍能夠做出更快、更有效的決策。

選擇性戰略與以預測為中心的規劃方法形成鮮明對比，在這種規劃方法中，選擇最有可能導致成功的作戰行動方案并迅速實施，通過將與未選擇的作戰行動方案相關的系統和兵力要素分配給其他任務來提高效率。在以預測為中心的模式中，資源的早期承諾必然會限制指揮官今后的選擇空間。

與今天的美軍相比，馬賽克部隊的設計和C2過程可以在選擇權競爭中提供更大的優勢，因為隨著對抗或競爭的進展，可以緩解由于損失或敵方態勢感知的改善而導致的選擇權減少的自然趨勢。例如，“馬賽克”部隊可以更容易地隱藏具有反ISR能力的平臺或編隊，并在以后暴露出來，以實現新的選擇；利用數量更多、規模更小、成本更低的增援部隊；或依靠決策支持工具，允許繼續使用與高級指揮官物理或電子隔離的部隊。

圖：以網絡為中心的戰役空間架構與基于情境的戰役空間架構的特點比較

一支馬賽克部隊也將比今天的美軍更有能力進行縮小對手選擇范圍的行動。通過同時發起許多行動并加速其決策，一支使用人類指揮和機器控制的分布式部隊可以給對手造成足夠的困境，從而排除與作戰相關的數量的《作戰協議》。此外，馬賽克部隊還可以利用諸如分配、佯攻和探測等欺騙技術以及反ISR系統來補充其更大的規模和決策速度，這些技術可以使對手相信某些選擇不可行或不可能成功。

雖然國防部的C3結構，如混合和聯合全域指揮和控制（CJADC2）開始納入決策支持工具，為特派團整合效應鏈，但其目前和近期的實例旨在支持有效的火力投送，而不是持續的可選性。此外，與CJADC2相關的C2和通信（C3）舉措，如高級戰役管理系統（ABMS），需要提前確定架構和組件系統。因此，CJADC2在其能夠提供的可選性方面將受到固有的限制。

圖：C2實施方法的比較

通過C3實現選擇權

第一步是壓縮空間的表征，重點放在時間的表征上。以一個作戰人員在短時間內的行動為例，在這個例子中，一個作戰人員的任務是收集指定地點的圖像。這在操作上是不現實的情況，只是用一個簡單的案例來說明這個概念。

在C3組合中，國防部已經在通信復原力方面進行了大量投資。因此，大部分新的努力和資源應該應用于C2能力。盡管美國軍方投資于所謂的C2系統，但這些項目主要是操作中心和軟件堆棧，作為在部隊中傳遞數據、信息、命令或權限的基體。盡管對管理部隊來說是必要的，但目前國防部的C2系統——將C2看作是連接——并不是決策支持系統，后者將C2看作是一個過程。

圖：在馬賽克C2方法中采用OODA循環

用于以決策為中心的戰爭的C3能力需要做的不僅僅是實現連接。例如，C2工具將需要生成能創造和維持可選擇性的COA，以提高適應性，并將復雜性強加給對手。為了幫助初級領導人執行任務指揮，C2工具還需要了解哪些單位在通信中，他們在潛在的COAs中的作用，并配置網絡以確保所需單位與適當的指揮官保持一致。為了評估這些要求和以決策為中心的C3的其他要求，本研究采用了多種視角，如下所述。

• 棧式視角：與互聯網一樣，以決策為中心的C3架構需要有物理媒介來進行數據移動；需要網絡結構來管理指揮官、傳感器和效應器之間的數據移動；需要信息架構來將數據組織成有意義的形式；需要評估信息的應用程序，如決策支持工具。目前的技術可以滿足這些需求，但無法在追求選擇優勢的同時，在對抗性環境中實現部隊和網絡的動態組成和重新配置。

圖：以預測為中心和以決策為中心的選擇空間隨時間變化的比較

• 網絡視角：要實現可選擇性和實施以決策為中心的戰爭，就需要有能力使C2結構與現有通信保持一致，而不是試圖建立一個在面對敵方協同干擾和物理攻擊時仍能生存的網絡。這些需求導致了一種混合架構，這種架構將網絡方式與分層方式結合起來，可以被定性為 "異構"。這種拓撲結構將使指揮權與合格的人類操作者占據的節點中具有最高程度的節點相一致。

• 解決問題的視角：與從頭開始處理每個新情況相比，使用類比推理的問題解決過程可以更迅速地評估潛在的備選方案，由此產生的決策空間的增加可以使指揮官將限制其備選方案的作戰行動協議推遲到最后一刻。此外，如果使用人工智能支持的算法在沒有監督的情況下建立COA，對手可以通過佯攻和探測來影響算法的學習，使系統認為COA是成功的，如果不是對手的行動，實際上會失敗。

圖：來自DARPA PROTEUS計劃的分析和用戶界面，AI輔助規劃

• 時間視角：可選性的概念適用于多個時間尺度，從戰略到工業能力發展和部隊的戰術行動。C3架構的能力應該有助于擴大每個時間尺度上的努力所帶來的決策空間，而不是僅僅在任務期間。

• 組織視角：國防部的C3架構不是在真空中存在的。各組織的人員必須通過戰略、工業、作戰和戰術時空的流程來運用這些架構。可選性是在以決策為中心的戰爭中獲得優勢的關鍵，但如果僅僅是派出一支更分散的部隊和使用它的工具，如果這支部隊的使用方式很狹窄，為每個單獨的行動提供最高的成功概率，那么只能稍微增加美軍的復雜性和適應性。需要決策組織和程序，盡可能長時間地擴大指揮官的選擇空間。

今天的戰斗指揮官（CCDR）參謀部缺乏組織和程序，無法為即將到來的任務以各種不同的配置組合部隊。為了能夠在任務時間內組成部隊，國防部可以采用類似于將計算機程序編譯成可執行代碼的方法。軟件指令是用較高層次的計算機語言編寫的，但在軟件被計算機處理器執行之前，需要將其轉換成二進制形式。這種方法將從決策支持系統的COA開始，然后組合適當的單位來支持行動。雖然部隊構成主要是以硬件為中心，但也需要在技術棧的信息層和網絡層進行部隊包的軟件構成。

圖：從人工構成到決策中心戰的任務整合浪潮

結語

美軍將需要采用新的部隊設計和C2流程，以實現以決策為中心的戰爭，但如果不與工具和組織結合起來，以充分利用使用人類指揮和機器控制的更分散的部隊中可能存在的可選性，這些努力將付諸東流。

目前國防部通過CJADC2和相關的作戰概念努力使美軍向更分散的組織和更分散的能力發展，這是實現更以決策為中心的軍事行動方法的重要一步。高級戰斗管理系統（ABMS）和DARPA的幾個項目正在開發C2工具和流程，這些工具和流程將增加指揮官使用這些更分布式部隊的可選性。國防部的部隊設計變革或C3舉措將需要更進一步，以便美軍在面對已經躍升到以決策為中心的戰爭并擁有主場優勢的同行對手時保持可選擇性優勢。

也許更重要的是，將需要新的組織和程序，使CCDR能夠在戰區組成和整合分散的部隊，并改變國防部定義需求和發展新能力的方式。如果不對國防部的需求和部隊發展程序進行重大改革，美軍就有可能在爭奪決策優勢的競爭中落后于對手，從而威脅到其保護美國利益和盟友免受大國侵略的能力。

（參考來源：軍事文摘作者：張傳良）

【摘 要】

本報告提供了對機器學習 (ML) 技術的基本理解，并回顧了它們在國防和安全領域的應用。其目標是開發ML的內部專業知識，以支持與加拿大皇家海軍(RCN)海上信息戰(MIW)概念和愿景相一致的能力發展。本文進行了文獻回顧以收集有關在軍事和民用場景中實施和使用的 ML算法信息。結果表明，海軍必須適應和接受新技術，以便在所有 RCN的數據驅動決策中有效利用所有信息。這可以包括使用自動化、大數據分析、云計算、人工智能 (AI) 和 ML。這樣做可以減少與繁瑣任務相關的操作工作量，進而最大限度地減少人為錯誤和超負荷。這項研究表明，ML有可能提供新的或增強的能力，以支持 MIW 的概念，以及滿足使用現有和未來信息源的 RCN 的需求。這意味著開發利用這些技術的必要技能將使加拿大武裝部隊（CAF）受益。憑借這些專業知識和這些技術的適當應用，軍方將有能力在必須進行快速數據驅動決策的情況下更有效地利用其信息源。

【對國防和安全的意義】

本報告旨在就如何將人工智能和機器學習技術應用于支持加拿大皇家海軍與海上信息戰相關概念和目標，而建立基本的理解和專業知識。對這些技術及其在國防和安全領域的應用進行了回顧。

1 引言

在過去的十年中，加拿大國防部 (DND) 和加拿大皇家海軍 (RCN) 引入了新的概念和方法，以幫助提升其服務水平。其中許多概念引入了新技術，旨在增強信息空間在作戰級（即作戰職能）和事業級（即管理職能）方面的防御能力。在作戰層面，這些舉措得到了一系列文件的支持，這些文件強調了信息戰的重要性及其在 RCN 內的實施和執行。

2015年，海上信息戰（MIW）的概念被引入[1]。本概念文件概述了在信息環境中運作對 RCN 及其內部可能產生的影響。這一概念的引入清楚地強調了能夠利用該領域中可用信息源的重要性。它討論了信息的影響，基于其廣泛的可用性以及 RCN 的依賴性和使用該信息支持作戰的能力。

采用新的概念和技術進行能力開發并非沒有挑戰。這需要更有效的處理技術來處理在 MIW 的功能區域內收集的大量和各種數據。此外，概念文件還討論了 MIW 與物理、虛擬和認知領域的關系，表明在戰爭中使用所有領域的信息作為 RCN 的寶貴資源的重要性。

2016 年，RCN 發布了一份信息戰戰略文件，重點關注為國家和國際部署開發 MIW 能力 [2]。該戰略文件討論的主題包括有效收集、利用和傳播信息的重要性。該戰略還認識到并傳達了信息戰是RCN可以同時采取防御和進攻行動的地方。

2017年，加拿大國防政策發布[3]。盡管它沒有直接處理信息領域，但它承認信息對 RCN 的重要性，這在 2019 年和 2020 年分別發布的 DND 數據戰略 [4] 和 RCN 數字海軍 [5] 報告中得到了回應。數字海軍支持國防政策創新目標，其中包括適應和接受新技術的能力，而數據戰略涵蓋了如何利用技術在RCN 社區中做出數據驅動的決策。這可以包括使用自動化、大數據分析、云計算、人工智能 (AI) 和機器學習 (ML)。在操作上，期望通過這些技術對更繁瑣任務的自動化實施來減少海軍團隊的日常工作量，進而最大限度地減少人為錯誤和疲勞，提高整體作戰效率。

這些文件中包含的首要主題強調了 RCN 采用新的數字能力成為一個信息組織的重要性，其中信息在戰爭環境中被使用，但也被用作工具。使用和利用信息來支持 RCN 的現代工具、技術和專業知識是能力發展的關鍵。在此之后，我們顯然需要一個強大的、知情的、由信息科學、人工智能和機器學習專家組成的科學團體。

這項工作背后的動機是在 MIW 領域內建立科學專業知識，以支持 RCN 的目標。為實現這一目標，以下報告將回顧可在防御和安全領域中使用的 AI 和 ML 技術。除了這篇綜述之外，本文還將介紹這些與 RCN運作相關的技術的應用，例如艦艇監視、目標檢測以及使用生成建模來支持運作。

這項工作的總體目標是為如何將 AI 和 ML 技術應用于 RCN 挑戰提供科學基礎和理解。建立這些新興技術的專業知識不僅是支持當前運作目標的必要條件，也是對開發和塑造未來能力的投入。這種向算法決策制定的轉變與 MIW 的概念非常吻合，因為它認識到信息在戰爭中的使用至關重要。還提出并討論了 ML 未來的工作和研究主題。

5 機器學習在國防和安全中的應用

2、3、4章節簡要回顧了在計算機科學和數據分析中使用的機器學習技術。這些技術同樣適用于海上防御和安全領域中經常發現的問題。本節概述這些技術及其在這個領域的應用，特別是海上探測和監視有關的任務。此外，還將討論生成對抗ML方法的應用。需要注意的是，這些部分并不是對這個領域中已經完成的研究的全面回顧。相反，本文的目的是概述如何使用這些技術改進和開發與RCN相關的新功能。

5.1 艦艇監視

艦艇行為分析是與海上監視和安全相關的關鍵組成部分。這種分析的結果依賴于捕獲和利用艦艇活動數據的能力。用于海上監視的數據源包括：自動識別系統 (AIS) 數據、天基 AIS、雷達數據等。這種監視形式允許分析師進行船只航跡重建、路徑預測、異常艦艇交通監視，這些在海上領域非常重要，有助于發現恐怖主義、海盜、毒品和武器走私、非法移民和非法捕魚等非法活動。

5.1.1 機器學習應用

各種各樣的機器學習算法和技術可以應用于海事問題并提供有價值的見解。為了支持預測模型的開發，可以使用的技術包括：

? 聚類：無監督聚類方法已用于為海事和艦艇監視提供洞察力。這些聚類算法已應用于 AIS 數據。具體來說，已經報道了基于這些方法對艦艇運動實時預測的可靠性和準確性的研究[25]。還使用應用于基于空間的 AIS21 的 K-means 聚類算法來研究艦艇避撞，以評估航行穩定性和檢測異常行為[26]。研究人員還探索了使用聚類和 AIS 數據流來支持搜索和救援行動[27]。

? 決策樹：使用模糊粗略決策樹算法，研究探索了執行艦艇類型行為學習的能力[28]。對艦艇活動進行可靠和有效的表征可以提高海域態勢感知。這是通過使用包含運動學、靜態和環境信息等軌跡特征的概括向量來實現的，其中軌跡是通過融合 AIS、合成孔徑雷達 (SAR) 和天氣報告來創建的。

? 隨機森林：研究已使用隨機森林算法開發用于艦艇監視和跟蹤的各種目的的模型。由于多種原因，基于 AIS 的艦艇運動往往會丟失數據。例如，這些失誤可能是由于惡劣天氣造成的。為了檢測這些記錄，這些技術已被用于自動識別船只軌跡中缺失的位置記錄[29]。隨機森林也被用于創建預測船只目的地的模型。在艦艇離開特定港口后使用歷史 AIS 數據確定目的地點的能力也已被研究 [30]。這也通過比較當前和歷史軌跡數據進行了研究，以便根據相似性度量來預測最終位置[31]。

? 關聯挖掘：創建關聯規則的模型通常用于購物籃分析場景。然而，當應用于 AIS 數據源時，這種算法為艦艇運動分析提供了有用的見解。使用關聯挖掘進行的研究提供了有助于發現艦艇運動模式的洞察力。此類運動包括：軌跡預測，估計艦艇接下來最有可能訪問的港口[32]，并在收到新消息時預測艦艇的位置，并計算有和沒有艦艇位置插值的關聯概率[33]。

? 支持向量機：支持向量機執行回歸和分類任務。支持向量回歸用于研究異常艦艇行為的檢測。當前檢測異常行為的方法是利用艦艇運動的突然變化。然而，與海上事故相關的導航數據可以模擬正常情況。為了解決這個問題，使用 SVR 航道模型及其路線提取方法，開發了一個模型來檢測異常艦艇行為 [34]。該研究的目的是定義“通過將導航數據分配給位置基礎來確定異常行為的可接受的最大值和最小值”[34]。除了SVR研究之外，科學家們還研究了SVM在檢測和分類異常艦艇行為方面的應用。通過從原始AIS數據中提取海上運動模式，對異常艦艇行為的識別和分類提供了新的信息[35]。

? 人工神經網絡：人工神經網絡 (ANN) 已被用于幫助預測北極的船只速度，因為該地理區域氣候變化帶來的交通量增加[36]。 AIS 數據的使用允許模型根據位置、時間、艦艇用途、大小和冰級來預測艦艇的速度。在[37]中，作者使用神經網絡作為一個基于云的web應用程序來預測未來的艦艇行為。它能夠將預測的短期和長期行為疊加到交互式地圖上。除了預測艦艇航線，人工神經網絡也被用于調查異常檢測事件。具體來說，該研究著眼于AIS轉發器中觀察到的有意和非有意的切換，因為這種活動可以用來隱藏可疑或非法活動[38]。

?卷積神經網絡：AIS、雷達、高精度攝像機和電子海圖等信息源為理解海上態勢感知提供了有用的信息。利用這些來源，CNN可以提取艦艇運動模式。在[39]中，作者通過將原始AIS數據轉換成保存艦艇運動模式信息的圖像數據結構，利用歷史AIS重建艦艇軌跡。然而，使用AIS系統的艦艇軌跡重建技術存在原始數據含有噪聲、記錄缺失和其他錯誤。許多研究在進行彎曲軌跡或高損失率的艦艇重建時面臨困難。為了克服這些障礙，[40]的作者使用了一種健壯的CNN架構，稱為“U-net”。這種架構能夠處理不同采樣率的軌跡、丟失的數據記錄和其他噪聲相關問題的軌跡。

? 循環神經網絡：艦艇監測通常依賴于存在許多問題的 AIS 數據。AIS源可以表示大量數據，除了具有不規則的時間戳和丟失的記錄外，這些數據有時可能會非常臟亂。已經進行了研究以幫助解決這些問題。研究 [41] 使用多任務深度學習框架，將 RNN 與潛在變量建模相結合，以幫助在執行軌跡重建、異常檢測和艦艇識別等任務時處理這些問題。 [29]中的作者利用隨機森林來識別丟失的記錄，并使用 LSTM 架構來重建缺少 AIS 記錄的船只軌跡。結合統計分析、數據挖掘和神經網絡方法監測內河艦艇數據[42]。具體來說，LSTM 用于艦艇軌跡修復、發動機轉速建模和燃料消耗預測。在另一項研究 [43]中，由于與設備故障、傳輸延遲和信號丟失有關的問題，需要在分析之前對 AIS 數據進行預處理。作者通過將 LSTM 與變量建模相結合來執行軌跡重建，同時考慮異常軌跡數據和艦艇航行狀態。這一努力將有助于減少艦艇碰撞的風險，并支持其他研究途徑，如艦艇類型分析、風險評估、軌跡預測和航線規劃。

5.1.2 對比分析：為確定艦艇類型而開發的機器學習模型

監視海域中的艦艇行為對于檢測可能表明存在非法活動的異常情況至關重要。收發器用于報告 AIS 數據流，其中包含有關船只及其軌跡的信息。由于從 AIS 數據流收集的信息是自我報告的，因此可能會出現問題。有意或無意地修改此數據或打開/關閉轉發器會導致間歇性消息，這些消息可能不準確或具有誤導性。這種策略可用于掩飾海上的非法行為和活動。

在某一天，有大量船只在海上作業，人類操作員無法監控和檢測這些事件。因此，可以使用 AIS 數據流以及其他來源來訓練 ML 模型，從而為人類操作員提供自動化支持和洞察力。根據行為特征確定船只類型的能力是 ML 提供的眾多能力之一。探索艦艇類型分類的兩項研究是[28]和[44]。

在[28]中，作者開發了一個模糊粗略的決策樹模型，以根據運動學、靜態和環境信息確定艦艇類型。用于模型開發的訓練數據包含來自加拿大東海岸和美國東北部的 AIS 消息。[44]中給出的結果使用具有來自兩個不同地理區域的軌跡信息的 GANN 執行艦艇分類。第一個是歐洲數據集，其中包括來自凱爾特海、海峽和比斯開灣的海上交通。另一個是東南亞數據集，根據在新加坡附近的海峽和港口以及南中國海開放水域的海上交通中船只的預期運動模式，該數據集被分為三組。

在[44]中，作者使用以下性能指標來評估他們的模型：召回率、精度和 F1分數[45]。作者在他們的報告中使用召回指標作為他們的模型準確性。召回率表示正確識別的實際相似性部分，其中準確度是正確預測的數量與預測總數的比率。假設作者使用召回作為準確率，當將其與[28]中報告的性能進行比較時，此分析將把[44]中的召回指標視為模型準確度。兩項研究都將他們的結果與一系列其他 ML 技術進行了比較，以幫助評估性能。然而，與[44]不同的是，[28]報告了具有不確定性的準確性，從而賦予了性能結果意義，并使模糊粗略決策樹模型與其他標準技術相比更容易理解。除此之外，比較這兩篇論文的結果（沒有不確定性測量）表明，大多數機器學習模型的表現都一樣好。例如，k-最近鄰、樸素貝葉斯、隨機森林和支持向量機在[28]中的性能準確度在[44]中使用的四個數據集中的兩個數據集中的相似鄰域內。具體而言，新加坡港口和海峽周圍海上交通的準確率報告在 47% 到 64% 之間，而[28]中報告的準確率為 45% 到 69%。

[28] 中使用的多層感知器取得的結果表明，它以81.5%的整體準確度優于其他模型，略高于模糊粗略決策樹結果 (80.7%)。[44]中報告的四個不同數據集的準確率在41%到56%之間，非常差。在 [28] 中，對各種參數進行了特征選擇過程，并根據分配的加權值選擇了19個特征中的 10 個。特征及其相關權重為：ship_length (1.0)、avg_speed (0.183)、max_speed (0.183)、speed_st_dev (0.183)、course_st_dev (0.100)、heading_st_dev (0.097)、duration (0.082)、end_point lat (0.055)、start_point_lat (0.052) 和 max_lat (0.051)。[44]中使用軌跡特征來執行分類，利用 AIS 消息中包含的時間戳、經度、緯度、對地航向和對地速度。

這些研究之間選擇用于訓練的特征之間的主要區別之一是[28]中權重和影響最大的特征是ship_length，這不是[44]中使用的特征。模型的成功很大程度上取決于所用數據的質量和數量，但在很大程度上取決于特征選擇。在多層感知器模型的情況下，[44]中使用的軌跡信息特征可能不足以生成準確的艦艇類型預測。這表明了解艦艇的長度是進行此類分類的關鍵指標。在比較[28]中選擇的特征時，ship_length 被分配的權重大約是任何其他特征的五倍。這將使模型在進行分類時更加依賴此特定信息。除了特征選擇和可調超參數外，使用的訓練數據也對模型的成功有影響。數據的特征，如記錄數量、代表性內容以避免過度/不足以及數據完整性，都在成功訓練模型以提供高度性能方面發揮作用。

另一個有趣的觀察結果是，[44]中使用的GANN 報告了其分析中使用的數據集從低 80% 到高 96% 的一系列準確度，平均準確度為 87%。這些結果優于 [28]中使用模糊粗略決策樹報告的80.7% 準確度。關于為什么GANN 的表現似乎更好，有一些可能的解釋。GANN模型基于LSTM-RNN，它允許將時間依賴性構建到模型中。包括這個額外的時間維度可以提供預測洞察力，從而實現更高程度的預測準確性。此外，GANN 模型使用對抗性組件進行訓練，該對抗性組件可能迫使網絡實現更大程度的學習以執行其所需任務。

5.2 目標檢測

目標檢測對于防御和安全的海上環境中的監視和態勢感知都至關重要。然而，這是一項艱巨的任務，因為尺寸、方向和目標配置的變化加上環境背景噪聲和使用的各種傳感器的性能差異很大。所有這些事情只會增加這個問題的整體復雜性。傳統的檢測算法缺乏簡單性和可靠的輸出。深度學習領域的最新研究和進展表明，CNN 可以執行與檢測相關的任務，同時提供高速性能和準確性。開發這些能力正在推動促進防御和安全的技術。

5.2.1 機器學習應用

目前使用 CNN 顯示出前景的能力包括：使用SAR圖像進行艦艇識別和分類以監測海洋區域[46][47]、使用探地雷達[48]進行魚類檢測、海冰SAR圖像分類以監測極地地區的變化并檢測可能威脅海上交通的流冰[49]，并檢測從SAR [50][51] 和遠程傳感器[52]獲得的圖像中的船只。雖然這不是一個詳盡的應用程序列表，但它確實突出了一些與信息戰領域相關的當前 ML 應用程序。特別是，現在將討論 CNN 的兩個有趣的應用。

? 水下聲納圖像的目標識別和分類：研究[53]的研究重點是深度學習特征提取在水下聲納圖像目標識別和分類中的應用。該方法通過 CNN 使用聲納圖像提取目標特征。然后使用 SVM 進行分類。在現代海上作業期間執行自動目標識別和分類可以幫助當局檢測潛在威脅。自主系統，例如基于調查和戰術信息收集圖像的無人水下航行器，是可以利用這種技術的系統。機器學習的這種應用減少了對具有分類目標專業知識的操作員的需求。因此，隨著效率、速度和成本的提高，這個過程有可能變得更加自動化。該領域的一個活躍研究課題包括使用 ML 更好地檢測聲納數據中的類似地雷的物體[54][55]。

? 使用有限數據進行軍事目標識別和分類：CNN等深度學習算法是用于處理圖像和視頻的強大工具，可支持防御和安全功能。目標識別和分類能力對于監視和態勢感知至關重要。然而，所開發模型的成功取決于能否獲得反映被建模數據的關鍵屬性和特征的良好數據集。許多軍事場景中的訓練數據集的大小可能很少。[56]中的作者使用遷移學習和混合神經網絡層的組合來解決這個問題，以開發可以嵌入的先驗知識，以實現對高精度識別任務的特征提取的改進。這樣的發展自然會進入并改進分類過程。

5.2.2 對比分析：為使用聲納圖像進行目標檢測而開發的機器學習模型

自動目標識別在海上作業中發揮著重要作用。無人水下航行器使用聲學傳感器產生聲納圖像，幫助檢測水下目標和威脅，例如水雷。由于噪聲、低對比度和低分辨率，使用聲納圖像進行目標檢測很困難。ML和DL都提供了可以幫助提取特征和重要信息以進行對象檢測和分類的功能。

探討這個問題的兩篇研究論文包括Zhu等人[53]和Bouzerdoum等人[57]的工作。在[53]中，作者使用稱為AlexNet的預訓練NN來執行特征提取，然后使用SVM將檢測到的對象分為兩類：目標和非目標。然后將性能與以下兩種技術進行比較：局部二進制模式和定向梯度直方圖。在[57]中，作者遵循與[53]類似的方法，其中使用預訓練的網絡進行特征提取，并使用 SVM 對檢測到的對象進行分類。然而，在[57]中，對象被分為三個不同的類別：類水雷對象、非類水雷對象和誤報對象。該研究還開發了一個用于分類目的的小型 CNN，并使用了一個名為 ObjectNet23 的預先開發的 CNN 來執行相同的任務。所有這三種方法都在它們的整體性能方面進行了比較。

兩項研究都測試了用于特征提取的預訓練 CNN 和用于分類的 SVM 的應用。結果表明，[53]和[57]的性能準確率分別為 95.9% 和 76.2%。鑒于這些方法相似，人們不會期望這些結果會有大約 20% 的差異。兩個系統都使用預訓練的網絡進行特征提取。有趣的是，[57]考慮了不同的 CNN 架構，包括 VGG16 和 VGG19。這些網絡是基于 AlexNet 網絡的架構構建的，但經過改進。

奇怪的是，[57]中使用VGG的方法不會勝過[53]中使用 AlexNet 的技術。這樣的結果可以用許多因素來解釋。作者沒有指定用于訓練VGG網絡的數據集。用于訓練的數據質量和數量可能會影響模型的性能，從而使 AlexNet 能夠更好地提取特征。該問題也可能存在于SVM執行的分類中。用于訓練這些系統的數據可以極大地影響預測結果，因為在該領域很難獲得大量標記數據。兩項研究都進行了數據處理并使用增強技術來增加數據集的大小，這不如擁有更多“真實”數據點有效。此外，應注意分類類別的差異。[53]和[57]中檢測到的對象分別分為兩類和三類。擁有額外的類并嘗試檢測特定對象會更加復雜，并且可能會降低這些模型的整體性能準確性。

盡管這些研究使用了類似的方法來實現預訓練的 CNN 和 SVM 來執行目標檢測，但[57]也為此任務開發了一個小型 CNN。小型 CNN 的性能優于預訓練的 CNN + SVM 模型，準確率達到 98.3%。與大型 CNN 不同，較小尺寸的 CNN 需要訓練的參數顯著減少，從而在數據樣本有限時減少過度擬合的機會。這可能是小型 CNN 和預訓練 CNN 之間顯著性能差異的原因+ SVM 模型。

5.3 生成對抗網絡應用

艦艇檢測在軍用和民用環境中發揮著重要作用，各種類型的成像傳感器用于檢測、跟蹤和分類艦艇。因此，DNN 的引入改變了軍隊執行任務的方式。生成網絡提供了生成代表歷史數據記錄的數據或樣本的能力。此功能提供了新的數據樣本，可用于在軍事場景中訓練智能系統，在這些場景中，由于可用性、安全分類和成本，數據通常難以收集。但是，其他國家也可以使用相同的過程來創建對抗性數據，這些數據有可能危及易受此類攻擊的國家系統。因此，GANN 的實現既可以用于進攻性場景，也可以用于防御性場景。這些網絡可用于訓練預測、分類和產生可靠輸出的智能系統，以發展未來的軍事能力。 GANN 還提供了執行對抗性攻擊以欺騙對手系統的能力。

5.3.1 機器學習應用

GANN與國防和安全領域相關的應用包括：

? 對抗性偽裝：偽裝在軍隊中被用作一種策略，以阻止對手在視覺上檢測和分類軍事物體的能力。此類任務傳統上由人類觀察者執行。然而，戰斗空間在不斷發展，自主軍事代理和人工智能在此類任務中的使用也在增加。這一變化促使科學家們研究偽裝是否能有效對抗這些聰明的對手，或者是否有可能設計出能夠迷惑這些人工智能對手的偽裝。2019 年，對這個問題進行了調查，其中NN被訓練來區分和適當分類軍用和民用船只 [58]。這項研究的結果表明，如果 GANN 生成的模式覆蓋在軍艦的某些部分上，則針對此類圖像分類訓練的 NN 可能會混淆這些模式。這種技術被稱為對抗偽裝。進一步的研究 [59]研究了如何使用這種方法來欺騙選擇的幾個NN分類器。通過這樣做，他們能夠將分類的整體準確性降低到被認為不可靠的程度。在研究 [60]中，研究了迷彩圖案的穩健性和通用性。這些模式在研究中被稱為補丁，并且發現通過在補丁生成器的訓練中實施降級過濾器，作者表明他們能夠提高這些補丁的整體魯棒性或有效性。

? 特定發射器識別：[62]中報告了使用GANN開發的半監督特定發射器識別 (SEI)應用程序。此應用程序是針對與基于接收到的波形對發射器進行 SEI 分類相關的問題而開發的。這些波形容易受到可能導致單個發射器表示不準確的因素的影響。SEI在包括無線電和無線網絡安全在內的各種軍事應用中都很重要。

? 時空數據：2020 年，報告了與時空數據一起使用的 GANN 架構以及衡量此類模型性能的常用評估方法 [63]。這些架構已被用于執行軌跡預測和時間序列。盡管在該領域正在進行重要的研究，但執行時空數據預測的能力對研究人員來說是一個持續的挑戰。特別是對于時空應用是一個新領域的GANN。[63]中討論的最近工作強調了與數據生成相關的問題，這些問題會影響研究人員理解數據特征的能力。

5.3.2 對比分析：針對對抗偽裝開發的機器學習模型

對抗性偽裝用于防止軍事資產被發現和分類。傳統上，偽裝是通過使用大網或油漆來幫助隱藏人類觀察者的飛機或船只等資產來實現的。然而，隨著使用智能系統執行傳統上由人類執行的分類任務，戰場空間發生了變化。Adhikari等人[64] 和Aurdal 等人[58]進行的兩項研究，如何使用對抗偽裝來欺騙或誤導這些智能系統執行的自動對象檢測。在[64]中，基于補丁的對抗性攻擊被用來掩飾軍事資產不受無人駕駛空中監視的影響。該研究使用神經網絡創建覆蓋在軍事資產上的各種補丁，以防止自動檢測目標物體。對于這些研究，感興趣的目標對象主要是飛機。[58]中進行的工作訓練了一個可以檢測和分類軍用和民用船只的 NN。對第二個網絡進行了訓練，以生成用于防止對軍艦進行檢測和分類的補丁。

這些研究使用對抗性補丁來防止智能系統檢測或錯誤分類資產。兩項研究都表明，對抗性偽裝既可行又有效，但在現實世界中并不可行。貼片的設計可能相當復雜，因此很難將其復制到飛機或船只的外部。與[58]不同，[64]確實試圖通過將現實世界的適用性構建到損失函數中來解決這個問題。然而，這種方法是否充分并不明顯。

在比較這些作者所采取的方法時，[64] 中防止檢測的目標似乎更可行，部分原因是避免了與國際人道主義法相關的問題。相比之下，作者在 [58] 中的意圖是使用對抗性偽裝來實現將軍用船只錯誤分類為民用，顯然會陷入法律戰爭問題。然而，[64] 中采用的方法對于 [58] 中的船只可能更復雜，因為它們沒有與部署在陸地上的軍事資產相同的多樣化環境。這表明在考慮對抗性偽裝的應用時，能夠避免檢測是兩種方法中更好的方法。

此外，[58] 中使用的數據集由世界各地用戶上傳的圖像組成，這些圖像主要由艦艇輪廓組成。該數據集不太可能包含每艘船的足夠的方面數據。此外，[64] 專注于航拍圖像，而 [58] 則沒有。在海上的任何軍事場景中，用于檢測船只的數據集很可能包含空中數據。擁有完整的數據集將允許模型為這些艦艇的不同方向生成補丁，而不僅僅是輪廓補丁。為實際使用實施對抗性偽裝不僅需要此類數據，還需要適當的技術來實施。

最后，[64] 的訓練數據顯著減少，它使用稱為 YOLO26 的標準預訓練網絡進行目標檢測。該網絡是對語義對象進行分類的通用模型，并未經過專門訓練以檢測空中目標。然而，在[58]中建立并訓練了一個鑒別器網絡來專門檢測和分類艦艇。使用這種專門的鑒別器網絡的目的是提高創建補丁的網絡的整體性能。如果[64]的作者使用專門的鑒別器網絡而不是他們的預訓練網絡，他們將獲得什么性能提升，這將是一件有趣的事情。

6 總結和未來工作

技術進步已經并將繼續改變與現代戰爭相關的所有戰場空間。隨著機器學習、人工智能和自主代理的引入，軍方必須學會調整這些不斷發展的技術并將其整合到他們的系統中。DND和RCN都已主動引入和使用此類技術，目的是提高整體防御和安全性。本節將總結本文的內容，并討論作為文獻回顧的結果將進行的未來工作。

6.1 總結

本報告探討了深度學習和機器學習技術，這些技術可用于開發流程以支持 RCN 實現其既定目標所需的自動化和高效率。例如，回歸是一種進行未來預測的簡單方法，無監督聚類方法通過檢查和分組具有相似特征的數據點來推斷新信息，決策樹和隨機森林允許分析師評估選項并根據準確度估計進行分類，關聯挖掘創建可以檢測行為和模式的規則集，支持向量機允許分析師根據多種核函數選擇在高維空間中進行有效的預測和分類。此外，神經網絡很重要，因為它們可用于開發支持自動化的工具。例如，感知和深度神經網絡提供了人類不容易執行的分析能力；卷積神經網絡可以輕松處理具有網格狀拓撲結構的數據，例如音頻信號、圖像和視頻；遞歸神經網絡可以處理序列數據并處理長期依賴關系；生成建模技術可以執行密度估計和樣本生成，以支持一般的訓練模型或支持防御和進攻行動。

這些學習算法和技術的應用為分析師提供了洞察力并簡化了繁重的任務。在國防和安全的背景下，它們在能力開發周期中的應用顯示出巨大的前景。具體而言，本報告重點介紹了三種此類應用，包括艦艇監視、目標檢測以及對防御和進攻行動的支持。相當多的機器學習重點是艦艇監控，特別是航跡重建、防撞、航跡預測、目的地預測等。該研究領域已經研究并報告了許多機器學習算法的應用。目標檢測對于海上環境中的監視和態勢感知都至關重要。用于物體檢測的卷積神經網絡已被用于對船只進行分類、發現水雷、檢測海冰、使用水下聲納圖像進行分類、檢測具有有限數據的軍事物體等。生成對抗神經網絡可用作支持密集操作的工具和防守。此外，在國防和安全領域，它們已用于樣本生成、生成對抗偽裝、用于支持特定發射器識別，并用于時空數據應用，包括軌跡預測和時間序列插補的事件生成。

這些技術在國防和安全領域的適當應用可以為軍方提供情報，這些情報可以在必須進行快速數據驅動決策的情況下加以利用。本文提供了對 ML 技術應用背后的基礎知識的基本理解，以幫助構建使用符合 RCN 既定目標的新技術支持和構建能力所需的內部專業知識。對發展這種專業知識的任何投資都將有助于塑造應對現代戰場所帶來的挑戰所需的未來能力。這些空間在本質上變得越來越技術化，因此，DND 和 RCN 必須學習如何適應和改變，以便在這些環境中發揮作用。對于 RCN，利用技術援助利用數據和信息對于海上信息戰概念的成功至關重要。

6.2 未來工作

第 5 節中的討論涉及與 MIW 相關的防御和安全領域的各種 ML 應用。當前研究的一個共同主題是對艦艇監視的內在興趣。雖然 AIS 數據流是用于高度研究主題的重要信息來源，包括軌跡重建、路徑預測和船只異常行為識別，但文獻缺乏檢測與數據流本身相關的潛在異常。

在研究艦艇監視領域的異常檢測時，文獻傾向于將“異常”稱為可用于掩蓋非法海上活動的 AIS 應答器的有意和非有意開關。然而，研究這個數據流的特征和這個信息源中可能存在的異常是很重要的。檢測和解釋數據流中的異常有助于建立用戶對使用此信息訓練的 ML 模型的信任。模型提供準確和穩健的預測或分類的能力源于使用可靠和值得信賴的數據。因此，有必要將研究工作集中在 AIS 轉發器數據流上。

AIS數據流為各種船舶提供了大量的數據，這些船舶被法律要求在海上發送AIS信息。但是，船舶并不是操作可以產生AIS信息的AIS技術的必要條件。因此，用戶如何相信他們收到的數據是可靠、準確的，并且來自實際船只？這方面的一個例子是虛擬艦艇的存在。在這種情況下，這些船只正在將 AIS 消息傳輸到數據流中，即使它們實際上并不存在。這種類型的惡意注入可以用來迷惑和影響情報人員和決策者。這些虛擬船只的存在是海事運營中心注意到的數據流中的異常現象。因此，它們需要被識別和解釋，以支持決策過程。

在異常行為的背景下，研究虛擬艦艇的檢測是本研究中同樣重要的課題。這些研究將探索第 3 節和第 4 節中討論的機器學習技術的應用。檢測和確定識別虛擬艦艇的關鍵 AIS 信號特征的能力是這項工作的基礎。此外，從 AIS 數據流中刪除惡意注入的能力將大大有助于使信息更加可靠、準確和值得信賴。