人工智能（AI）和統計機器學習（ML）與復雜系統的集成，給傳統的測試與評估（T&E）實踐帶來了各種挑戰。隨著更多不同級別的決策由人工智能系統（AIES）處理，我們需要測試與評估流程為確保系統的有效性、適用性和生存性奠定基礎。這涉及到評估 ML 模型和人工智能算法組件的方法，包括展示它們如何產生可重復和可解釋的決策的能力，以及對任何故障模式和故障緩解技術的了解。此外，還需要人工智能保證，以證明人工智能算法按預期運行，不存在因設計缺陷或惡意插入數據或算法代碼而產生的漏洞。T&E 需要新的流程來鑒定 ML 模型的訓練數據是否充足、算法和模型性能、系統性能以及運行能力。弗里曼（Freeman，2020 年）概述了當前復雜軟件支持系統的測試與評價方法所面臨的挑戰、嵌入式人工智能所加劇的關鍵挑戰，以及針對 AIES 的測試與評價需要如何改變的 10 個主題[1]。

為了充分測試 AIES，測試與評估界需要應對以下挑戰：

• 當狀態空間的大小導致測試所有情況不可行，或開放世界問題導致無法枚舉所有情況時，確定測試要求；
• 解決這些突發系統可以分解這一可能無效的假設；以及
• 處理動態變化的系統，這些系統在部署過程中可能永遠不會處于 "最終 "狀態[1]。

圖 1 總結了加強測試與評估的 10 個不同主題，以應對充分測試和評估 AIES 所面臨的挑戰。在過去的一年中，弗吉尼亞理工大學致力于測試和評估各種 AIES。本最佳實踐指南對圖 1 中的主題進行了進一步的完善和補充。本文所包含的最佳實踐將這些主題轉化為可執行的測試與評估實踐。在編寫本指南的過程中，我們充分利用了我們在人工智能系統開發和與更廣泛的人工智能社區合作方面的 T&E 工作經驗。這里所包含的最佳實踐反映了我們為使人工智能系統的測試與評估具有可操作性所做的初步嘗試。這些實踐需要在各種人工智能系統中進行測試，以確保它們是真正的最佳實踐。貫穿許多最佳實踐的一個亮點是數據的重要作用。數據不再僅僅是 T&E 的產物。現在，它已成為人工智能系統開發本身的輸入。這一顯著變化推動了對人工智能系統的技術與評估提出新的要求和實踐。此外，這份清單還遠遠不夠完整，應被視為一份活生生的實踐文檔。隨著越來越多的人工智能系統可供測試，新的實踐將不斷發展，本清單也需要不斷更新。不過，本文件中的每種做法都已證明在美國防部 AIES 測試中非常有用。

人工智能是下一個競爭領域；第一個開發出人類水平人工智能的國家將產生類似于原子彈開發的影響。為了維護美國及其人民的安全，美國國防部資助了人工智能及其應用的發展研究。本研究使用強化學習和深度強化學習方法作為當前和未來AI智能體，并評估開發中的潛在問題。在兩個游戲和一次遠足中對智能體的表現進行了比較： 分別是貨物裝載、河內塔和背包問題。據觀察，深度強化學習智能體能處理更廣泛的問題，但表現不如專門的強化學習算法。

當前的后勤資源管理系統缺乏為海軍陸戰隊作戰概念（MOC）中描述的 2025 年作戰方案提供支持所需的靈活性和集成性。為了使這些系統行之有效，后勤資源管理系統需要利用新興技術和行業最佳實踐進行應用框架和開發，并采用綜合方法整合數據流以促進決策制定。

在未來的沖突和作戰環境中，進入港口的機會將減少，對聯合和東道國支持的依賴性將增加，同時還要利用有爭議的網絡，在更大的作戰區域內支持規模較小的分散部隊。為了在這些未來環境中開展后勤保障行動，海軍陸戰隊需要輕便、動態和強大的系統來提供后勤資源管理。整個戰場的數據需要進行整合，以便為決策者創建一個后勤共同行動圖。當前的后勤資源管理系統（LRMS）缺乏靈活性和集成性，無法為 "海軍陸戰隊作戰概念"（MOC）中描述的 2025 年作戰方案提供支持。未來的許多作戰方案都嚴重依賴聯合作戰。當前的海軍陸戰隊系統無法與其他兄弟部隊的 LRMS 系統有效集成。為了使這些系統發揮有效作用，LRMS 系統需要利用新興技術和行業最佳實踐進行應用框架和開發，并采用綜合方法整合數據流以促進決策制定。

在未來的作戰環境中，海軍陸戰隊需要具備建立和維持信息優勢的能力。由于大多數作戰專業人員都將重點放在機動要素上，因此在下一場沖突中，后勤部門也需要同樣的關注。海軍陸戰隊的后勤管理系統需要重新評估，以便在未來的作戰環境中發揮有效作用，并提供所需的綜合后勤共同作業圖（LogCOP）。通過利用虛擬機、微服務和容器等現代應用框架，海軍陸戰隊將擁有一個更具可移植性和彈性的平臺來托管和運行 LRMS。通過提供通用的應用程序開發和測試環境、采用軟件開發工具包和應用程序接口，海軍陸戰隊將能夠快速適應新出現的需求和能力差距。考慮到擬議的數據管理架構和采用的行業最佳實踐，LRMS 將能夠提供所需的能力，從而改進 LogCOP，并有機會利用預測分析和人工智能工具等現代數據管理工具提供有效的后勤支持，促進相關決策的快速做出。

行業最佳實踐正在推動消除數據管理架構中不一致的數據模式。鑒于美國防部 IT 事業的復雜性，整個國防部的標準數據模式可能無法實現。盡管如此，仍有機會在 LRMS 平臺上實現數據模式標準化。這將為所有 LRMS ADS 和應用程序提供一個共同的模式框架。利用標準數據模式將有助于將數據背景化，從而獲得更大的分析價值。雖然該解決方案將促進 LRMS 生態系統內的同質數據環境，但仍需要在生態系統外進行交互。在這些 LRMS 生態系統數據接縫處使用數據調解器，可實現與海軍陸戰隊和國防部 IT 企業其他部分的數據集成。將數據倉庫和多維數據庫整合到現有的海軍陸戰隊和聯合 IT 基礎設施中，可實現所需的數據匯總和分析，從而促進相關決策的快速制定。圖 6 中建議的 LRMS 企業數據管理架構將成為實現數據融合的基線，以整合整個海軍陸戰隊的 LRMS 系統以及整個聯合部隊的數據。

如果海軍陸戰隊要與近似對手競爭，海軍陸戰隊必須將人工智能（AI）作為一種決策支持系統（DSS），以加快規劃-決策-執行（PDE）周期，從而在認知、時間和致命性方面取得優勢。

信息系統和監視技術正在改變戰爭的特點，使較小的部隊也能分布和影響較大的區域。但是，目前的指揮、控制、通信、計算機、情報、監視和偵察系統（C4ISR）以及機器人和自主系統（RAS）都是人力密集型系統，會產生大量數據，海軍陸戰隊必須迅速利用這些數據來提供可操作的情報。由于遠征高級基地行動（EABO）要求部隊規模小、分布廣、復原力強，必須迅速做出明智決策，才能在各種不斷發展和演變的威脅面前生存下來，因此這就存在問題。

使用數據分析和機器學習的人工智能處理、利用和傳播信息的速度比人類更快。配備了人工智能 DSS 的 EAB 指揮官將以比對手更快的速度做出更明智的決策。然而，在實現這一目標之前，目前還存在著巨大的障礙。海軍陸戰隊必須為 EABO 制定一個人工智能支持概念，并將其納入海軍作戰概念中，充分確定人工智能工作的優先次序和資源，并為企業數據管理提供資源，以最大限度地利用數據分析和機器學習來發現數據庫中的知識（KDD）。此外，海軍陸戰隊必須利用美國陸軍的人工智能實驗和概念開發來實現多域作戰（MDO）。最后，海軍陸戰隊應確定當前可通過狹義人工智能加以改進的技術和作戰領域。

引言

指揮、控制、通信、計算機、情報、監視和偵察（C4ISR）以及機器人和自主系統（RAS）技術的普及正在改變戰爭的特點，使較小的部隊能夠分布和影響更大的區域。然而，作戰期間收集的數據正在迅速超越人類的認知能力。早在 2013 年，美國國防部就指出："ISR 收集和......收集的數據急劇增加。我們繼續發現，我們收集的數據往往超出了我們的處理、利用和傳播能力。我們還認識到，就戰術層面的分析人員數量而言，PED 的資源需求可能永遠都不夠"。

如果能迅速加以利用，C4ISR/RAS 數據將為指揮官提供戰勝敵人的信息優勢。但是，從這些來源獲取及時、可操作的情報需要大量人力，而且必須通過人工手段對數據進行快速處理、利用和傳播（PED）才能發揮作用。如果遠征軍要通過 C4ISR 與近鄰競爭并獲得競爭優勢，這對海軍陸戰隊來說是個問題。這些豐富的信息可以加快計劃-決策-執行（PDE）周期，但如果不加以管理，就會使領導者被信息淹沒，猶豫不決。必須采取相應措施，利用新技術實現數據自動化和管理。如果海軍陸戰隊要與近似對手競爭，海軍陸戰隊必須將人工智能（AI）作為決策支持系統（DSS），以加快 PDE 周期，從而在認知、時間和致命性方面取得優勢。

本文旨在證明，利用人工智能技術可加快指揮官在其環境中的觀察、定位、決策和行動能力。本文承認，但并不打算解決射頻通信、信息系統和組織變革中出現的技術問題的重大障礙。本文分為四個不同的部分。第一部分重點討論不斷變化的安全環境和新興技術帶來的挑戰，以及這些挑戰將如何影響指揮官。第二部分討論技術解決方案、決策模型，以及人工智能作為 DSS 如何為 EAB 指揮官創造認知、時間和致命優勢。第三部分將在未來沖突中，在 EAB 指揮官很可能面臨的假想作戰場景中說明這種系統的優勢。最后一部分重點討論了實施過程中遇到的障礙，并對今后的工作提出了建議。

第 I 部分：新的安全環境和新出現的挑戰

自 2001 年以來，海軍陸戰隊在 "持久自由行動"（OEF）、"伊拉克自由行動"（OIF）和最近的 "堅定決心行動"（OIR）中重點打擊暴力極端組織（VEO）和反叛亂戰爭。美國武裝部隊所處的是一個寬松的環境，有利于技術優勢、不受限制的通信線路和所有領域的行動自由。隨著 2018 年《國防戰略》（NDS）和海軍陸戰隊第 38 任司令官《司令官規劃指南》（CPG）的出臺，這種模式發生了變化，《司令官規劃指南》將大國競爭重新定為國家國防的首要任務，并將海軍陸戰隊重新定為支持艦隊行動的海軍遠征待命部隊。

為了支持這一新的戰略方向，海軍陸戰隊開發了 "先進遠征作戰"（EABO），作為在有爭議環境中的瀕海作戰（LOCE）和分布式海上作戰（DMO）的一種使能能力。EABO 為聯合部隊海上分隊指揮官或艦隊指揮官提供支持，在反介入區域拒止（A2/AD）環境中提供兩棲部隊，以獲取、維持和推進海軍利益，作為控制海洋的綜合海上縱深防御。然而，EABO 對部隊提出了一些必須考慮的具體挑戰。這些挑戰包括在所有領域與近似對手的競爭、對新興技術的依賴、人員與能力之間的權衡，以及地理距離和分布式行動帶來的復雜性。總的主題是如何通過在關鍵點上集成人工智能技術來克服這些挑戰，從而增強指揮官的 PDE 循環。

處理開發傳播 (PED) 問題

如果情報驅動軍事行動，那么海軍陸戰隊就會出現問題。如前所述，數據收集的速度超過了戰術層面的處理、利用和傳播（PED）過程。數據本身是無用的，必須經過組織和背景化處理才有價值。根據認知層次模型（圖 1），數據和信息對形成共同理解至關重要。聯合情報流程通過規劃和指導、收集、處理和利用、分析和制作、傳播和整合以及評估和反饋這六個階段來實現這一目標。C4ISR/RAS 的擴散擴大了收集范圍，但 PED 卻沒有相應增加。除非采取措施實現信息管理自動化，否則指揮官將面臨信息超載和決策癱瘓的風險。

信息超載是指由于一個人無法處理大量數據或信息而導致的決策困難。 羅伯特-S-巴倫（Robert S. Baron）1986 年關于 "分心-沖突理論"（Distraction-Conflict Theory）的開創性研究表明 執行復雜任務的決策者幾乎沒有多余的認知能力。由于中斷而縮小注意力，很可能會導致信息線索的丟失，其中一些可能與完成任務有關。在這種情況下，學習成績很可能會下降。隨著分心/干擾的數量或強度增加，決策者的認知能力會被超越，工作表現會更加惡化。除了減少可能關注的線索數量外，更嚴重的干擾/中斷還可能促使決策者使用啟發式方法、走捷徑或選擇滿足型決策，從而降低決策準確性。

鑒于 Baron 的結論，C4ISR/RAS 將降低而不是提高戰術指揮官的決策能力。筆者在擔任海軍陸戰隊作戰實驗室（MCWL）科技處地面戰斗部（GCE）處長期間進行的研究證實了這一結論。2013 年，海軍陸戰隊作戰實驗室 (MCWL) 開展了戰術網絡傳感器套件 (TNS2) 有限技術評估 (LTA)。一個海軍陸戰隊步槍連及其下屬排配備了空中和地面機器人、地面傳感器以及戰術機器人控制器（TRC）。戰術機器人控制器使一名操作員能夠在白天或黑夜，在視線范圍外同時控制多輛戰車進行 ISR。MCWL 將這種 ISR 形式命名為多維 ISR（圖 2）。LTA顯示，使用TNS2的排級指揮官在防御、進攻和巡邏時都能迅速發現威脅，但LTA也發現了兩個重大問題：1.在軟件和機器人能夠自主分析和關聯傳感器輸入之前，海軍陸戰隊員仍需收集和整理ISR數據；2.在中高作戰壓力下... 在中度到高度的作戰壓力下......操作人員會超負荷工作......無法探測和識別目標，并普遍喪失態勢感知能力。

海軍陸戰隊情報監視和偵察--企業（MCISR-E）正在通過海軍陸戰隊情報中心（MIC）、海軍陸戰隊情報活動（MCIA）與戰斗支援機構（CSA）和國家情報界（IC）連接，納入預測分析流程，以解決這些問題。通過海軍陸戰隊情報活動（MCIA），MCISRE 解決了全動態視頻（FMV）聯合 PED 支持問題，并于 2017 年成立了全動態視頻聯合 PED 小組，該小組具有全面運作能力，每周 7 天提供 12 小時支持，費用由 14 名分析員和 3 名特派團指揮官承擔。

雖然這是朝著正確方向邁出的一步，但由于人力需求量大，這可能證明是不夠的。EAB 指揮官必須依靠地理位置相隔遙遠的上級總部提供的、通過有爭議的電磁頻譜傳輸的情報成品。海軍陸戰隊司令部的 MIX 16（海軍陸戰隊空地特遣部隊綜合演習）實驗結果證實了這一結論： "未來戰爭將在具有挑戰性的電磁環境中進行，分布在各地的部隊......從上級總部 "伸手回來 "獲取日常情報援助的能力可能有限，而且無法依賴"。此外，在戰術和作戰層面增加更多的分析人員會導致循環報告，這只會加劇信息超載問題。

EABO/分布式作戰 (DO) 困境

根據《EABO 手冊》，EAB 必須 "產生大規模的優點，而沒有集中的弱點"。美國陸軍在 2016 年進行的實驗表明，較小的單位有可能分布并影響較大的區域（圖 3）。有人無人協同作戰概念（MUMT）認為，采用縱深傳感器、縱深效應和支援行動的部隊可實現戰斗力并擴大其影響范圍。

然而，DO 和 EABO 是零和博弈。C4ISR 和 RAS 技術可以讓部隊分布得更遠，但實驗表明，規模經濟會喪失。增加兵力將增加所有領域的需求。正如皮涅羅在 2017 年的一篇研究論文中總結的那樣："當部隊分散時，就會失去指揮與控制、情報和火力等輔助功能的效率。"在后勤方面也是如此。這種 "DO 困境 "可以用以下經過修訂的 "三重約束范式 "來表示（圖 4）。隨著部隊的分散，一個領域的整合將削弱另一個領域的能力。如果 EAB 指揮官能在不增加 EAB 占地面積的情況下提高能力，就能重新獲得規模經濟效益。智能技術整合可以解決這一問題。

第II部分：融合技術、決策和概念

人工智能展示了解決 PED 問題和 EABO/DO 困境的最大潛力，同時為指揮官提供了對抗性超配。據審計總署稱，"人工智能可用于從多個地點收集大量數據和信息，描述系統正常運行的特征，并檢測異常情況，其速度比人類快得多"。由聯合規劃流程（JPP）提供信息的人工智能系統可以產生更快、更明智的 PDE 循環。如果海軍陸戰隊想要實現 EABO，就不能僅僅依靠人類。相反，未來的關鍵在于如何利用人工智能來增強人類的決策能力。

決策和決策支持系統

研究表明，人類的決策并不完美，在復雜和緊張的情況下會迅速退化。人類的決策在很大程度上是憑直覺做出的，并在進化過程中不斷優化，通過使用判斷啟發法（偏差）來防止認知超載。偏差是快速決策的捷徑，它根據以往的經驗和知識做出假設。36 偏差是一種快速決策的捷徑，它根據以往的經驗和知識做出假設。雖然這些決策已經過優化，但并沒有參考因啟發式方法而被否定的大量數據。由于這些決策都是基于以往的經驗和現有的知識，人們在面對混亂的新情況時可能毫無準備。如前文所述，這對 EAB 指揮官來說是個問題。決策支持系統可以提供幫助。

決策支持系統可以是一個人用來提高決策質量的任何方法。海軍陸戰隊營長利用其參謀人員和聯合規劃流程 (JPP) 提供專家判斷來提高決策質量，而商業部門也越來越依賴于決策支持系統和人工智能來處理大量數據。在本文中，決策支持系統被定義為 "幫助用戶進行判斷和選擇活動的基于計算機的交互式系統"，也被稱為基于知識的系統，因為 "它們試圖將領域知識形式化，使其適合于機械化推理"。大多數 DSS 都采用西蒙的有限理性理論（Theory of Bounded Rationality）來建模，該理論承認人類在信息、時間和決策認知方面的局限性。西蒙提出了一個四步模型（圖 5），包括：1.觀察現實的智能；2.制定和衡量標準和備選方案的設計；3.評估備選方案和建議行動的選擇；以及 4.根據信息采取行動的實施。4. 執行，根據信息采取行動，最后反饋到第一步。

指揮官決策的兩個關鍵要素是選擇活動和推理。選擇活動，也稱為選項意識，是指在某種情況下對不同行動方案或備選方案的認識。選擇意識為指揮官提供了通往解決方案的不同途徑。能夠自主分析海量數據的 DSS 可能會揭示出以前不知道的選項。推理是一種邏輯思維能力。通過構建決策過程，數據支持系統可以不帶偏見和感情色彩地對數據得出結論。一些研究表明，在現實環境中，簡單的線性決策模型甚至優于該領域的專家。

DSS 有不同的類型，而類型決定了其性能和對人類增強的效用。智能決策支持系統（IDSS）是與作戰行動最相關的系統，因為它使用人工智能技術和計算機技術來模擬人類決策，以解決實時復雜環境中的一系列問題。在本文中，它將被稱為人工智能決策支持系統或 AI-DSS。它由一個數據庫管理系統（DBMS）、一個模型庫管理系統（MBMS）、一個知識庫和一個用戶界面組成，前者用于存儲檢索和分析數據，后者用于獲取結構化和非結構化數據的決策模型。人工智能-決策支持系統結合了人類構建問題結構的能力，以及通過統計分析和人工智能技術來支持復雜決策的系統，從而壓縮了 PED 流程（圖 6）。

人工智能輔助OODA循環

約翰-博伊德上校（美國空軍退役）被譽為機動作戰條令及其相應心理過程模型的主要作者之一。通過對實驗性戰斗機的研究，他認識到 "錯配有助于一個人的成功和生存，以及敏捷性和節奏之間的關系，以及如何利用它們使對手的感知現實與實際現實相背離"。為了解釋這些不匹配，他提出了一個 PDE 循環，后來被稱為 OODA（觀察、定向、決定和行動）循環（圖 7）。博伊德認為，誰能通過歸納或演繹推理更快地執行這一過程，誰就能獲勝。通過將人工智能融入 OODA 循環，EABO 指揮官可以獲得對敵決策優勢。正如伯杰司令在其規劃指南中所說："在任何規模的沖突環境中，我們必須比對手更快地做出并執行有效的軍事決策。

更好的信息和選擇有助于做出更迅速、更明智的決策，同時減輕認知負擔。EAB 部隊將面臨超音速和潛在的高超音速武器，這將使他們幾乎沒有時間做出充分知情的決策。EAB 指揮官將被迫利用大量有人和無人傳感器平臺感知威脅，并迅速確定行動方案。

人工智能輔助 OODA 循環（圖 8）直觀地描述了 EAB 指揮官如何借助人工智能技術做出決策。它將博伊德的 OODA 循環作為指揮官 PDE 循環的基礎。這反映出指揮官是決策過程的中心，也是情報和決策支持的主要消費者。下一層是國家情報總監辦公室（ODNI）的六步情報循環，用于將數據處理成情報。下一層是西蒙的有界理性模型，用于描述 AIDSS 如何嵌套在 EAB 指揮官的決策框架中。最后，使用狹義人工智能增強的外部代理被疊加以代表物理工具（如 RAS、武器系統、AI-DSS 和圖形用戶界面 (GUI)）。在關鍵點集成狹義人工智能，以實現傳感器操作和利用、數據和情報的 PED 以及武器使用的自動化，從而減少人力并壓縮 PDE 周期時間，為指揮官創造可利用的優勢窗口。

作戰概念

由于 EAB 指揮官將在一個簡樸、分散和資源有限的環境中工作，他必須重新獲得在這些方面失去的效率，以超越對手。AI-OODA 循環將按以下方式解決問題。在執行任務前，指揮官進行任務分析/人員規劃流程，以確定指揮官的關鍵信息需求（CCIR）（優先情報需求（PIR）/友軍情報需求（FFIR））以及與上級總部意圖相關的任務（作戰空間的情報準備（IPB）、行動區域、任務、約束/限制等）。

在步驟 1. 觀察階段，指揮官收集有關作戰環境、敵我態勢和友軍態勢的數據，以驗證 IPB 中的基準假設并更新態勢感知。為此，將利用國防部云服務和配備計算機視覺和機器學習技術的無人系統提供的多源情報，自主分析環境，查找 CCIR。這些系統在收集和識別 CCIR 時，可根據威脅程度和排放控制（EMCON）狀態采取兩種行動方案：1. 從云和/或邊緣 AI 平臺（AI-DSS）分發/縮減信息；2. 限制通信并返回基地進行開發。從這一過程中收集到的數據將反饋到第二階段--定向，以確定其意義和相關性。

在步驟 2. 在第 2 步 "定向"階段，指揮官要對收集到的大量數據進行意義分析，以便做出適當的決策。隨著數據池的不斷擴大，第一步的輸出結果必須由人工進行處理，這將耗費大量的時間和資源。如果處理不當，指揮官就有可能因信息過載而無法確定行動方案。研究表明，在面臨信息超載等人類認知極限時，人們會使用次優的應對策略，從而導致認知偏差。第二步是當前流程中的瓶頸，也是人工智能輔助決策支持系統（AI-DSS）緩解信息過載和縮短 PDE 周期的理想場所。

AI-DSS 的優勢在于它可以自主地以數字方式整合來自無限量來源的數據，包括多源情報、RAS、鄰近邊緣 AI 節點、開放源數據以及最終基于國防部云的服務，以生成決策輔助工具、預測性威脅預報或響應行動方案。通過監控這些來源，人工智能可利用 KDD 推斷出模式和意義，以探測敵方意圖，并在人工智能-OODA 循環的第 4 步中利用 F2T2EA（發現、修復、跟蹤、瞄準、交戰、評估）的殺傷鏈模型做出反應。與計算機網絡防御（CND）中使用的技術類似，EABO 部隊可以探測敵人的行動，將敵人的殺傷鏈指標與防御者的行動方針聯系起來，并識別出將敵人的個別行動與更廣泛的戰役聯系起來的模式，從而建立起陸基情報驅動的 SLOC（海上交通線）防御（IDSD），以控制當地海域。現在，他的情報系統已獲得最佳數據，并輔以人工智能生成的行動方案 (COA)，為第 3 步 "決定 "做好準備。

在步驟 3. “決定”步驟中，指揮官現在可以決定采取何種行動方案來實現預期結果。AI-DSS 可以推薦 COA、確定成功概率并建議后續行動或對手行動。通過圖形用戶界面，她的決定可以在整個梯隊中傳達，并傳遞給 RAS 平臺，從而在分布式作戰空間中形成一個綜合的有人無人團隊。

在步驟 4.“ 行動”中，指揮官正在執行任務，并利用反饋機制為其下一個決策周期提供信息，該決策周期已通過綜合通信、火力和指揮控制網絡進行了溝通，以確定可用和適當的武器系統。人工智能 OODA 循環將循環往復地進行下去，直到指揮官達到預期的最終狀態或情況不再需要采取戰術行動。通過利用人工智能作為 DSS，指揮官實現了以下目標：

1.融合--在梯隊中快速、持續、準確地整合來自所有領域、電磁頻譜（EMS）和信息環境的內部和外部能力；

2.優化 - 在正確的時間，以最有效和最高效的方式，向正確的目標提供效果的能力；

3.同步--將態勢感知、火力（致命和非致命）和機動結合起來進行滲透和利用的能力；以及

4.感知和行動速度--在沖突的各個階段都能識別和直觀地看到導致領域優勢和/或挑戰的條件，并采取相應行動；

確信所有數據點都以不偏不倚的方式加權，且周期速度快于敵方。

第 III 部分：關于人工智能輔助 EABO 的小故事

本節將通過一個小故事來解釋人工智能-OODA 循環系統在未來沖突中如何運作，從而將前面討論的主題結合起來。本節旨在從概念上向讀者概述如何使用該系統、它能解決哪些挑戰以及它能創造哪些機遇。

第 IV 部分：障礙和建議

有幾個問題不是本文的主題，但卻是接受和開發 AI-DSS 的重大障礙。將精力和資源集中在這些領域將激發行業解決方案，并協助海軍陸戰隊制定必要的政策、程序和戰術，以實現這一概念，并使海軍陸戰隊與國防部的人工智能戰略保持一致。

第一個問題是 EABO 的人工智能支持概念。如果對問題沒有清晰的認識，海軍陸戰隊就無法在技術、培訓和實驗方面進行適當的投資。一個可以考慮的途徑是與美國陸軍合作。2019 年 8 月，陸軍未來司令部發布了《2019 年未來研究計劃--人工智能在多域作戰（MDO）中的應用》。MDO 是聯合部隊的一個概念，海軍陸戰隊可以輕松嵌套在遠征梯隊中。這項研究通過戰爭游戲得到加強，概述了在 A2/AD 環境中建立人工智能能力的要求、優勢/劣勢和作戰案例。

第二個問題是海軍陸戰隊人工智能的資源配置。國防部人工智能戰略的美國海軍陸戰隊附件在 MCWL 設立了人工智能利益共同體（COI）和人工智能處，以確定人工智能工作的優先順序和同步性，并制定海軍陸戰隊人工智能戰略。這是一個良好的開端，但還不足以滿足人工智能運作所需的資源。海軍陸戰隊必須利用美國陸軍在多域作戰中開展的人工智能工作的范圍和規模，加速技術成熟、實驗和部隊發展。軍事、戰爭和后勤部人工智能有限技術評估應重點關注人工智能-DSS 如何能夠實現、改進或完全修改與 ISR-Strike、C2、維持和部隊保護相關的任務執行。2020 年有機會與陸軍人工智能任務組 (A-AITF) 就其 20 財年人工智能操作化研究計劃開展合作。

第三個問題是企業數據管理。國防部在匯集數據并將其組合成可用的形式方面舉步維艱。為了解決這個問題，國防部數字化現代化戰略要求提供企業云數據服務，也稱為聯合企業防御基礎設施（JEDI）。司令還認識到海軍陸戰隊在數據收集、管理和利用方面的不足，以促進更好的決策。機器要進行 KDD，必須有大量可用的數據集。海軍陸戰隊必須以人工智能-DSS 和其他深度學習技術能夠利用的方式構建其數據，以獲得業務收益。

第四個問題是對人工智能技術的信任。根據美國政府問責局的說法，人工智能正在接近第三次浪潮，但并非沒有嚴重障礙： "第三波人工智能的一個重要部分將是開發不僅能夠適應新情況，而且能夠向用戶解釋這些決策背后原因的人工智能系統"。目前的深度學習方法具有強大的分析能力，但有時會產生不尋常的結果。要讓指揮官信任并在軍事行動中使用 AI-DSS，就必須具備解釋人工智能如何得出答案的能力。可解釋的人工智能是國防部和商業部門共同關注的問題，而商業部門正在牽頭研究可能的解決方案。53 可解釋的人工智能是國防部和商業部門都關注的問題，而商業部門正在引領可能的解決方案研究。了解為什么會做出好的或壞的決策，會讓人對技術產生信任，這對軍事行動至關重要。

第五個問題是邊緣計算，即 "將計算能力下推到數據源，而不是依賴集中式計算解決方案"。這是必要的，因為電磁頻譜將受到爭奪，機器將無法依賴一致的通信和基于云的計算。數據網絡架構將需要重組，以便變得更加分散，并可抵御災難性損失，每個邊緣設備都應能夠與相鄰節點進行網狀連接和通信。在實踐中，數據連接將根據威脅環境從完全連接到拒絕連接的滑動范圍進行。這樣，AI-DSS 就能對本地收集的數據進行快速、實時的 PED，為 EAB 指揮官的決策周期提供支持。此外，國防部必須在戰術邊緣提供基于云的服務，并采用 5G 數據傳輸速率，以機器速度和低延遲充分利用人工智能和 RAS。同樣，這也是與美國陸軍在多域作戰方面的合作領域。

第六個問題是，這在以前已經嘗試過。2002 年，美國國防部高級研究計劃局（DARPA）創建了 PAL（個性化學習助手）計劃，作為一種認知計算系統，它可以通過學習來協助用戶完成任務，從而做出更有效的軍事決策。其主要目標之一是減少對大量人員的需求，從而使決策更加分散，不易受到攻擊。PAL 的一些功能包括將多源數據融合為單一饋送，這些功能已過渡到蘋果 Siri 個人助理和美國陸軍的未來指揮所 (CPOF) 計劃。筆者無法獲得有關 PAL 計劃局限性的詳細信息，但陸軍認識到遠征決策支持系統的必要性，目前正在精簡 CPOF。指揮所計算環境（CPCE）將多個環境整合為一個單一的用戶界面，整體重量從 1200 磅減至 300 磅，主要用于移動作戰。這是朝著正確方向邁出的一步，也是陸軍和海軍陸戰隊的潛在合作領域。

最后，MCWL 應研究在 RAS、計算機視覺、機器學習和數據分析方面的狹窄人工智能領域，這些領域可立即應用于減少指揮官的認知負荷。

結論

當前的 C4ISR/RAS 是勞動密集型的，會產生大量數據，必須迅速加以利用，才能為海軍部隊提供可操作的情報。使用數據分析和機器學習的人工智能可以比人類更快地處理、利用和傳播信息。配備了人工智能信息系統的 EAB 指揮官將以比對手更快的速度做出更明智的決策。然而，在實現這一目標之前，目前還存在著巨大的障礙。展望未來，海軍陸戰隊必須制定一個與海軍作戰概念相匹配的海軍陸戰隊作戰概念，對人工智能工作進行充分的優先排序和資源配置，對企業數據管理進行資源配置，以最大限度地利用數據分析和機器學習來發現數據庫中的知識（KDD），并利用美國陸軍的人工智能實驗和概念開發來實現多域作戰（MDO）。此外，海軍陸戰隊應確定當前可通過狹義人工智能加以改進的技術和作戰領域。

海軍陸戰隊不能再依賴過時的決策支持系統和信息管理方法來進行戰術決策。隨著友軍和敵軍利用技術獲取戰術利益，指揮官的信息負荷將繼續增加。人工智能決策支持系統可以解決這個問題。軍事指揮與控制發展計劃》（MCDP 6）指出了這一點的必要性："無論時代或技術如何發展，有效的指揮與控制都將歸結為人們利用信息做出明智的決定和行動....，衡量指揮與控制有效性的最終標準始終如一：它能否幫助我們比敵人更快、更有效地采取行動？

具有高度自主性的軍事系統發展帶來了許多作戰優勢。這些系統通常是高度協作的，并允許優化對復雜問題的多效應對。人工智能，包括深度強化學習，有助于提高這些系統的效率。這項工作提出了一個與信任這些算法有關問題的綜合觀點，并提出了一些改善人機信任的準則。這項工作是在由歐盟資助的30個合作伙伴歐洲財團委托編寫的報告框架內完成的。

用于水雷戰的自主水下無人機，MMCM計劃實例

法國和英國在2010年啟動了一項計劃，評估和開發 "海上反水雷"（MMCM）能力，包括在與母艦安全距離外遠程操作的無人系統。通過持續化解靜態水下威脅，這些系統將提供戰略、行動和戰術上的機動自由，確保海上力量的安全投送，包括在海峽等高風險地區。

MMCM計劃的目標是提供一種新的敏捷的、可互操作的和強大的水雷戰能力。它將有助于在現有水雷戰艦退役時取代它們。這一雙邊計劃于2010年底根據法國和英國之間的《蘭開斯特宮條約》正式啟動。在2018年1月的法國/英國峰會上，法蘭西共和國總統和英國首相申明了他們打算迅速將該系統投入作戰服務[13]。

特別是，在2020年測試了四種作戰方案，分別采用了：一個水面無人機及其探測聲納、一個拖曳聲納、兩個水下無人機和一個水下滅雷機器人。前兩種情況主要是隨著任務的進行對威脅進行探測、分類和定位，其次是通過與前一次任務的數據進行比較來改變探測結果，最后是重新定位和識別幾枚地雷并解除其中一枚地雷。

該計劃的核心是在水下環境中自主發展的能力。這種自主性是通過使用人工智能算法，特別是DRL來實現的，以便自主地將無人機從母艦上移開[14]。盡管水下無人機必須能夠自主行動，但仍有許多人機互動：任務準備、驗證地雷分類和實時任務監測、授權投擲炸藥。這種人機互動是由MMI（人機界面）實現的，比如你會發現下面這個界面。

有一些項目旨在優化這些關系并建立信任關系：例如，泰雷茲國防任務系統公司DxLab的AR{iA}NE項目，旨在顯示操作者和人工智能之間可以有真正的互動[14]。人工智能在這里由控制臺的下半部分代表。它的突出顯示取決于性能指數：這就是人工智能以非常直觀的方式與操作者交流的方式。這個演示設備是為工業展覽準備的。它的設計經過特別考慮，給人以未來主義的印象，讓客戶感覺到他正在與人工智能進行交流。該控制臺集成了一個軟件分析界面，為聲納數據的利用提供了實質內容，因此非常適用于研究人機互動，更確切地說，是人機互動。

用于反無人機作戰的輕型自主無人機

國防公司，如泰利斯、空客和MBDA，正在開發項目，旨在提供反無人機（UAV：無人機）解決方案。商用無人機的擴散化和相當便宜的價格引發了安全和保障問題。例如，在無人機和飛機之間發生了一些事件，還有一些情況，如跨越邊界和在監獄中走私貨物（武器、毒品），或向目標運送爆炸物。這些公司提出了智能解決方案，可以檢測無人機，但也可以通過高度的自主性和人類的環形控制來消除它們。這些系統可以對敵方目標進行探測、識別、定位和消滅。反無人機問題被概念化，并通過以下步驟得到部分解決[16]：

• 威脅探測：利用部署在保護區域的地面傳感器，如雷達、聲學、射頻或光電傳感器來解決；
• 威脅分類：在威脅探測步驟中捕獲的地面傳感器數據上執行的后處理任務；
• 威脅識別：這是一項額外的后處理任務，旨在完善前一步獲得的分類，最好是評估一套獨特的威脅特征特征；
• 威脅追蹤：該任務的結果是威脅所遵循的軌跡或一組軌跡。其目的是保持對威脅的關注，并將其保持在系統傳感器的視野范圍內；
• 威脅評估：評估入侵的無人機所代表的威脅程度，例如通過有效載荷分析或行為理解。執行這一步驟是為了收集情報，并可能調整對該威脅的反應；
• 威脅消除：使用物理或非物理損傷使威脅失效。當然，這是迄今為止最不成熟的步驟。中和技術最終應取決于威脅的性質、其威脅程度和環境條件（以避免或盡量減少附帶損害）。

最新項目的目標是創建和展示一個完整的反無人機系統，能夠解決上述六個步驟，并整合兩個主要部分，一個地面部分和一個空中部分。地面部分可由一個作為指揮和控制站的地面控制站和一些地面傳感器組成，其數量和在空間的分布可根據需要和保護空間的配置進行調整。空中部分可以由盟軍無人機隊組成，這些無人機可以是相同的，具有類似的能力（同質蜂群），也可以具有不同的能力，每個都有一套獨特的專長（異質蜂群）。擁有一個空中段提供了兩個優勢。首先，在傳感方面，它使系統具有盯住目標的能力，可能為人類操作員提供實時視覺反饋，但也能對敵方無人機及其有效載荷進行更詳細和有效的分類和識別。第二，在消滅方面，它應該允許防御者部署更多的外科手術式的反措施，特別是避免過多的附帶損害或不想要的副作用。許多國防公司正在為中和部分開發智能DRL解決方案[17]，以便在盟軍無人機群中做出自主決定。DRL算法也可用于指揮和控制站，以監測整體作戰情況。

用于未來戰斗空中系統（FCAS）的重型自主無人機群

未來戰斗航空系統（FCAS）是一個 "系統簇"，它涉及到新一代戰斗機（NGF）、遠程航母（RC）和一個將所有參與者連接在一起的戰斗云系統： NGF、RC群、衛星、戰艦、地面系統等。

遠程運載器是用來做什么的？設想的應用是非常多樣的：通過幾十架飛機的飽和來穿透敵人的防御，誘騙敵機，執行電子戰任務（干擾），為其他飛機指定目標，執行偵察任務，甚至發射導彈而不是作戰飛機。這些新型機組成員為未來幾十年的空中行動開辟了一個巨大的可能性領域：用無人機代替戰斗機發射導彈，這樣就不會有飛行員的生命危險，騷擾敵人的防線，執行偵察任務，等等。這些設備也可以假裝成駕駛飛機，吸引敵人的巡邏隊，為作戰飛機打開缺口。在遠程載具的核心，制造商正在開發人工智能算法，特別是DRL[18]，以控制每架無人機，但也控制無人機群。DRL算法出色的適應性在這里被用來管理高層和自主決策。

"系統簇"的非常高的互連性也要求建立一個抗網絡攻擊的戰斗云。這些攻擊確實可以破譯通信以獲取情報，甚至干擾或破壞通信，或者更糟糕的是，向半自主系統發出錯誤指令。DRL算法可用于應對正在進行的網絡攻擊。這些攻擊確實可以快如閃電，而人類沒有能力做出足夠快的反應。因此，必須使用智能自動系統來抵御攻擊。DRL似乎再次成為快速、自主和適應性行動的良好解決方案[19]。

邁向可信AI

A. 科學的信任和可解釋人工智能

正如我們所說，在自主系統中使用人工智能有很多問題：倫理、法律、政治等等。這就是為什么有必要在這場技術革命的不同參與者之間建立一種信任關系，從研究人員到用戶和工程師。

數學上的保證。為了確保我們提出的技術解決方案的可靠性，最好能在理論上和數學上保證算法的性能。然而，重要的是要記住，有關的保證在性質上是概率性的，因為大多數ML算法的性質是不確定的。因此，我們將試圖證明，例如，如果該算法有無限量的訓練數據可供支配，它就能夠完成提交給它的任務。或者，人們可能會試圖證明該算法收斂到一個解決方案，而且幾乎可以肯定它是以一個已知的和可控的速度收斂的。這種類型的結果保證存在于許多經典的ML算法中，用于解決某些簡單的問題，并受制于關于訓練和測試數據的某些假設。人工智能的整個研究領域都是關于知道什么是或不是可以通過ML學習的問題，以及什么精度：可能是近似正確的學習[20]。在RL方面還有很多工作要做，它仍然是一種年輕的技術，但理論上的保證越來越多[21]。然而，這些理論結果一般都是基于非常強的假設，這些假設往往是還原性的，并沒有考慮無人機在實踐中使用的非常真實的環境，這有時會使它們不那么相關。

可解釋人工智能。第二個軸心是要建立對人工智能所支配的自主系統的信任，即其行動的可解釋性。當我們可以理解導致人工智能獲得結果的原因時，一個算法被認為是可解釋的。一般來說，目前可解釋的ML算法（XAIs）能夠報告相對簡單的決定，例如指出圖像的哪些區域被用來確定它是一個蘋果。關于RL，為算法的可解釋性設想了幾條途徑。

• 一些RL算法是以完全透明的方式建立的，它允許追蹤不同代理在一段時間內做出的決定。然而，這種方法不能應用于DRL，由于使用了人工神經網絡，DRL并不是完全可解釋的。
• 表征學習是另一種方法，它試圖在推理的某些階段提取最相關的信息。
• 也可以訓練另一種人工智能算法來解釋RL算法的行動，同時相互配合[22]。其他的解決方案仍然存在，提及這些解決方案需要太長的時間，這里的興趣主要是要意識到RL算法的可解釋性正在全面發展，在未來的幾年或幾十年里應該會通過新的里程碑。

讓我們細化前面的觀點，像一些作者那樣考慮人工智能算法的區別，這些算法不僅是可解釋的，而且是可解釋的。事實上，為了解釋它們的推理，已經建立了一些后驗算法，但它們并不能幫助理解初始算法的 "黑匣子"。出于這個原因，人們正在對可解釋的人工智能方面進行研究，這樣就可以說明導致輸出的不同推理步驟[24]。即使DRL算法的參數數量非常大，仍然是廣泛實施這種方法的技術障礙，但可以預期在這個領域會有明顯的進展。

B. 性能信任

對受DRL支配的自主系統有信心的第二個論據是測試期間的性能測量。事實上，即使目前關于人工智能可解釋性的知識狀況不允許完美地理解算法是如何達到其輸出的，但實踐中的結果是好的，表明有非常大的發展潛力。

對其他問題進行歸納的能力。首先，用戶對人工智能技術的信心可以建立在算法解決其他問題的良好能力上，或多或少有些類似。例如，眾所周知，Deepmind的AlphaFold 2 DRL算法在預測蛋白質結構方面特別出色[25]。這種優秀的聲譽源于該算法的大量已發表的測試研究，這讓該領域的大多數科學家對其給予了極大的肯定。雖然蛋白質結構預測與自主無人機的使用無關，但將蛋白質中單個原子的放置與無人機在協作作戰任務中的放置相提并論是很容易和有意義的。在前一種情況下使用DRL，以及所獲得的結果，也有可能使最終用戶對DRL應用于另一個領域的潛力充滿信心。

算法驗證。然而，與經典的ML算法不同，不可能在RL中實現我們在第一部分討論的驗證測試。這是因為所涉及的數據是隨時間變化的，而且所提出的問題也是不同的。要限定所識別的對象是否被正確預測是很容易的（是的，它是一個蘋果，或者不是，它是一個梨子）。另一方面，量化無人機和飛機之間合作的成功要微妙得多：許多標準必須被評估（無人機的定位、它們的速度、它們不同行動的時間）。因此，RL算法的性能測量是通過建立針對要解決的任務的指標來完成的。例如，對于負責訪問一個空間區域的無人機來說，比較正確識別目標的比例、任務完成時間或其他更精確的指標是相關的，這取決于情況和要解決的具體問題。

爭取在RL中實現更好的可重復性。最近還強調了RL算法的一個臭名昭著的問題，即當一些研究人員想要復制他們同事的結果時，一些算法的不穩定性[26]。實驗的可重復性是科學中的一個基本問題，因為它構成了被測試定律（例如，萬有引力定律）的有效性證明。在這里，算法性能的證明之一是可以讓它多次承受相同的情況，并在不同的迭代中獲得非常相似的結果。為了克服缺乏可重復性的問題，新的算法開發框架、新的測試程序和明確的指導方針已經到位，使科學和開發團隊對他們的結果有了更大的信心。

C. 建立一個有人-無人之間的信任協作

優化人機互動

人機協作是現代（協作）戰爭的核心，但人類和智能機器之間的成功協作主要取決于信任。然而，安全與新興技術中心對自主性和人工智能相關的研究[27]發現，在美國軍方的科技項目投資中，789個自主性相關項目中只有18個，287個人工智能相關項目中只有11個提到 "信任 "一詞。研究人員沒有直接研究信任，而是將開發更透明、可解釋和可靠的人工智能作為優先事項。這些努力對于培養人機團隊的信任是必要的，但技術驅動的解決方案并不總是考慮這個等式中的人類因素。

對高性能技術的不充分信任會導致人工智能系統的使用不足或廢棄，而對有限的或未經測試的系統的過度信任會導致對人工智能的過度依賴。這兩種情況在軍事背景下都有獨特的風險，包括事故、友軍交火、對平民的意外傷害和附帶損害。為了讓士兵對自主系統有信心，他們必須知道系統在遇到障礙物時將會做什么。從系統工程的角度來看，這意味著要指定和實施一些能力，如通過假設查詢和信息交流進行信息檢索，以便系統能夠以人類操作者容易理解的方式解釋其推理和行為。換句話說，"在系統中建立信任 "是一種以技術為中心的方法，通過改善與信任密切相關的系統特性和能力，如透明度、可解釋性和可靠性，來建立人機團隊的信任。

DARPA的Squad X計劃[28]將美國陸軍和海軍陸戰隊的步兵小隊與配備先進傳感設備的無人地面和空中飛行器配對，以提高敵對環境中作戰人員的態勢感知和決策。X小隊在2019年初進行的一系列實驗[29]的主要收獲之一是，將人工智能納入任務的規劃和演練階段非常重要。這樣做，士兵可以 "在如何信任人工智能方面進行搏斗"。最終，目標是讓人類作戰人員更好地了解這些自主系統在戰場上的表現，并對它們作為未來任務中的伙伴更有信心。

要怎樣才能讓人們信任技術？在使用先進系統時，一些個人或群體是否更有可能感到自信，而另一些人則更不情愿？人機團隊的部署環境如何影響信任？認知科學、神經科學、心理學、通信、社會科學以及其他研究人類對技術的態度和經驗的相關領域的見解為這些問題提供了寶貴的啟示[30]。

解決道德問題

"殺手機器人 "一直引起人們對潛在自主能力的恐懼[31]。法國國防倫理委員會在2021年批準在武器系統中引入一定程度的自主能力[32]。在法國，沒有辦法授權 "殺手機器人"。這一表述指的是LAWS（致命性自主武器系統）。這只是證實了法國幾年來在這個問題上的立場。但事情很復雜，倫理委員會認為不反對引入一定程度的自主權，因此不反對使用PAWLS（部分自主武器致命系統）。將LAWS與PAWLS區分開來的是 "性質上的差異，這與人類在某些關鍵功能中的地位有關"。致命武器系統的設計是為了演化出自己的操作規則，并自行重新定義其任務。它們不需要指揮部對情況的評估。PAWLS可以自主地被賦予某些任務的責任和執行，但只是暫時的，而且只用于識別、分類、攔截或接觸任務。道德委員會明確表示，它不能在沒有人類控制的情況下采取致命的舉措。即使在這個限制性框架內，也必須制定技術和組織保障措施，以防止任何過度行為。委員會認為，應繼續在與國防有關的人工智能和武器系統自動化領域進行研究。其目的是避免任何 "科學和技術上的放棄"，防止對手開發致命性自主武器，并在對手使用這種武器時進行防御。

自主系統不應

• 破壞指揮系統；
• 違背擁有處置武裝部隊的行動自由的憲法原則；
• 不能為遵守國際人道主義法律原則提供任何保證；
• 違背軍事道德和士兵的基本承諾，即榮譽、尊嚴、
• 控制使用武力和人道。

指南：在以人為本的國防人工智能領域建立信任

G1. 為自主軍事系統上嵌入式人工智能的操作使用案例制定并提供一個法律框架。

G2. 確保在所有情況下都有人類的監督，有人類在環形系統。

G3. 保證在發生事故時的責任追溯。這種責任必須始終由人承擔，而不是由機器承擔。

G4. 開發符合人體工程學的人機界面，允許人與機器之間的對話和理解。

G5. 開發穩健、安全、準確、可重復和可靠的算法，以及評估這些標準的方法。

G6. 為與人工智能互動的軍事人員建立培訓計劃，讓他們了解這些算法的機制、能力和局限性。

G7. 通過對算法、數據和設計過程的評估，確保責任、問責和可審計性。

G8. 制定技術評估程序，以評估對上述準則的遵守情況。

G9. 加快歐洲在人工智能技術方面的培訓工作，特別是針對學術和工業環境的DRL。

G10. 加快歐洲在整合人工智能的國防系統方面的立法工作，以保持歐洲在這一法律方面的領先地位，并確認其在這一領域的領先形象。

G11. 發展國際合作，在自主系統領域進行立法。

G12. 促進研究人員、哲學家、律師、政治家和業務人員之間關于自主系統的對話。

G13. 在有關國防人工智能的研究和應用項目中始終包括信任的概念。

G14. 對協同作戰的未來利害關系有一個明確而具體的看法，以便將人和他們的利益置于系統的中心。

由于問題和解決方案的復雜性不斷增加，復雜和社會技術系統的系統工程變得越來越困難。這導致了基于模型的系統工程（MBSE）的發展，它在軟件工具的架構框架和建模語言的支持下應用建模。在需求分析和概念開發階段，建模被應用于捕捉和表示系統的利益相關者的心理模型。該軟件工具能夠通過各種圖表和視圖在數據庫中捕獲模型信息。這種以數據為中心的方法確保了定義的模型元素及其關系的一致性和可追溯性。由于指揮和控制（C2）系統可以被看作是復雜的社會技術系統，MBSE應該有助于捕捉需求以支持概念解決方案的開發。本文介紹的MBSE方法有助于捕捉C2系統的需求，以及識別主要的邏輯塊元素和它們所需的功能。這種方法通過開發適合特種作戰的復雜作戰環境的概念C2系統解決方案得到了證明。

1 引言

系統工程的基本目標是通過使系統的存在來解決問題（Stensson 2010，Walden等人，2015）。系統方法，通過系統思考，旨在理解整體背景下的部分，同時與環境互動并適應環境。系統工程由跨學科活動組成，以確保利益相關者的需求能以低成本和及時的方式得到滿足。然而，今天的問題往往是復雜和不明確的，其影響范圍超過了所關注的系統。

從本質上講，系統工程過程是一種發現、學習和持續改進的迭代方法，以獲得對需求和突發特性的洞察力（Walden等人，2015）。系統工程過程的輸入是來自客戶或利益相關者的需求，必須對其進行分析，以發現定義解決方案系統的目的、目標和高級功能的需求（Buede 2000, Ramos等人2012, Walden等人2015, Oliver等人2009）。從最初的高層次需求中定義操作環境和預期場景，以得出系統所需的角色、任務和功能（Stanton 等人，2012）。

Holt & Perry (2008)列出了系統工程的三害：復雜性、溝通和理解。系統的復雜程度取決于系統元素的數量和它們的互動。對問題和用戶需求的不正確理解導致了不準確的需求和系統工程的不正確應用。工程師、開發團隊和利益相關者之間的溝通問題導致了對需求和相關模型含義的解釋。設計團隊和制造團隊之間的溝通不暢，會進一步加劇這種情況。對系統工程產生能夠在復雜環境中有效運行的系統的要求是不斷增加的。建模是解決復雜問題的一種方式，并能使人們有效地理解和溝通。

基于模型的系統工程（MBSE）作為一種方法，提供了一個由過程和支持工具組成的解決方案，以解決復雜性問題。各種形式的模型和結構可以用來捕捉和表示有關問題的信息和知識。一個合適的模型，從利益相關者的心理模型中衍生出來，用來吸收和解釋重要的信息（De Weck等人，2011，Sterman 1994）。

在系統工程中，模型是通過系統的原理圖和網絡圖來構建的。建模可以通過理解系統整體和部分之間的關系來幫助系統設計，從而得出突發屬性（Buede 2000, Ramos等人 2012, Maria 1997, Ramos等人 2011）。模型也往往比基于文本的系統工程文件更有助于發展系統概念和需求，因為它們支持對問題的知識進行實驗，并發展對不同解決方案的影響的理解（Estefan 2007）。

MBSE采用了建模語言，如系統建模語言（SysML）或統一建模語言（UML）。該語言利用圖形符號，用相關的參數、屬性和限定信息來加強。這些語言被用來通過圖表對復雜的系統及其架構進行建模，這些圖表通過各種一致的觀點捕捉、分析和指定系統的行為、結構、要求、關系和能力。模型的不同觀點可用于實驗問題的知識，并發展對不同解決方案的影響的理解（Ramos等人，2012；Buede，2000；Oosthuizen和Venter，2016）。在規劃中采用MBSE的其他優勢包括管理問題的復雜性、重用信息元素和支持系統性思維（Ramos等人，2012，Walden等人，2015）。

本文報告了通過實施MBSE過程對C2系統進行概念建模的實踐經驗。首先，討論了系統工程和建模文獻，以定義MBSE流程，然后將其與實踐經驗聯系起來。該過程通過為特種作戰開發一個概念性的C2解決方案來展示。與常規部隊相比，特種作戰往往在更復雜的環境中運作，有著獨特的要求。

2 指揮與控制概念

C2是一個統稱，涉及軍事行動的指揮和控制的多個方面。指揮被定義為賦予或授權給武裝部隊的個人指揮、協調和控制軍事力量的權力（Brown 1996, MoD 2017）。這代表了人類意愿的創造性表達，以闡明和傳遞完成任務所需的意圖。指揮鏈網絡描述了授權的流動，其任務是產生意圖。指揮權來自擁有最多任務狀態信息的個人（Young 2017）。

"控制 "被定義為指揮官對下屬組織的部分活動所行使的權力，其中包含了執行命令或指令的責任。控制包括通過設定邊界、管理資源和調整行動以實現指揮官意圖的結構和流程來管理風險。控制的目的是確保通過調整所需的活動來實現既定意圖（Brown 1996, Young 2017）。

C2系統的目的是指導、調整和協調部隊在多個領域的意圖和活動。C2系統必須靈活適應，以滿足不斷變化的環境、背景和任務的要求（Oosthuizen and Pretorius 2013, MoD 2017）。

C2能力被進一步定義為設計和執行聯合行動的動態和適應性（復雜）社會技術系統（國防部2017）。復雜的社會技術系統包括行為、工具和技術，由人、結構、技術和流程之間的相互作用促成。C2為個人和組織提供了重點，以整合和最大限度地利用他們的資源和活動來實現預期的結果（國防部2017）。具體的C2解決方案的特點是環境和任務類型所需的網絡分權程度。具體的C2解決方案的適當性受到以下三個環境變量的影響（Young 2017）：

1.環境的變化率。不尋常的任務類型導致了任務的不確定性。同時，任務期間較快的變化率需要更大程度的情況意識分散和更新率。

2.要素的連接程度。一個環境中的多個獨立元素比一個具有多個高度連接元素的復雜環境更容易分析和理解。復雜環境中的任務更難分解，需要更大程度的控制權下放。

3.利益相關者的利益程度。利益相關者對活動的開展施加標準、約束或期望。利益的程度與指揮所需的集中化程度呈反向關系。

所選擇的C2方法必須適應所應用的作戰環境。當代特種作戰的作戰環境是復雜的。該環境的特點是一個全球性的系統，由許多相互作用的變量組成，這些變量造成了相互交織的國家、政治、經濟、社會、精神、文化和軍事利益、挑戰和威脅。影響特種作戰復雜環境的主要因素包括以下幾個方面（Ott 2002, Madden et al. 2016, Johansen 2015, Votel 2016）：

1.全球化。由技術進步（互聯網、移動電話、衛星通信）形成的全球化，成倍地提高了變化、創新和商業的速度。技術允許在全世界范圍內即時傳輸信息。國際恐怖組織可以從偏遠地區有效運作，同時從全球任何地方得到支持（資金、培訓和招募）。重大事件發生時，媒體也會在全球范圍內進行近乎實時的報道。

2.城市化。越來越多的世界人口遷移到城市地區。交戰方越來越多地尋求城市地區的庇護，以隱藏在人口中。這減輕了武器和傳感器的技術優勢，增加了打擊的附帶損害的威脅。

3.地緣政治趨勢。更多的政治權力和軍事能力正被非國家行為者所掌握。這導致了復雜的區域安全發展和來自弱國和失敗國家領土的威脅。這些威脅不能被孤立地解決。

4.軍事技術趨勢。軍事技術繼續快速發展，導致新的軍事競爭領域的出現。因此，運營商可能會對新交戰方的能力感到驚訝。敵人有機會獲得先進的武器系統和網絡能力，為他們提供了越來越多的脅迫性選擇。

5.偏遠作戰地區。崎嶇、多山的地形、洞穴、惡劣的氣候可能會限制武器或行動支持的能力。恐怖組織往往在這些偏遠和不穩定的地區進行訓練、維持、計劃和行動。為了在偏遠地區開展行動，特別行動人員必須與當地居民和領導人進行接觸，獲得他們的認可和信任，以收集情報支持行動。

6.沖突的模式。沖突的模式正在隨著環境的變化而變化。低強度和不對稱的沖突正在世界 "欠發達 "地區展開，一方是正規軍，另一方是游擊隊、恐怖分子，甚至是平民。這些沖突往往是殘酷的、血腥的、丑陋的，不依靠現代武裝力量的高科技武器。其目的是在外部幫助下破壞一個政權的穩定。非正規的威脅通常在國家控制的領土邊緣和無人管理的空間里興風作浪。

7.行動的持續時間。特別行動的財政和政治可持續性使其更具吸引力。特別行動的小規模方法允許采取降低成本的戰略，迫使對手花費不成比例的資源來抵御友好的能力。他們支持對環境有更深入的了解，以預測不穩定的爆發點，減少行動和戰略盲點。

已實施的C2系統要求有能力收集、分配和轉化數據為情報，以執行快速決策。決策必須支持指揮部隊的能力，跨越多個領域和任務。有效的C2取決于基于對形勢的理解而作出的行動決定。理解被定義為對特定情況的感知和解釋，以提供有效決策所需的背景、洞察力和預見性。理解使決策者能夠利用數據分析和可視化，從現有的信息中找出新的機會和威脅（MoD 2017）。

標準和傳統的系統工程方法可能不足以支持這些復雜環境所需系統的開發。這些復雜性可能會導致C2系統的模糊和綜合要求。系統工程兄弟會正在向MBSE發展，以應對復雜問題的系統開發（Walden等人，2015）。

3 基于模型的系統概念開發

3.1 基于模型的系統工程

建模是一個反復的過程，通過一個標準的、嚴格的、結構化的方法來開發、使用和更新模型，以獲得對一個系統行為的洞察力。模型被定義為對現實或其選定部分的明確和不完整的表述或理想化的抽象，以幫助其描述和理解（Ramos等人，2012；Maria，1997）。模型必須在真實性和簡單性之間取得平衡，以便能夠理解和模擬（Maria 1997, Gau Pagnanelli等人，2012）。

在系統工程中，模型被用來描述與一個系統相關的結構、行為、操作和特征，以及與操作環境的選定的交互。環境包括使能系統和其他系統（Buede 2000, Hitchins 2008）。建模行為和產生的模型本身支持對問題的洞察，作為決策的基礎（Maria 1997, Harrison et al. 2007, Buede 2000）。模型被用來對問題的知識進行實驗，并發展對不同解決方案的影響的理解。這支持通過用視覺工具澄清需求來改善解決方案的開發決策（Walden等人，2015；Ramos等人，2012）。

在開發系統概念和需求方面，模型往往比基于文本的文件更有用，因為共同的符號以一致的方式描述了許多系統特征和屬性（Buede 2000，Ramos等人，2012）。在系統工程中，建模解決問題的主要優勢可以歸納為以下幾點（Buede 2000，Ramos等人2012，Maria 1997，Walden等人2015）：

1.管理復雜度。建模有助于通過以下方式解決系統分析和方案設計的復雜性：

a) 通過對問題的多角度的可視化分析，實現系統理解。

b) 指導識別導致復雜性的元素和相互作用。

c) 改進影響分析，以確定解決方案的潛在后果。

d) 利用模型的可追溯性發現原因和影響。

2.用系統的術語捕捉問題。利益相關者檢查他們自己的思維（心理模型），并將概念傳達給其他人，以確認系統需求和行為。模型通過澄清需求來支持改進的系統開發決策。

3.捕獲、分析、分享和管理信息。擁有一個標準語言的建模方法的好處是改善利益相關者之間的溝通，管理系統復雜性的能力，產品質量，知識捕獲和教授和學習系統工程基本原理的能力。模型支持實驗，以及對問題的知識進行定性和定量分析。

4.重復使用和自動化。建模使現有的信息和知識在新項目中得到重用，從而節省時間和金錢。通過用腳本執行可重復的任務，建模也有利于問題分析過程中的自動化。

然而，復雜的社會技術系統的建模仍然是困難的，因為它必須呈現系統中人類工作的結構和行為。行為是由人、操作者、系統元素和環境之間的動態交互引起的。在多個抽象層次上對系統界面進行建模，可能有助于理解復雜系統及其相互作用（Bahill & Szidarovszky 2009, Piaszczyk 2011, Oosthuizen and Pretorius 2014）。

MBSE被定義為建模的正式應用，以支持整個系統生命周期階段的系統需求、設計、分析、驗證和確認活動（Gau Pagnanelli等人，2012）。MBSE專注于應用豐富的信息模型來補充傳統的系統工程方法（Walden等人，2015；Estefan，2007）。任何MBSE的實施都應該至少解決以下要素（Meyer 2014, Tschirner et al. 2015, Gau Pagnanelli et al. 2012, Karban et al 2012）：

1.流程。流程提供了為實現特定目標而在不同的細節和聚合水平上執行的任務的邏輯順序。現有的MBSE流程，需要根據具體的實施環境進行調整。MBSE過程的基本步驟應該包括信息（需求）捕獲、模型生成、驗證和實施。這個過程不需要和傳統的系統工程標準一樣。

2.方法。方法包括執行流程中所列任務的一系列技術。每個方法本身也可以是一個過程。

3.工具集。工具是提高特定方法中任務效率的工具。工具只是促進任務的執行，并提供模型中捕獲的信息的存儲庫。

MBSE不僅僅是開發一套圖來粘貼到基于文本的報告中。僅僅使用標準建模符號來繪制這些圖表并不能改善模型。MBSE的元模型（Holt and Perry 2017），如圖1所示，指出了被建模的系統與架構框架內建模工具的應用之間的關系。這個元模型為開發適合特定應用領域的MBSE方法提供了基礎。

在通過一些視圖對系統進行建模之前，如圖1中間的 "目標 "欄，需要建立支持結構。首先，需要一個架構來定義模型的視圖。建模方法應用了一個架構框架。任何適合問題和解決方案空間的架構框架（如面向服務的架構、NAF、MoDAF或DODAF）都可以被MBSE方法應用。在所有情況下，都需要進行一定程度的定制。架構框架由描述系統及其行為所需的各種觀點組成，這些觀點由標準本體定義。對系統模型的不同觀點被用來分析不同層次的系統（Kossiakoff等人，2011，Ryan等人，2014）。

圖1:基于模型的系統工程元模型

系統的各種觀點通過圖示來體現。為了擁抱MBSE的力量，建模者應該超越基于文本的工具。這些基于文本的工具，如Visio?和Powerpoint只為基于文本的文件提供圖片。它們不能管理復雜圖表中元素之間的關系。應該為MBSE實施專門的以數據為中心的工具。這些工具實現了公認的建模符號，如SysML和UML，以通過圖表開發一致的系統視圖。SysML用于通過系統結構、參數、屬性、要求、行為和關系的圖來對復雜系統進行建模（Friedenthal等人，2012；Hause，2014）。

行為圖表示情況的各個部分及其因果互動（Friedenthal等人，2012；Hause，2014）。系統的行為是用用例圖、活動圖、序列圖和狀態機圖來建模的。用例圖提供了系統功能的高級描述。活動圖中記錄了活動之間的數據流和控制流。順序圖代表了系統中合作部分之間的交互。需求圖確保層次結構和推導、滿足、驗證和細化關系是清晰的。系統參數約束和其他參數，如性能、可靠性和物理特性，在參數圖中被捕獲（Hause 2014）。

Hause 2014）。塊定義圖通過層次、關系和分類來描述系統結構。內部塊狀圖描述了系統的內部結構，包括部件、端口和連接器。塊圖中的塊可以代表系統層次結構的任何一級，將系統描述為部件的集合，以及它們之間的連接，從而實現通信和其他形式的互動。端口提供了對塊的內部結構的訪問，以便在更大的結構范圍內使用該對象。需求視圖指定了從利益相關者需求中得出的所需結構和行為屬性。參數視圖提供了系統的關鍵工程參數，用于評估性能、可靠性和物理特性（Friedenthal等人，2012；Hause，2014）。

實施MBSE的這種元模型將幫助系統工程師（建模者）組織和展示信息，以支持開發基于模型的有形需求，從而開發解決方案的選擇。根據建模工具，模型中捕獲的信息可以以文本形式導出，用于審查和合同目的。通過一個以數據為中心的工具實現的MBSE使系統工程師能夠管理需求和模型元素之間的關系。需求變化的影響可以追溯到它們所影響的模型元素。下一節將提出一個C2系統的建模過程。

3.2 指揮與控制系統的建模過程

從上面的討論可以看出，MBSE是一種設計和開發復雜系統的現代方法。原則上，這個過程遵循自上而下的模型應用，而不是基于文件的文本來指定、設計、集成、驗證和操作一個系統。MBSE采用了一個過程來開發和增加模型的細節，使用一個并發和增量的過程來支持利益相關者之間的溝通（Estefan 2007，Walden等人2015，Oosthuizen和Pretorius 2015）。

圖2:基本MBSE建模過程

圖2中用于C2系統建模的基本MBSE流程是松散地基于MoDAF的。該方法根據INCOSE手冊和其他資料進行了調整和簡化，包括以下活動（Walden等人，2015，Ryan等人，2014，Hause 2014）：

1.分析利益相關者的需求。這項活動抓住了 "現有 "系統的局限性和潛在的改進領域，以支持開發 "未來 "的解決方案。現有的基于文本的用戶協議和其他需求文件可以為模擬利益相關者的需求提供有用的輸入。

a) 確定系統的背景。第一步是定義系統的邊界，以及與外部系統或操作環境的接口。系統上下文圖的目的是將注意力集中在開發一套完整的系統需求和約束條件時應該考慮的外部因素和事件上。

b) 生成用例。高層次的系統功能是從用戶需求中捕捉到的，在 "使用視圖 "中，它由包的分層結構中的一些用例圖組成。這項活動定義了支持任務要求的系統要求。系統被建模為一個與外部系統和用戶交互的黑盒子。從用例中，系統所需的結構和行為是通過一個反復的過程得出的。

2.生成功能架構。系統功能以活動圖的形式進行建模，定義從用例中得出的行為之間的關系。用例描述和命名中的動詞應被用來定義活動。功能架構的建模使得系統功能需求的開發成為可能。

3.生成邏輯架構。系統被分解和劃分為邏輯元素，它們相互作用，滿足系統需求。邏輯元素是由用例中的名詞衍生出來的。系統的邏輯元素用方框圖來定義它們之間的關系。場景也用泳圖來建模，泳圖結合了活動圖和塊定義圖。泳圖將活動分配給邏輯塊元素，并呈現出活動的邏輯流程。邏輯架構的建模使得非功能系統需求的開發成為可能。

4.生成解決方案的實施。這一步描述了定義資源分配的物理系統元素或節點之間的關系。在邏輯架構中確定的塊通過塊圖的屬性被實例化。內部塊狀圖被用來模擬系統元素之間的接口，以及交換的信息元素。邏輯架構中的元素可以為多種可能的解決方案實現而實例化。

解決方案架構是這個建模過程的輸出，并將被用來得出系統的功能、接口、數據和性能要求。一些解決方案可能會被生成，以輸入到方案選擇過程中。根據合同準則，需求可能會以文本形式或模型庫的形式輸出。

從圖2中的連接器可以看出，這是一個迭代的過程。每個周期都會提高模型的完整性和準確性。視圖也可用于支持C2系統的作戰概念（ConOps）的發展。用一個以軟件數據為中心的MBSE工具來實施這個過程將確保所有的模型元素和它們的標識被管理，以保持一致性和可追溯性。這個過程適用于大多數架構框架。

在這個過程中尚未解決的方面包括需求和順序圖；它們是在實施解決方案的設計的較低層次上需要的。本文討論的過程中沒有包括的其他步驟包括選擇首選的架構以及驗證和核實擬議的解決方案系統。這個框架是制定指定特種作戰C2系統的過程的基礎。

4 特種作戰的指揮與控制概念建模

本節實現了圖2中的過程，為特種作戰定義了一個概念解決方案C2系統。這是在MBSE工具Enterprise Architect?中用SysML生成模型的一些視圖來完成的。為了說明問題，我們將只提供有限數量的模型輸出圖。本節提供的信息將支持下一節的建模方法的演示，以定義一個可能需要用于特種作戰的通用C2系統。本節提供的信息將支持下一節中的建模方法的演示，以定義一個可能需要用于特種作戰的通用C2系統。

4.1 特種作戰背景

對特定作戰環境的方法的每一次應用都將導致不同的C2概念解決方案。為特種作戰量身定做的C2系統的開發必須支持任務，可能會產生關鍵任務的不利后果。特種作戰的主要特征，區別于更多的常規作戰，包括以下內容（Johansen 2015, Kiras 2015, Votel 2016, Brown 1996, Eaton et al：）

1.能力。特種作戰人員實施與普通陸軍、海軍或空軍不同的（專業）能力和技能（如解救人質），而不會產生高成本和失敗的風險。

2.敏捷性和靈活性。特種作戰人員可以迅速抓住機會，適應不可預見的要求和行動挑戰。這使他們能夠與合作伙伴整合，開發戰略機會，以對抗對手采用的非正規和混合方法。他們可以更靈活地直接（外科手術式打擊）以及間接（特種作戰）地運用武力。他們可以在基礎設施有限或受限的惡劣環境中孤立地行動（沒有定期和持續的支持）。

3.作戰規模。特別行動往往是非正統的、高風險的小單位秘密或公開的行動。考慮到特別行動小組的規模相對較小，以及指揮系統很短的事實，小組可以在比大型常規部隊更短的時間內部署。

4.持久和長期的行動。非正規和低強度的沖突需要長期（數月和數年）和持續的行動，以扭轉對手的意志和對抗的根本原因。這就對戰術、行動或戰略層面的連續性和知識管理提出了要求。它允許對人的領域進行深入了解，這對于識別和影響相關行為者以獲得可接受的結果是必要的。

5.支持。行動通常是在國家邊界之外進行的，與OPFOR線后的既定行動或支持基地相距甚遠。這些行動需要專業的支持（公開的和秘密的），不能由任何常規部隊進行。這需要量身定做的能力、保護和后勤支持。特別行動可能需要秘密技術，以確保低能見度，而諸如隱蔽性、欺騙性和間接方法等概念總是被應用。與總部的聯系、進入和保持安全的通信渠道對特種作戰來說是一個挑戰。

6.作戰節奏。由于其規模和靈活性，特別行動單位可以在高節奏下行動。特種作戰人員可以早期、持續和精確地采取行動，以創造所需的決策空間和戰略選擇，提供可持續的結果。

7.國家政策的工具。特別行動組人員經常被部署去執行外交政策，這增加了敏感性和風險程度。可以從軍事或國家指揮的最高層雇用和領導特別行動戰術單位，以實現特定的政治或戰略目標。

8.低層決策。盡管行動是由最高層授權的，但可能產生戰略結果的決定往往是在最低的戰術層面上做出的。各單位積極鼓勵任務指揮，以個人專長為基礎的參與式決策是當務之急。

9.聯合、機構間、政府間和多國行動。當代特別行動傾向于聯合、機構間、政府間和多國行動（JIIM），并以共同的目標和共同的目的形成網絡。目標必須通過本地或代理部隊來實現，并與之合作。人員面臨著與其他行動參與者協調、消除沖突和利用特別行動活動的挑戰。部署特別行動資產是為了收集可能無法通過其他方式獲得的信息。與外部角色的信息共享可能會削弱信任。

以上列出的這些作戰特點將影響到為特種作戰所制定的作戰方案。該解決方案系統必須應對多樣化、自主、復雜和高節奏的行動。由于其應用的多樣性，特種作戰也可以從戰術、作戰或戰略層面進行控制。在較低的戰術層面，外部關系被減少，線性等級制度占主導地位，并以指令的方式提供指揮。在作戰和戰略層面上，與外部伙伴和其他行為者的交往將更加普遍。這些可能不在同一個指揮結構之下，需要以較不直接的方式進行合作和影響。另外，在不同的情況下，不同C2級別的指揮官將獲得不同程度的授權（國防部2017）。

特種作戰ConOps將需要一個模塊化的C2系統，因為同一個用戶在不同的任務中可能面臨不同的挑戰。C2系統必須支持對局勢的理解，以實施對活動的控制和協調（Rantakokko等人，2010年，Alberts 2011）。管理一個模塊化系統的元素和接口可能會成為一個復雜的問題。建議的MBSE過程將協助系統工程師為預期的復雜性和分歧情況得出具體要求。

4.2 上下文分析

系統上下文圖，如圖3所示，定義了系統與環境之間的邊界，顯示了系統與之交互的實體。這張圖是感興趣的系統的高層視圖（黑盒）。感興趣的系統和外部系統上的小藍塊是接口，以方便信息在接口上的流動。箭頭表示信息的流動。外部環境主要由系統和系統外的利益相關者組成。它也提供了對將要開發的實際感興趣的系統的關注。這張圖是要設計的解決方案系統的界限。

圖3:上下文圖

C2系統將著重于界面（如顯示器）和信息處理元素，這些元素將被部署在操作人員和他們的指揮官身上。通信系統被看作是C2系統的外部。通信是C2系統的一個促成因素。它通常由外部單位控制，并由其他人用于不同的目的。C2系統還需要與部署在特種作戰人員身邊的外部傳感器相連接。為了使特種作戰C2系統支持實施協作或邊緣C2方法，將需要有效的通信接口和互操作性。

4.3 用例

用例是用來捕捉和表示特種作戰C2系統的高層次系統功能和用途。用例還確定了不同的場景，以衍生出系統所需的功能。用例被結構化為包，如下圖4所示，以管理不同層次的建模水平。各包之間的箭頭描述了它們之間的依賴關系。用例的來源包括各種公布的理論文件以及與主題專家和其他利益相關者的互動。用例也構成了開發ConOps的基礎。

圖4:用例包

圖5給出了戰術級用戶使用特種作戰C2系統生成態勢感知信息的簡略用例。態勢感知支持指揮官和操作人員了解作戰情況以支持決策。態勢感知支持C2的快速決策。態勢感知需要支持根據收到的新信息或目標的變化在短時間內改變和調整計劃，即使行動是在有限的信息下進行的。信息由經過分析和添加背景的信息對象組成。信息比數據對象處于更高的抽象水平（經過處理）。

圖5:過程信息用例

系統需要實現基于角色的認證，以保護信息的安全性和完整性。這只允許某些用戶以規定的訪問（需要知道）權限訪問信息。與任務相關的作戰環境信息是由觀察事件的信息收集資源在系統中采集的。要在系統中捕獲的典型信息可能包括圖像、視頻、自己的位置報告、氣象信息、地理（地形）信息和社會媒體。

還需要進行信息整理，以接收、處理和顯示有關友軍和敵軍活動或能力的當前信息。信息被顯示在（覆蓋）地形上，以產生一個共同的作戰圖。對數據進行處理以增加其價值，并使其成為可用的 "信息"。這涉及到對不斷變化的政治和軍事環境的正確評價和理解。來自不同傳感器的數據需要進行融合，以便為特定用途提供最適用和準確的信息。最后，特別行動操作人員需要能夠在緊急情況下銷毀系統中的所有信息，以防止機密信息落入敵對勢力之手。

類似的用例可以被生成，以解決戰略或操作層面的用戶和擬議系統的使用。不同的用例也可以為特定的場景生成。其目的是在啟動下一層次的分析之前，確定系統的所有用途和行為者。

4.4 功能架構

C2要執行的功能是由用例中的動詞得出的。系統的功能邏輯結構被記錄在一些活動圖中，以定義活動（功能）之間的關系。圖6顯示了所選功能活動的層次結構。

圖7提供了功能結構的另一種觀點，它由相同的元素（活動）組成，但它們之間有不同的關系（控制和信息流）。首先，C2系統中的信息是通過對作戰環境中的元素的傳感（集成）和操作人員的視覺觀察來獲取的，包括對感興趣的元素的位置和描述。額外的信息被收集，并與GIS數據進行整理，以建立各種信息位之間的聯系。

圖6:功能架構層次結構

這些信息被儲存起來用于顯示和分析。選定的信息要顯示給操作人員，以便為指揮官提供一個完整的戰斗空間圖，以及命令、回應和協調行動的能力。另一個關鍵方面是分析信息，以提高捕獲信息的價值和可用性。同樣，端口被用來定義各項活動之間的接口。

圖7:功能架構

4.5 邏輯架構

C2系統的邏輯結構，如圖8所示，包括從用例中的名詞衍生出來的系統元素，以提供結構和工具（系統元素）。系統被分解和劃分為邏輯元素，這些元素相互作用以滿足系統要求，使用塊中的塊。

圖9提供了圖8中C2系統的邏輯元素之間的接口。該圖由相同的元素（塊）組成，但它們之間有不同的關系（接口）。有關系統的外部邊界上的端口與上下文圖中定義的端口相對應。這些端口定義了項目和信息與外部系統和情況管理系統操作者的流動接口。

圖8:系統架構結構

如圖10所示，邏輯架構中定義的邏輯系統元素執行功能。這里，圖6和圖7的活動被分配給圖8和圖9的塊狀元素。特種作戰C2系統中捕獲的信息在顯示器上呈現給操作人員。該顯示器使操作人員能夠查看信息并與之互動。顯示的信息可以包括由地圖組成的共同行動戰場圖，其中有自己的部隊、友軍、威脅部隊和目標位置。可根據需要過濾的其他信息包括任務狀態、人員健康狀態、電子攻擊警告和實時視頻或照片圖像。這些信息可能來自于同地的傳感器，這些傳感器可能被整合到C2系統中。

圖9:帶有接口的系統架構

信息分析工具或應用程序支持對捕獲的信息進行分析和處理，以支持情報過程（周期）以及發展局勢意識。該工具通過態勢感知顯示器訪問存儲的信息，以查看、回放和處理數據庫中的信息。C2系統中的所有信息都存儲在一個集中的數據庫中。該數據庫需要一個適合于所有特種作戰任務的數據元模型和本體論。

圖10:邏輯架構

4.6 方案實施

建模過程的最后一步是將邏輯和功能結構轉換為具體的解決方案選擇，以便進行分析和權衡。選定的解決方案描述將構成所需采購的C2系統的系統需求說明的基礎。如圖11所示，這一步描述了定義資源分配的物理系統元素或節點之間的關系。

在邏輯結構中確定的塊是通過塊圖的屬性來實例化的。SysML塊（UML類）被實例化為屬性（UML對象），以模擬不同的解決方案。一個塊可以通過多個屬性進行實例化，如綜合傳感器和情況意識顯示邏輯元素。信息分析工具在戰術部署的個人綜合C2系統中沒有被實例化，因為操作者可能沒有時間進行信息分析。這種方法使系統工程師能夠在其系統設計中實現模塊化。

圖11:C2系統解決方案實施

4.7 可追溯性

用軟件工具實現MBSE的一個優點是能夠保持工具中捕獲的各種元素之間的可追溯性，如圖12所示。這種可追溯性使系統工程師能夠實施變更管理。一個用例中的變化可以被追蹤到系統解決方案中的影響。這些塊中的任何一個都可以被追蹤到用戶、系統或實施的需求。

圖12:元素可追溯性

4.8 討論

本節展示了基于MBSE的C2系統開發方法，該方法將在復雜環境中使用。這個過程是獨立于架構框架的，并且可以連接到基于能力的系統建模中。建模的力量是為所有的系統元素及其關系和相互作用提供一個可視化的表示。一張圖片勝過1000個字。模型幫助利益相關者理解他們的需求和系統解決方案的含義。由于復雜的關系更容易被視覺化和管理，模型的圖表在審查時仍然更容易使用。

在這個過程的每一步，都有可能為系統定義和添加需求。每個需求都可以與一個特定的元素相關聯或被追蹤。在需求和系統元素之間甚至可以有多對多的關系。如果存在一個需求列表（如用戶需求），它可以被導入到工具中，并與各種模型元素相聯系。

大多數MBSE工具使建模者能夠為模型元素和關系添加文本描述。這些工具也有自動化的應用，可以將圖與元素的描述導出為基于文本的報告，供利益相關者正式審查和接受。報告可以是需求說明的形式，也可以是只包含模型所要求的特定信息的系統描述的ConOps。

在開發和實施系統的組織中，模型的可移植性也很重要。對模型元素（用例、活動和邏輯塊）的訪問和對需求的追蹤將有助于權衡和設計決策。

5 結論

本文提出了一個MBSE過程，并通過開發一個用于特種作戰的C2系統對其進行了演示。由于開發復雜的社會技術系統的系統工程變得越來越困難，MBSE提供了一種方法來設計和實施有效的模塊化系統。在需求分析和概念開發階段，捕捉和表現系統的利益相關者的心理模型的模型有助于理解這種復雜性。

使用基于模型（以數據為中心）的軟件工具對系統進行建模，有助于管理復雜性和需求與建議的解決方案概念之間的可追溯性。保持各種系統圖和視圖之間的可追溯性，確保定義的模型元素及其關系的一致性。

為了證明MBSE方法，一個社會技術系統以特種作戰的C2形式在通用水平上進行了建模。這些視圖為深入分析和開發一個實際的C2系統提供了結構。

未來軍事行動場景要求在一個擁擠和極其動態的環境中快速決策和高速操作。以網絡為中心的方法是滿足這些要求的一個關鍵因素，其中系統體系中的各個平臺致力于服務整個行動。聯網，再加上適當的自主運行水平，使整個系統能夠盡可能連接最終行為者（傳感器或效應器），并做出行動決策。除了在不同的決策層上同步每個單獨的OODA（觀察-導向-決定-行動）循環之外，這也大大增加了行動速度。為了實現邊緣決策，數據必須盡早匯總和解釋，以提供最好的態勢信息，這是做出明智決策的先決條件。這兩個方面促進了對更高層次的連接損失彈性，并使個人或較小的戰術小組仍然能夠執行其任務，即使與更高級別指揮和控制的連接暫時受到限制。因此，這也是對新攻擊載體的應對方案，包括從對物理鏈路的暴力攻擊到對通信系統內更高OSI層的更復雜攻擊。針對上述問題，已經制定了以機載應用為重點的架構原則。對于這些架構原則，將首先討論多平臺傳感使用案例的示范性應用。從長遠來看，所提出的架構原則可以從機載領域轉移到其他領域，并最終應用到多域場景中。

圖：具有不同類型EO/IR傳感器的分布式EO/IR場景

網絡化多平臺架構

未來的戰爭將不再是單元與單元的戰斗，而是網絡與網絡的戰斗。輔助性原則的應用意味著一個以網絡為中心的架構方法其內在特征是分布式的。在這種情況下，權力下放意味著，在競爭激烈的EMS環境中保持電磁頻譜作戰（EMSO），在不降低自己EMSO能力的情況下與敵人作戰，實現和保持EMSO的可擴展性，確保EMSO的可靠穩定性，并允許全頻譜的優勢。但是，為什么在系統結構的背景下，輔助性及其分布式很重要，為什么相關的網絡中心式方法比等級集中式方法更有效？為了向所有持懷疑態度的人解釋“為什么”，嘗試用一個關于分布式網絡中心系統架構來類比：足球比賽。

一場足球比賽是一種相當復雜的球賽，具有時間關鍵性。令人驚訝的是，一旦開球，它在沒有集中管理比賽的情況下也能運作。一場比賽的組織是分布式的和以網絡為中心的：教練（在他的教練區）只是給出一般的指導方針，而球員必須能夠相互聯系，以便根據比賽的動態調整教練的“服務請求”。球員不會問：“下一步怎么辦？”而是預測特定的情況，并根據教練的指導建立前瞻性的行動。

這個真實例子遵循輔助性原則的系統架構，帶來了另一個非常重要的方面：作為控制結構的服務請求。未來的第六代戰斗機將是一個體系性系統，建立在各個系統之上，而這些系統本身又是高度復雜的，具有很長的運行周期。為了掌握整體的復雜性，并在設計、開發、操作使用和升級周期中保持總體架構的一致性，基礎架構原則應促進低耦合性、易集成性、互操作性和重用性，同時在新戰斗機系統進入服務后應能夠集成幾十年的遺留系統。這可以通過面向服務的架構（SoA）原則來實現。對于設計防御手段來說，服務是北約體系結構框架（NAF）和其他架構方法所支持的互操作性和能力開發的基石。面向服務的架構（SoA）是以系統組件提供的服務為中心。這些服務包涵了特定的功能，可以由服務消費者在本地或遠程訪問，并在分布式的網絡中獨立更新。在SoA方法中，服務具有以下關鍵屬性：（a）它在邏輯上代表了一組具有特定結果的活動，（b）它是獨立于消費者使用的，并且是獨立定義的，（c）它可以由其他底層服務組成，（d）對于它的實施，它對消費者來說是一個黑盒，意味著它封裝了自己的結構和內部邏輯，消費者不需要知道這些。服務是由它們提供給消費者的事物（結果、與收入的接口、服務合同）來定義的，而不是由它們如何實現其預期結果來定義的。

隨著提出（a）輔助性原則及其分布式以網絡為中心的方法和（b）面向服務的架構原則，剩下的第三個基石包含了三個重要的架構設計驅動因素。架構設計驅動因素的目的是建立一套驅動架構系統設計的屬性，并在實際系統工程的架構創建活動中為決策提供指導。

靈活性：架構應支持修改（例如，內部傳感器的修改、新傳感器的增加、服務的修改等）。設備的創新應考慮通過使用明確定義的接口，快速輕松地完成集成。

可擴展性：架構應能夠融入大量傳感器和功能，以及具備通過使用分布式資源來補償更大數據負載的能力，以根據相關的服務請求返回最有用的信息。

彈性：該架構應能適應意外事件、故障或通信問題（如干擾等），必要時重新安排任務、資源和服務。

圖4：架構設計驅動因素

擬議的架構原則確實允許小規模或大規模的資產系統組成。因此，對平臺類型或傳感器的數量沒有限制。為了實現這一點，擬議的架構在盡可能低的水平上有一個相應的分布式決策尋找過程，它是基于一個先進的去沖突機制。為了支持這一點并實現最大的靈活性和彈性，分布式傳感器網絡中數據流和信息的使用沒有被不同連接所限定。相反，所有的實體都通過網絡連接，并能以任何結構交換數據和信息。這允許對網絡進行靈活的重組，以應對外部條件或內部事件和狀態。

在過去的幾年里，人工智能（AI）系統的能力急劇增加，同時帶來了新的風險和潛在利益。在軍事方面，這些被討論為新一代 "自主"武器系統的助推器以及未來 "超戰爭 "的相關概念。特別是在德國，這些想法在社會和政治中面臨著有爭議的討論。由于人工智能在世界范圍內越來越多地應用于一些敏感領域，如國防領域，因此在這個問題上的國際禁令或具有法律約束力的文書是不現實的。

在決定具體政策之前，必須對這項技術的風險和好處有一個共同的理解，包括重申基本的道德和原則。致命力量的應用必須由人指揮和控制，因為只有人可以負責任。德國聯邦國防軍意識到需要應對這些發展，以便能夠履行其憲法規定的使命，即在未來的所有情況下保衛國家，并對抗采用這種系統的對手，按照其發展計劃行事。因此，迫切需要制定概念和具有法律約束力的法規，以便在獲得利益的同時控制風險。

本立場文件解釋了弗勞恩霍夫VVS對當前技術狀況的看法，探討了利益和風險，并提出了一個可解釋和可控制的人工智能的框架概念。確定并討論了實施所提出的概念所需的部分研究課題，概述了通往可信賴的人工智能和未來負責任地使用這些系統的途徑。遵循參考架構的概念和規定的實施是基于人工智能的武器系統可接受性的關鍵推動因素，是接受的前提條件。

未來的戰場是一個將受到近鄰對手快速變化的技術能力嚴重影響的戰場。在這種環境下的成功將需要簡單易用的系統，它能適應各種情況，并能與其他部隊和系統整合。多域作戰指揮、控制、計算機、通信、作戰系統和情報（MDOC5i）旨在為海軍陸戰隊準備未來的戰場。由于傳統的機器學習技術存在某些缺點，MDOC5i使用矢量關系數據建模（VRDM），為海軍陸戰隊提供適合動態部署的系統。MDOC5i使用全球信息網絡架構（GINA）作為其VRDM平臺。這項研究使用GINA創建了一個無處不在的決策模型，可以根據美國海軍陸戰隊的場景進行配置。該研究實現了無處不在的模型，并通過一個網絡分析用例證明了其功能。這個決策模型將作為所有GINA實施的基礎模型。快速構建和調整基于場景的GINA模型并將這些模型整合到一個共同的框架中的能力將為海軍陸戰隊提供對抗未來對手的信息優勢。

圖. 超圖描繪了構成 GINA 決策模型的關鍵實體。這是圖 3.2 中描述的“決策者信息”部分的細分。影響力的三個主要領域是現實世界、網絡和網絡。本論文中的模型將僅包含網絡類別的一部分，特別是 XMPP 流量。這三個領域應被視為為大規模網絡診斷設計的決策模型的起點。

引言

在最近的沖突中，美國能夠承擔對其敵人的技術優勢[1]。然而，由于美國已經將重點從反叛亂（COIN）行動轉移到與近距離對手的沖突上，這是一種不能再假設的奢侈。美國和國防部必須不斷尋求獲得并保持對近距離對手的技術優勢。所有軍種的指揮官都強調了這一點，包括司令部的規劃指南[2]。網絡戰場是一個日益復雜和快速發展的領域，在戰爭中從來沒有出現過像現在這樣的能力。目前的對手既有掌握該空間的愿望，也有掌握該空間的能力[1]。人機交互（HCI）將是在未來沖突中實現信息主導的關鍵。人機交互融合了計算機科學、認知科學和人因工程，以 "專注于技術的設計，特別是用戶和計算機之間的互動"[3]。我們必須掌握人機交互，以協助指揮官并保持對敵人的優勢

美國海軍陸戰隊（USMC）沒有很好的裝備來在網絡領域取得成功。美國海軍陸戰隊訓練和教育司令部（TECOM）已經將這一能力差距確定為一個主要的問題聲明："海軍陸戰隊沒有接受過應對同行威脅的訓練，在這種情況下，我們不再享有數量或技術優勢的歷史優勢。為了在未來的戰場上取勝，我們必須提供一個學習框架，以發展適應性和決定性的海軍陸戰隊，并提供訓練環境，以產生能夠產生決定性效果的互操作單位"［4］。

信息技術的進步產生了一個以網絡為中心的應用框架[5]，可以幫助縮小能力差距，使美國海軍陸戰隊保持對對手的網絡優勢。

1.1 MDOC5i

在為滿足指揮官的指導并使美國海軍陸戰隊為網絡戰場做好準備而采取的舉措中，海軍陸戰隊已經建立了多域作戰指揮、控制、計算機、通信、作戰系統和情報（MDOC5i）。MDOC5i是一個基于陸軍網絡信息管理環境（ANIME）的系統，提供了一個以網絡為中心的因果動態數字孿生環境。利用基于實體的模擬，MDOC5i提供以網絡為中心的互操作性和決策模型，可以增強多域作戰（MDO）[6]。MDOC5i計劃 "提供基層開發的技術，使操作人員能夠'推斷和適應'不斷變化的戰斗空間的需求" [7]。MDOC5i確定了需要改進的三個問題領域：互操作性、信息處理和利用，以及文化轉變[7]。

隨著戰場的不斷發展，聯合解決方案將是獲得優勢的關鍵。這些互操作性的解決方案將依賴于網絡和通信能力。互操作性是指與整個服務的各種通信系統相關的所有設備之間的通信能力。因此，目前在互操作性方面的差距需要被彌補，以進行聯合行動。系統之間的互操作性還沒有通過一個標準化的通用方法來實現[7]。MDOC5i認為這個問題的根源在于，當前系統所使用的所有網絡都被認為是彼此獨立的領域，而不是一個統一的作戰指揮和控制（C2）系統[7]。

MDOC5i解決的下一個問題是信息處理和利用。這個問題指的是目前整個海軍陸戰隊沒有能力處理大量的信息。數據通常很豐富，而且隨著傳感器能力的增長，數據會越來越豐富，但很難分析所有的數據并從噪音中分出有用的數據。鋪天蓋地的數據如果不進行適當的分析，對決策過程是無用的，甚至是有害的。這個問題被具體描述為："當前行動和數據收集的速度超過了我們處理、識別和獲取可操作情報的能力，以快速評估、調整和修改計劃和實時COA，從而優化部隊投射、殺傷力，并實現持久的超額配給"[7]。

為了提高處理越來越多的數據和跟上快速發展的戰場的能力，作戰人員需要關注人機互動。這種關系對于能夠在可操作的時間范圍內將大量的數據轉化為有用的信息，從而做出更好的決定至關重要。更好的人機交互可以幫助確保 "數據處理和決策的速度與行動的速度相稱" [7]。

解決的最后一個問題，即文化轉變，涉及美國防部需要調整其在數據整合和聯合行動方面的重點。雖然國防部致力于為作戰人員提供可操作的情報，但其方法是無效的和低效的[7]。此外，各個軍種制定了自己的就業方法和情報方式，這往往會導致聯合行動的無效性。為了在目前存在的動態戰場上作戰，各軍種必須共同努力，"使能力與任務、標準操作程序、訓練戰術和協議、采購和部署政策以及作戰部隊的整體文化相一致" [7]。

1.2 MDOC5i應用于海軍陸戰隊

5月9日至5月13日，MDOC5i在海軍陸戰隊空地作戰中心（MCAGCC）二十九棕櫚島與第七海軍陸戰隊進行了演示。這次初步測試的目的是展示MDOC5i所帶來的增強的火力能力，并確定MDOC5i通過提供共同情報圖像（CIP）--共同作戰圖像（COP）和決策支持來增強整個海軍陸戰隊空地特遣部隊（MAGTF）的MDO的可行性。

在MCAGCC Twenty-Nine Palms進行的MDOC5i演習成功地描述了該系統的防火能力。MDOC5i系統使用最先進的掃描機制和瞄準系統，將標準裝備的區域射擊武器轉變為精確射擊武器平臺，能夠在幾乎沒有歸零的情況下有效地攻擊目標。雖然這本身就大大增加了海軍陸戰隊的殺傷力，但增強的火力能力僅僅是MDOC5i概念所提供的效用的開始。底層系統使用全球信息網絡架構（GINA），一個矢量關系數據建模（VRDM）平臺，以使所有通過網絡連接的單位都能獲得準確的COP和CIP。這在戰場上提供了一個優勢，因為所有單位都獲得了意識，并將能夠為共享系統提供輸入，從而產生最準確的CIP-COP。

這些投入可以用來幫助決策和影響有利于沖突空間競爭的活動。

這一過程的關鍵使能部分之一是GINA內的決策模型，它能使人采取行動。在二十九棵樹的演示中，海軍陸戰隊員被展示了使用標準武器系統對選定目標進行第一輪射擊的能力。選定的目標出現在通過網絡連接的所有信息顯示器上。為了實現目標定位，GINA模型接受目標的輸入并將信息傳遞給所有用戶。系統首先決定該目標是一個有效的目標還是一個重復的目標。它通過一個專門設計的決策模型來實現這一目標，該模型將確定的目標與其他繪圖的目標進行比較。如果新的目標在指定的距離內，程序會認為它是重復的。這可以防止信息過載，使指揮官對現有的威脅有最準確的描述，以便更好地決定如何使用武器系統來對付敵人的目標。因此，在這個特定的例子中，輸入的是確定的目標位置，決定的是該目標是合法的還是重復的，決定的標準是確定與其他已經繪制的目標的距離，結果是對威脅的準確描述，使海軍陸戰隊能夠最好地與敵人作戰。

在演示中，決策與識別目標有關，而影響的行動與射擊有關。然而，如前所述，增強射擊能力只是MDOC5i通過基于VRDM的GINA平臺所能提供的好處的開始。創建和采用為指揮官提供最新的CIP-COP并幫助決策的模型將對海軍陸戰隊和國防部（DOD）的所有方面都有用。按照目前的情況，每次實施新的模型時，都需要從頭開始創建新的決策模型。

1.3 論文重點和MDOC5i的聯系

海軍研究生院（NPS）論文的目的是在GINA平臺上使用VRDM建立一個不可知的決策模型。重點是該模型的普遍性，以便它可以很容易地被塑造為未來的情景。該決策模型擴展了無處不在的數據表概念，以包含關于數據的信息屬性，并允許通過基于屬性的真值表關系實現來自數據屬性和信息屬性（邏輯類型）的知識屬性。因此，模型將數據轉化為信息，然后從已知的真值（既定協議）中獲取狀態和規定過程的知識，然后模型執行相應的過程。這表明了該方法的普遍性，并使任何數據任務的數據轉化為行動。本論文驗證了使用基于模型的配置方法，該方法由數據、真值表和狀態的概念對象組成，可用于人在/在環的自動數據決定-行動，并可在知識管理圖框架內為任何任務進行管理。

建議的模型在通過分析可擴展消息和存在協議（XMPP）消息來確定網絡健康狀況的情況下進行測試。該模型的輸入是可擴展標記語言（XML）消息，旨在復制大規模戰術網絡的數據包捕獲（PCAP）中捕獲的XMPP消息。雖然網絡診斷分類本身很重要，并證明了功能，但主要的效用將在于決策模型的普遍性。因為該模型是不可知的，它可以很容易地被修改以適應一系列所需的場景。務實地說，它可以作為所有其他GINA實施的基礎模型，使海軍陸戰隊實現信息超配。

1.4 假設和研究問題

本論文的假設是，GINA將被證明是一個高效的平臺，在這個平臺上實現一個可以輕松配置的泛在決策模型，以應對多種情況。在這個假設的核心，主要目標是利用GINA架構成功地設計和實現一個無所不在的決策模型。這項任務已經完成，證明了主要假說的正確性。

本論文的問題包括。

1.無處不在的決策模型能否在GINA的界面中實現？

2.GINA是否為機器學習（ML）提供了一個可行的、可操作的替代方案，該模型是否達到了與傳統機器學習技術相同的效果？

3.該模型是否有切實的方面證明比傳統機器學習技術優越？

4.該模型和GINA平臺能否用于大規模網絡流量分析？

與假設一致，第一個問題是最重要的，并且被證明是正確的。所實施的決策模型應該能夠促進并推動未來的工作。其余的問題涉及模型的可擴展性和與傳統技術相比的性能。雖然這兩個概念都沒有直接解決，但該模型提供了肯定的機會來測試這些概念。

1.5 使用的工具

為了成功地理解決策模型的實施和它可以應用的規模，有必要了解所涉及的工具。其中一些應用在本論文中直接使用。其他的是在MDOC5i中使用的，對于理解這個模型如何推導到多種情況下是很有用的。這些工具也提供了很好的背景，對未來的工作有好處。

1.5.1 全球信息網絡架構

GINA 是一個基于云的、提供可執行建模環境的 VRDM 平臺，該平臺產生的模型能夠進行推理和適應[7], [8]。該架構通過其反思性的、可執行的、基于組件的、與平臺無關的和模型驅動的構造，提供先進的數據、信息和知識的互操作性[9]. 該平臺使用一種語義結構，使應用領域的用戶能夠理解組成的模型組件，并形成具有半知覺行為的系統，這對動態任務需求的適應性和可配置的靈活性至關重要。該創新平臺是松散耦合的，這意味著它可以通過配置創建模型，使用來自遺留系統、現有系統或未來系統的各種輸入[8]，而不會破壞或重新編譯。由于概念性的信息對象構造可以臨時引入，并可能存在于任何領域，GINA提供了誘人的可能性，美國防部正在探索這種可能性[2]。

GINA技術由方法論、開發工具和可執行模型的部署平臺組成，可作為軟件程序使用。這些模型不需要被編譯，而是在元數據中定義并實時編譯。該平臺使用通過配置實現的行為、環境和因果的建模概念，以提供定義、操作和互操作性[10]。GINA可以通過其名稱的組成部分進一步理解。"全球 "指的是該平臺通過多層抽象包含了所有的數字表示。"信息 "指的是可以被建模和管理的靜態和動態數據以及互動關系。"網絡 "指的是可以通過模型和圖表顯示、參考和管理的所有互聯關系的數字表示。"架構 "意味著GINA是被使用的系統，專門用于制作行為、背景和因果關系的可執行模型[10]。

第二章將深入討論GINA的優點和特點。

1.5.2 ANIME Dark Stax

Dark Stax是一個由ANIME開發和使用的工具，能夠以接近實時的速度創建復雜系統的數字孿生體。這些數字孿生體可以用來操作克隆的系統進行數據操作和決策分析。這種聯合有助于數據驅動的決策過程。這個工具能夠創建戰術網絡的克隆，并過濾PCAP數據，為網絡診斷模型創建輸入[10]。Dark Stax工具由Ad Hoc維護和運行。他們對該工具的掌握為首要的人工智能（AI）技術和VRDM技術的結合提供了巨大的效用。

1.5.3 StarUML

StarUML是一個開源的軟件建模平臺，支持統一建模語言（UML）[11]。它被設計為支持簡明和敏捷的建模，并提供系統疊加的可視化描述[12]。本文使用UML圖來描述實現的VRDM模型的靜態和動態方面。UML并沒有捕捉到VRDM模型中包含的所有細節，但它確實捕捉到了最重要的信息，并提供了模型中連接的清晰疊加。

在這個項目中，它只被用于GINA模型的可視化和文檔化。然而，我們的意圖是使GINA能夠接受UML設計作為輸入。因此，一個系統可以用UML建模并輸入到GINA中，以放棄配置。

1.5.4 目標光標仿真器

Cursor On Target（COT）"是一個互聯網協議和一個基于XML的機器對機器模式，可以被任何系統讀取和理解，使專有和開放源碼系統能夠相互通信"[13]。模擬器在GINA模型中被用來模擬XMPP流量。XMPP消息的樣本在一個文本文件中生成。然后，Cursor On Target Simulator（COTS）模擬器將文本文檔的內容作為XML輸入到GINA。這個XML是決策模型的輸入。

當前的深度學習研究以基準評價為主。如果一種方法在專門的測試集上有良好的經驗表現，那么它就被認為是有利的。這種心態無縫地反映在持續學習的重現領域，在這里研究的是持續到達的基準數據集。核心挑戰是如何保護之前獲得的表示，以免由于迭代參數更新而出現災難性地遺忘的情況。然而，各個方法的比較是與現實應用程序隔離的，通常通過監視累積的測試集性能來判斷。封閉世界的假設仍然占主導地位。假設在部署過程中，一個模型保證會遇到來自與用于訓練的相同分布的數據。這帶來了一個巨大的挑戰，因為眾所周知，神經網絡會對未知的實例提供過于自信的錯誤預測，并在數據損壞的情況下崩潰。在這個工作我們認為值得注意的教訓來自開放數據集識別,識別的統計偏差以外的數據觀測數據集,和相鄰的主動學習領域,數據增量查詢等預期的性能收益最大化,這些常常在深度學習的時代被忽略。基于這些遺忘的教訓，我們提出了一個統一的觀點，以搭建持續學習，主動學習和開放集識別在深度神經網絡的橋梁。我們的結果表明，這不僅有利于每個個體范式，而且突出了在一個共同框架中的自然協同作用。我們從經驗上證明了在減輕災難性遺忘、主動學習中查詢數據、選擇任務順序等方面的改進，同時在以前提出的方法失敗的地方展示了強大的開放世界應用。

//www.zhuanzhi.ai/paper/e5bee7a1e93a93ef97e1c

概述：

隨著實用機器學習系統的不斷成熟，社區發現了對持續學習[1]、[2]的興趣。與廣泛練習的孤立學習不同，在孤立學習中，系統的算法訓練階段被限制在一個基于先前收集的i.i.d數據集的單一階段，持續學習需要利用隨著時間的推移而到來的數據的學習過程。盡管這種范式已經在許多機器學習系統中找到了各種應用，回顧一下最近關于終身機器學習[3]的書，深度學習的出現似乎已經將當前研究的焦點轉向了一種稱為“災難性推理”或“災難性遺忘”的現象[4]，[5]，正如最近的評論[6]，[7]，[8]，[9]和對深度持續學習[8]，[10]，[11]的實證調查所表明的那樣。后者是機器學習模型的一個特殊效應，機器學習模型貪婪地根據給定的數據群更新參數，比如神經網絡迭代地更新其權值，使用隨機梯度估計。當包括導致數據分布發生任何變化的不斷到達的數據時，學習到的表示集被單向引導，以接近系統當前公開的數據實例上的任何任務的解決方案。自然的結果是取代以前學到的表征，導致突然忘記以前獲得的信息。

盡管目前的研究主要集中在通過專門機制的設計來緩解持續深度學習中的這種遺忘，但我們認為，一種非常不同形式的災難性遺忘的風險正在增長，即忘記從過去的文獻中吸取教訓的危險。盡管在連續的訓練中保留神經網絡表示的努力值得稱贊，但除了只捕獲災難性遺忘[12]的度量之外，我們還高度關注了實際的需求和權衡，例如包括內存占用、計算成本、數據存儲成本、任務序列長度和訓練迭代次數等。如果在部署[14]、[15]、[16]期間遇到看不見的未知數據或小故障，那么大多數當前系統會立即崩潰，這幾乎可以被視為誤導。封閉世界的假設似乎無所不在，即認為模型始終只會遇到與訓練過程中遇到的數據分布相同的數據，這在真實的開放世界中是非常不現實的，因為在開放世界中，數據可以根據不同的程度變化，而這些變化是不現實的，無法捕獲到訓練集中，或者用戶能夠幾乎任意地向系統輸入預測信息。盡管當神經網絡遇到不可見的、未知的數據實例時，不可避免地會產生完全沒有意義的預測，這是眾所周知的事實，已經被暴露了幾十年了，但是當前的努力是為了通過不斷學習來規避這一挑戰。選擇例外嘗試解決識別不可見的和未知的示例、拒絕荒謬的預測或將它們放在一邊供以后使用的任務，通常總結在開放集識別的傘下。然而，大多數現有的深度連續學習系統仍然是黑盒，不幸的是，對于未知數據的錯誤預測、數據集的異常值或常見的圖像損壞[16]，這些系統并沒有表現出理想的魯棒性。

除了目前的基準測試實踐仍然局限于封閉的世界之外，另一個不幸的趨勢是對創建的持續學習數據集的本質缺乏理解。持續生成模型(如[17]的作者的工作,[18],[19],[20],[21],[22]),以及類增量持續學習的大部分工作(如[12]中給出的工作,[23],[24],[25],[26],[27],[28])一般調查sequentialized版本的經過時間考驗的視覺分類基準如MNIST [29], CIFAR[30]或ImageNet[31],單獨的類只是分成分離集和序列所示。為了在基準中保持可比性，關于任務排序的影響或任務之間重疊的影響的問題通常會被忽略。值得注意的是，從鄰近領域的主動機器學習(半監督學習的一種特殊形式)中吸取的經驗教訓，似乎并沒有整合到現代的連續學習實踐中。在主動學習中，目標是學會在讓系統自己查詢接下來要包含哪些數據的挑戰下，逐步地找到與任務解決方案最接近的方法。因此，它可以被視為緩解災難性遺忘的對抗劑。當前的持續學習忙于維護在每個步驟中獲得的信息，而不是無休止地積累所有的數據，而主動學習則關注于識別合適的數據以納入增量訓練系統的補充問題。盡管在主動學習方面的早期開創性工作已經迅速識別出了通過使用啟發式[32]、[33]、[34]所面臨的強大應用的挑戰和陷阱，但后者在深度學習[35]、[36]、[37]、[38]的時代再次占據主導地位，這些挑戰將再次面臨。

在這項工作中，我們第一次努力建立一個原則性和鞏固的深度持續學習、主動學習和在開放的世界中學習的觀點。我們首先單獨回顧每一個主題，然后繼續找出在現代深度學習中似乎較少受到關注的以前學到的教訓。我們將繼續爭論，這些看似獨立的主題不僅從另一個角度受益，而且應該結合起來看待。在這個意義上，我們建議將當前的持續學習實踐擴展到一個更廣泛的視角，將持續學習作為一個總括性術語，自然地包含并建立在先前的主動學習和開放集識別工作之上。本文的主要目的并不是引入新的技術或提倡一種特定的方法作為通用的解決方案，而是對最近提出的神經網絡[39]和[40]中基于變分貝葉斯推理的方法進行了改進和擴展，以說明一種走向全面框架的可能選擇。重要的是，它作為論證的基礎，努力闡明生成建模作為深度學習系統關鍵組成部分的必要性。我們強調了在這篇論文中發展的觀點的重要性，通過實證證明，概述了未來研究的含義和有前景的方向。