本綜合研究項目探討如何將人工智能（AI）與機器學習（ML）技術融入聯合部隊規劃流程，重點研究如何通過技術增強聯合規劃中的通用作戰視圖（COP）與行動方案（COA）制定。通過分析AI/ML技術應用的技術、組織、資源和倫理維度，本研究識別出優化態勢感知與決策能力的關鍵機遇。這些AI/ML技術能夠處理海量數據、精簡規劃任務并提供可操作見解，同時強調健全的數據采集、結構化與管理體系的必要性。研究剖析了組織架構層面影響（包括角色轉換、分工調整及外部供應商引入機制），并探討作戰限制條件下資源需求與系統可持續性面臨的挑戰。倫理考量及“負責任人工智能”原則貫穿整個分析過程，確保技術應用與社會價值觀及軍事準則保持一致。

研究采用非結構化訪談與次級數據審查方式，評估軍隊內部自上而下與自下而上整合AI/ML技術的實踐效果。研究識別出數據標準化、跨密級數據訪問、組織實踐與新興技術適配性等多重整合障礙。核心發現強調建立集中化且具備適應性的框架機制至關重要，在此基礎上提出推進軍事規劃中AI/ML能力的具體建議。該研究為運用AI/ML保持戰略優勢的宏觀目標提供支撐，并為在復雜動態軍事環境中開發、應用及優化相關技術貢獻洞見。

核心發現

1. 技術挑戰：成功的AI整合需要獲取海量經專業處理且適配AI/ML模型的結構化數據。盡管AI能自動執行重復性任務（如數據過濾與目標識別），但其效能依賴于結構化數據格式與強健的數字基礎設施。MAVEN智能系統（MSS）及STOMRBREAKER等新興工具證實，AI可通過提升傳感器數據融合與異常檢測能力來優化COP生成。

2. 組織影響：AI整合要求文化與架構的雙重變革。規劃人員需提升技能以有效運用AI工具，軍事組織需將私營供應商納入規劃流程。AI的應用將重塑指揮部運作模式，重新分配職責并減輕人員負擔。

3. 資源需求：AI系統需要穩定云基礎設施、帶寬資源及強大算力支撐，其在作戰環境中持續運維面臨挑戰。當前自下而上的實踐常缺乏長期資金支持，而自上而下的戰略部署亟需提升與作戰需求的契合度。

4. 倫理考量：對AI輸出的可信度決定作戰成敗。AI系統必須遵循“可靠、透明、可監管”的負責任人工智能原則，同時規避數據偏見、過度依賴及幻覺（AI生成錯誤）等風險。

盡管AI為優化規劃流程帶來巨大機遇，但其成功應用取決于技術挑戰的突破、組織架構的重塑及可持續資源的投入。通過負責任地部署AI技術，美軍有望提升決策質量、保持作戰優勢，并在日益復雜的戰場環境中掌控主動權。

網絡空間如同陸地領域，必須予以防御。美國陸軍正通過"防御性網絡作戰項目辦公室"（PM DCO），根據任務與威脅態勢向網絡作戰人員（如網絡防護分隊和區域網絡中心）提供創新型主導性網絡能力。本前沿技術報告深入探析防御性網絡作戰（DCO）的網絡安全測試活動，涵蓋漏洞探測、脆弱性分析、持續監控、情報支持、風險緩釋/修復、事件關聯、滲透測試、威脅仿真及惡意軟件分析等環節。報告界定并闡釋適用于DCO的美國國防部核心網絡安全戰略與政策，探索驗證被測系統效能與網絡彈性的軟件工具及測試場景，最后通過三個具體用例詳述PM DCO實施網絡測試與評估的操作流程。

測試與評估（T&E）對國防部門整體采辦流程至關重要。T&E活動提供關鍵數據，用以驗證全域作戰的功能性、技術性與實戰能力，并在最終采辦或列裝決策前識別、分析、修正系統缺陷。T&E流程賦予決策者與實操工程師充分洞見，協助管控作戰風險、度量技術進展，并在采辦進程演進中評估作戰效能、適用性、生存性及殺傷力。依據《國防部網絡安全測試與評估指南》：網絡安全T&E旨在系統部署前識別并消除威脅軍事能力作戰韌性的可被利用漏洞，涵蓋安全性、生存力及安保體系。早期漏洞發現能顯著降低修復成本，減少對項目進度與性能的影響。

為推進國防網絡安全T&E體系建設，美軍多部門協同保障陸軍武器系統、裝備、網絡安全體系、信息系統及電子戰行動的網絡能力與生存性。國防部已制定相關硬件軟件的研發測試策略指南，并配備專用工具支撐整體T&E與網絡任務。面對日新月異的網絡安全態勢，確保國防部人員掌握規范流程、程序及工具以實施風險管控，保障網絡軍事行動與作戰人員安全至關重要。本報告首先闡述美軍核心測試組織架構；第二章解析適用于DCO的網絡安全戰略；隨后界定DCO項目采用的網絡T&E活動，逐項說明陸軍網絡司令部（ARCYBER）對應的工具鏈與分析手段；最終通過三個典型用例展現PM DCO實施網絡T&E的全過程。

國際安全環境正日趨復雜化。快速發展的技術賦能了更多類型的行為體，加之全球媒體即時傳播效應，使得參與者數量與類別持續激增——此現象雖非全新議題，但現有情報體系仍未能有效應對21世紀的復合型安全挑戰。本研究嘗試通過將復雜性科學融入情報工作探尋解決路徑。本導論章節分四部分闡述研究框架：首節解析情報工作與當前安全挑戰的關聯性；次節闡明研究目標及擬填補的知識空白；第三節提出核心問題陳述及配套研究問題；末節則通過章節概要及研究模型呈現整體結構。

1 劇變中的情報環境??

俄烏戰爭凸顯了情報工作的核心地位。2022年戰爭爆發前，美英情報機構前所未有地大規模公開預警情報評估——這與法德情報部門遭遇突襲形成鮮明對比，彰顯了情報任務的復雜性。此次戰爭展現出情報革新的空前強度：國家情報機構、私營企業、社交媒體個體及智庫每日更新戰線變化、人員裝備損失和作戰戰術評估。開源情報已成主流民主化工具，無人機普及使偵察與目標定位能力延伸至基層單位，烏克蘭政府更推出全民通報俄軍動向的移動應用。俄烏戰爭印證了情報界共識：過去數十年間國際格局與軍事行動環境已發生深刻變革。冷戰兩極體系演變為多極化世界，各類行為體與聯盟競逐政治、軍事及經濟利益，世界互聯性顯著增強。此進程的加速器是全球化：全球人流、物流、服務流與思想流空前活躍，并與以互聯網、計算機和移動通信為標志的信息革命深度交織。

上述動因的聚合效應導致工業時代式微。國際秩序正從基于規模化商品生產的社會經濟體系，轉向以信息占有交換為核心的全球化信息時代。以信息流通為命脈的情報體系卻未能適應轉型，其突出表現為21世紀初兩起標志性情報失誤："9·11"恐襲與伊拉克大規模殺傷性武器誤判。兩次失誤均引發大規模軍事入侵（阿富汗與伊拉克），最終演變為漫長血腥的反叛亂行動。隨后的全球反恐戰爭（GWOT）表明：盡管變革動因多元，情報學界仍將非國家行為體崛起視為首要驅動因素。作為全球化的必然產物，GWOT使情報工作深度聚焦跨境叛亂、國際恐怖主義及有組織犯罪——這些文獻中統稱"跨國威脅"的群體具有"適應性""互聯性""多樣性""復雜性"等特征，與傳統情報關注的靜態國家行為體存在本質差異。然而俄烏戰爭證明，國家行為體仍是情報工作重點。現代威脅同時源自國家、非國家乃至個體行為體。

除物理空間外，此類威脅同樣活躍于網絡域及軍事術語所稱的"人文環境"。現代威脅采用混合戰略，融合軍事與非軍事手段，在和平與戰爭間的灰色地帶實施全球行動，將信息、身份認同與意識形態武器化并協同動能武力。高度互聯的世界使行為體能通過行動與思想迅速產生全球影響。在多重互聯動因驅動下，世界呈現深度復雜性與不確定性——烏克蘭戰爭不過是最新例證。當代情報問題已非冷戰時期的簡單謎題，更似非結構化難題。但情報組織架構仍沿襲冷戰模式未變。

近期情報失誤表明，情報體系升級迫在眉睫。實現路徑卻更為復雜：既然現代威脅及整個安全環境具有復雜性，那么從上世紀創立至今基本未變的情報理論、組織形式與流程，其有效性何在？21世紀的情報工作應如何審視？本研究主張：以復雜適應系統為研究對象的復雜性科學，為洞察行動環境威脅與情報組織變革提供了全新路徑。此推論雖合乎邏輯，情報學研究迄今仍未吸納復雜性科學的思想方法（見第4章）。矛盾在于：盡管學界普遍認同威脅與安全環境復雜性加劇，卻未通過轉向復雜性范式來推動情報體系適應新環境。因此本研究致力于汲取復雜性科學洞見并應用于情報領域，下節將深入闡釋此構想。

??2 問題陳述與研究問題??

本研究旨在通過理論貢獻（復雜性科學）與實證貢獻（案例研究）推動情報學發展，并著重關注軍事情報領域。據此提出以下核心問題陳述：

• ??復雜性科學如何促進情報轉型？??

此處將情報體系升級目標表述為"情報轉型"。需區分該概念與當前學界描述情報（必要）變革的常用術語："改革/重組"和"革命"。第一類"改革/重組"常見于情報體系內部實踐，以美國為典型代表——該國常在重大情報失誤后啟動情報界調查并實施調整，但實際效能提升存疑。哈蒙德指出："盡管諸多情報界'改革'方案難以落實，組織結構調整卻頻繁實施（無論正確與否，因結構問題看似更易解決）"。此類改革通常僅是現有實體與架構的官僚體系重組。阿格雷爾補充道："重大重組往往流于表面，人員未變僅組織結構圖更新"。皮拉爾更直言："要求美國情報界適應冷戰后時代的呼吁已成無意義陳詞濫調——重組沖動本質是環境噪聲，而非有效適應機制"。

在官僚框架下推進的改革與重組屬漸進式演進。與之相對，第二類改進路徑主張對系統實施快速徹底的革命性變革。學界持此革命論者雖屬少數，但其聲量催生出"情報事務革命"（RIA）術語，以此區別于數量龐大的改革重組研究。整體而言，情報體系反思呈高度碎片化。拉赫曼總結道："研究焦點與方法差異顯著。因情報事業具高度復雜性，多數研究僅聚焦局部領域，例如組織架構、分析流程、決策者-分析師關系、開源情報（OSINT）、秘密行動或信息技術角色等功能維度"。

本研究提出的"情報轉型"區別于上述路徑：既非漸進式改革重組（因其超越既有體系緩慢調整范疇），亦非暴力革命（因其質疑突變式變革的可行性）。據劍橋在線詞典定義，轉型系指"通過根本性改變事物或人之外觀或特性以實現質變"。情報轉型意味著構建全新范式，雖具革命性卻摒棄暴力突變屬性——時間維度并非轉型本質要素。本研究同時認為情報體系各領域進化速度不均（如技術適應快于政治監督），第3章將詳述各維度發展差異。

在堅持轉型與革命創新性的前提下，本研究承認新范式的闡釋需借助既有語言與概念體系。鑒于改革重組路徑存有局限，本研究聚焦革命與轉型之共性：追求系統性根本變革。

此外設定四個研究問題引導研究：

1. 情報轉型的現狀如何？
2. 情報體系如何演進？
3. 復雜性科學與情報工作存在何種關聯？
4. 軍事情報組織如何應對復雜作戰環境？

3 研究結構??

為解答核心問題，本文構建包含章節概要及研究模型的結構體系。該結構采用??級聯模型??——各章節逐層遞進，前一章節結論作為后章節研究基礎。研究框架通過理論章節積累成形，繼應用于案例研究，終以結論章節收束。

繼本章導論后，??第二章??回應"情報轉型現狀如何？"，聚焦情報周期、情報理論與情報范式三大轉型核心維度。??第三章??著力解決"情報慣習如何演進？"，通過借鑒法國哲學家皮埃爾·布爾迪厄（Pierre Bourdieu）的"慣習"（habitus）概念，審視轉型問題是否超越理論學術范疇。本章采用巴里·布贊（Barry Buzan）與莉娜·漢森（Lene Hansen）在《國際安全研究的演進》（2009）提出的"五大驅動力"框架（大國政治、技術演進、重大事件、學術爭論與制度化），對學術文獻、專業報告與條令文件展開全面研究，以此規避轉型討論的碎片化局限。該框架及"情報慣習"概念釋義詳見第三章。

??第四章??旨在回應"復雜性科學與情報工作存在何種關聯？"。首先梳理情報文獻中的既有復雜性認知，進而銜接復雜性科學理論；同步考察戰爭復雜性研究及組織復雜性理論文獻，構建復雜性科學與情報學的聯結橋梁。??第五章??闡述案例研究的具體方法論。

??第六、七、八章??組成實證研究部分，對應"軍事情報組織如何應對復雜作戰環境？"之問。案例研究基于對"北約多國聯合司令部東北部戰區"（MNC NE）人員的結構化訪談，輔以非正式會談、參與式觀察、內部文件查閱及案頭研究。??末章??通過提出"復雜性理論如何促進情報轉型？"的解決方案，形成提升復雜環境下情報效能的建議。??第九章??反思研究過程并指明后續研究方向。

圖1描繪本研究模型示意圖：白色框體代表研究基礎來源，藍色框體標注章節序號及對應研究問題。

超視距空戰（BVR）作為現代空戰的核心形態，依賴先進雷達、導彈系統與決策支持技術。本文系統綜述仿真與機器學習（ML）工具在BVR空戰分析中的應用，涵蓋方法論、實踐場景與技術挑戰。研究聚焦機器學習如何賦能自適應戰術以提升行為識別與威脅評估能力，從而增強態勢感知效能。本文追溯BVR空戰的歷史演進，解析探測、導彈發射與戰后評估等關鍵交戰階段，重點探討仿真環境在構建實戰化空戰場景、支撐飛行員訓練及驗證AI驅動決策策略中的作用。通過對比前沿仿真工具的多智能體協同與實時適應性研究能力，分析其優勢與局限。本綜述的核心貢獻包括：闡述機器學習在BVR空戰中的具體應用、評估仿真工具效能、識別研究缺口并指明未來方向，為傳統仿真方法與人工智能在動態對抗環境中融合構建先進人機決策體系提供全景式解析。

超視距空戰（BVR）作為現代空戰的核心要素，其典型特征為飛行員目視范圍外的遠程交戰。該作戰模式高度依賴先進雷達系統、遠程導彈與探測跟蹤技術，旨在實現目視接觸前摧毀敵方目標。隨著空戰形態演進，BVR交戰重要性日益凸顯，需創新性方案應對遠程對抗挑戰。BVR的戰略價值在于其能賦予兵力先發制人能力并維持戰術優勢，但其復雜性要求跨學科技術整合——包括傳感器融合、目標跟蹤、決策算法與導彈制導系統——以提升交戰效能、確保任務成功并增強飛行員態勢感知（SA）。

視距內空戰（WVR）發生于較短距離，常依賴機動性、速度與瞄準精度進行近距格斗。相比之下，BVR通過先進傳感器與遠程導彈壓制對手。盡管存在差異，BVR可能隨戰機逼近轉為WVR交戰，因此需兼備兩種域作戰能力。

本文全面綜述BVR空戰前沿方法與技術，聚焦最新進展與戰略路徑。首先追溯BVR歷史沿革，從早期空對空導彈（AAM）系統演進至現代多傳感器平臺，解析關鍵技術突破及其對戰法的影響。其次剖析BVR交戰核心階段（探測、導彈發射、支援與規避機動），闡釋本文所述方法如何提升作戰效能。隨后評述關鍵方法論，包括動態環境自適應決策的機器學習（ML）算法與人工智能（AI）在交戰及自主戰術中的作用，其應用涵蓋飛行員決策支持系統至無人機（UAV）作戰。最后強調仿真工具在戰術開發、飛行員訓練與算法驗證中的價值，討論通用與專用平臺在復雜作戰場景建模中的適用性。

據所知，此為首次針對BVR空戰中仿真與ML應用的專題綜述。現有空戰綜述多泛化論述或將BVR作為次要議題。多數遠程交戰ML研究僅見于論文相關章節，缺乏方法論與應用的系統整合。本文突破既往研究局限，跨多領域文獻提供ML與仿真增強決策與交戰策略的全景視角，分析現有仿真工具能力邊界及適用場景，識別未解挑戰與研究缺口，為未來研究指明方向。

本綜述核心貢獻包括：系統梳理BVR中ML方法體系及其在自主戰術決策中的作用；對比仿真工具在實戰化場景建模中的能力與局限；揭示ML與仿真技術融合提升戰術決策的瓶頸問題；展望研究趨勢，提出開放性問題并規劃領域發展路徑。

超視距空戰研究的多維應用

BVR空戰研究涵蓋自主決策、多智能體協同與飛行員訓練等多元領域。本節分類梳理近期進展，聚焦新興技術與方法如何提升戰術效能、適應性與任務成果。

A. 自主決策

自主決策涉及分析、選擇與執行可增強態勢控制與作戰效能的行動。研究提出多種方法支撐該能力，重點探索智能體如何建模戰術行為、執行目標推理（GR）并在復雜場景中輔助或替代人類飛行員。

文獻[61]提出基于粒計算的戰術特征降維方法；文獻[15][52]在計算機生成兵力（CGF）與GR框架下研究行為建模，使自主系統能在動態場景中作出適應性戰術決策。此類能力支持開發可分擔威脅應對或支援機動等任務的自主空戰智能體，與人類飛行員形成互補。文獻[48]開發了生成戰術對抗策略的飛行員輔助系統。

文獻[49]提出遺傳規劃（GP）框架以發掘空戰場景中的新型行為模式，賦能更具適應性與不可預測性的戰術；文獻[50][51]利用文法演化生成自適應CGF與人類行為模型（HBM），提升訓練仿真的真實性與適應性。

文獻[12]解析無人機空戰決策流程，將其劃分為態勢評估、攻擊規劃、目標分配與機動決策四階段；文獻[2]基于飛行員知識構建分層框架，將空戰拆解為多個子決策系統。

文獻[17]綜述深度強化學習（DRL）在BVR空戰中的應用；文獻[57]在高保真空戰仿真環境中探索新戰術的自主學習；文獻[53]開發基于DRL的智能體，通過自博弈模擬戰斗機戰術并生成新型空戰策略，使人類飛行員可與AI訓練體交互以提升決策與適應性；文獻[58]構建強化學習（RL）環境以實現空戰戰術自主學習與機動創新。

多篇研究將RL應用于一對一空戰場景。例如，文獻[54]提出自博弈訓練框架以解決長時域交戰中的動作控制問題；文獻[55]設計基于DRL的決策算法，通過定制化狀態-動作空間與自適應獎勵函數實現多場景魯棒性；文獻[59]通過改進Q網絡使智能體能從優勢位置接近對手以優化機動決策；文獻[56]提出基于真實武器仿真的DRL智能體構建方法；文獻[60]開發混合自博弈DRL智能體，可維持對不同對手的高勝率并提升適應性與性能。

B. 行為識別

行為識別對理解與預測敵方行動、支撐決策與戰略規劃至關重要。多項研究探索了復雜不確定作戰條件下識別與預測敵方行為的方法。

文獻[62]提出集成規劃與識別算法，證明主動觀測收集可加速行為分類；基于案例推理（CBR）框架，文獻[63][64][65]開發案例驅動行為識別（CBBR）系統，通過時空特征標注智能體行為，提升GR控制無人機的識別能力；文獻[66]結合對手建模與CBR識別敵方編隊行為。

針對數據不完整問題，文獻[70]提出基于多粒度粗糙集（MGRS）的意圖識別方法；文獻[68]將Dempster-Shafer理論與深度時序網絡融合以優化分類效能；文獻[71]采用決策樹與門控循環單元（GRU）實現一對一空戰狀態預測；文獻[1]提出基于級聯支持向量機（CSVM）與累積特征的分層方法進行多維度目標分類。

為識別戰術意圖，文獻[69]開發注意力增強型群體優化與雙向GRU模型（A-TSO-PBiGRU）檢測態勢變化；文獻[67]應用動態貝葉斯網絡（DBN）推斷飛行狀態與戰術動作的因果關系，提升編隊識別與態勢感知能力。

C. 制導與攔截

制導與攔截機制對提升導彈命中率（尤其針對高速機動目標）具有關鍵作用。

文獻[72]通過對比制導策略，識別可最小化攔截時間與機動負載的配置方案，優化不同作戰條件下的交戰選項；文獻[73]通過增強導彈特定攻角命中能力改進高超音速目標攔截效能，優化終段交戰條件；文獻[74]在無人作戰飛行器（UCAV）中采用自主制導技術提升瞄準精度，實現對機動空目標的有效打擊。

文獻[75]優化導彈飛行中的機動決策以支撐交戰規劃并提升模擬作戰成功率；文獻[76]通過動態攻擊區（DAZ）概率建模實現實時航跡修正，確保環境不確定性下的打擊精度；文獻[77]通過協同制導模型提升雷達與導彈協同效能，增強防空體系整體精度。

文獻[78]量化數據鏈質量對導彈效能的仿真影響，揭示更新延遲與誤差對導引頭激活及整體成功率的作用機制；文獻[79]改進雙脈沖發動機導彈點火控制與彈道修正技術，強化遠程目標攔截能力。

D. 機動規劃

機動規劃旨在計算運動基元序列以獲取戰術優勢。

該領域早期研究側重結構化評估與決策模型。文獻[80]提出包含態勢評估模型、機動決策模型與一對一對抗評估模型的框架；文獻[81]基于環境條件、威脅分布、武器性能與空戰規則開發戰術決策系統；文獻[82]整合戰術站位與武器能力的多維度要素，探索提升資源分配效能的目標分配（TA）策略。

近期研究聚焦學習驅動方法。文獻[83][84][85]應用深度強化學習（DRL）進行機動規劃，增強動態場景下的威脅規避與目標打擊能力，通過多初始交戰條件訓練提升智能體適應性；文獻[86]采用雙延遲深度確定性策略梯度（TD3）算法開發一對一對抗中的自主導彈規避策略；文獻[87]基于敵我相對方位與距離設計機動決策方法；文獻[88]結合DRL與蒙特卡洛樹搜索（MCTS），探索無需先驗飛行員知識或價值函數的機動規劃路徑。

E. 導彈交戰

導彈攻防需優化發射時機與機動策略以最大化攻擊效能與生存概率。

進攻方面：文獻[38]采用監督學習（SL）估算最優導彈發射時機以提升任務效能；文獻[89]提出雷達盲區機動控制方法實現隱蔽接敵；文獻[92]通過分析導彈捕獲區與最小規避距離，確定編隊空戰協同場景下的最佳發射距離與防御策略。

防御方面：文獻[90]為無人作戰飛行器（UCAV）設計基于分層多目標進化算法（EA）的自主規避機動策略以提升生存能力；文獻[91]將導彈規避問題建模為雙團隊零和微分博弈，其中一架戰機需在遠離來襲導彈的同時逼近非攻擊性目標。

協同作戰領域：文獻[93]提出基于武器有效區（WEZ）的協同占位方法；文獻[94]解決空對空導彈（AAM）發射后信息盲區難題。

F. 多智能體協同

多智能體協同作戰通過自主平臺間的協作決策、聯合戰術執行與響應優化，賦能協同攻擊策略、動態編隊重構及人機協同等應用場景。

文獻[95]將多無人機戰術策略應用于空對空對抗分解，將復雜交戰拆解為一對一單元案例以提升機動效率與作戰成功率；文獻[96]將協同站位分配與目標分配（TA）建模為零和博弈，采用混合雙Oracle算法與鄰域搜索在時限約束下優化解質量。

文獻[97]擴展戰術戰斗管理器功能，構建分布式系統檢測跨智能體任務數據差異以強化協同效能；文獻[98]通過面向角色的框架推進目標推理（GR）技術，增強通信受限自主智能體的協同能力；文獻[99]提出AlphaMosaic架構，將人類反饋整合至作戰管理系統（BMS），實現動態任務中基于信任的人機協作。

文獻[100]將群體智能適配固定翼無人作戰飛行器（UCAV），實現編隊飛行、自主重組與戰損后動態調整等行為；文獻[101]采用集中式AI規劃系統協調全態勢可觀測與可驗證的多智能體任務方案；文獻[102]通過兵棋推演驗證艦隊協同行為，優化戰術參數以提升均勢對抗任務成效。

文獻[42]利用仿真評估優化無人機戰術編隊應對不確定敵方行為；文獻[103]提出兩階段協同追擊策略，結合誘敵戰術與混合A*路徑規劃提升攔截成功率；文獻[104]設計多目標函數與GDT-SOS元啟發式驅動的自適應制導方法優化無人機占位效能。

文獻[3]通過分層強化學習架構使多智能體團隊通過自博弈與場景分解學習高低階戰術；文獻[105]將多智能體近端策略優化（PPO）應用于UCAV協同，將領域知識融入獎勵函數以提升性能；文獻[106]構建基于圖神經網絡的推理模型，結合專家知識建模復雜協作模式并簡化大規模交戰決策。

文獻[107]采用對抗自博弈與分層策略梯度算法學習超越專家基線的涌現策略；文獻[108]在集群機動中應用深度確定性策略梯度，聯合學習智能體協作與目標打擊；文獻[109]融合神經網絡與人工勢場技術，支持針對自適應對手的協同路徑規劃。

G. 作戰分析

作戰分析（OA）通過仿真、模型與評估指標衡量作戰效能、支撐戰術規劃并支持作戰決策。

文獻[11][40]應用隨機博弈模型分析不確定性下的多機對抗，解析超視距（BVR）場景中的協同策略與導彈分配；文獻[46][110][111]通過含人類操作員的仿真評估實戰條件下飛行員與團隊表現，聚焦作戰規程遵循度、認知負荷與共享態勢感知（SA）。

多項研究構建了面向訓練、戰術測試與作戰規劃的仿真平臺：文獻[8]開發戰術級空戰仿真系統以支持智能決策；文獻[112]設計用于評估巴西空軍軍事場景的ASA框架；其云端擴展版ASA-SimaaS實現可擴展自主仿真服務[113]；AsaPy工具集通過統計與機器學習（ML）方法提供仿真后分析功能[114]。

文獻[115]采用體系（SoS）仿真評估飛機設計、平臺互操作性及生存性、武器使用等任務級效能指標；參數化研究探究雷達截面積、導彈射程、飛行高度與通信延遲等變量對殺傷概率與整體作戰效能等指標的影響[116][120][121]；文獻[117]通過基于智能體的模型探索行為特征對仿真可信度的影響，增強對稱與非對稱BVR場景的驗證方法。

文獻[118]設計雙模通信協議以適配協同空戰網絡條件；文獻[119]強調仿真架構的可擴展性與靈活性，提出需構建能管理AI驅動實體與分布式決策流程的多智能體系統；文獻[122]開發高動態飛行條件驗證環境，評估大機動動作下光電系統性能。

文獻[123]建模網絡中心戰分析傳感器、指控系統與火控協同水平對作戰效能的影響；文獻[124][125][126]分別基于多準則決策（MCDM）、相關向量機與改進極限學習機（ELM）模型提出決策支持工具，為戰機性能與戰術配置提供量化評估。

H. 飛行員訓練

飛行員訓練通過先進仿真環境、績效評估與自適應學習技術提升戰備水平與作戰效能，旨在強化復雜空戰場景中的決策與態勢感知（SA）能力。

文獻[127]提出的回顧性績效評估方法為識別改進領域、指導針對性訓練調整提供洞見；文獻[130]探索行為建模技術以優化高壓條件下飛行員決策，增強訓練演習真實度。

文獻[131]探討的實況、虛擬與構造（LVC）環境集成方案，通過融合真實與仿真要素構建高擬真沉浸式訓練場景，使飛行員體驗多樣化作戰情境以提升環境適應性；文獻[129]提出績效加權系統優化訓練成效，確保飛行員高效達成能力基準。

文獻[18]綜述自適應訓練方法學，強調基于飛行員表現的AI驅動個性化內容生成技術進展；文獻[10][128]探討空戰行為快速適配與訓練仿真驗證方法，確保仿真系統精準映射真實作戰動態，通過提升響應速度與態勢理解能力提供直接影響訓練效能的實用工具。

I. 態勢感知

態勢感知（SA）是理解戰術環境（涵蓋敵我位置、行動與意圖）的核心能力，支撐交戰、占位與規避的明智決策，最終提升作戰效能與生存概率。

文獻[132]探索實時數據處理方法，賦能飛行員高效解析復雜信息；文獻[133]將SA擴展至團隊層級，驗證協同數據共享對任務連貫性與績效的增益。

威脅評估方面：文獻[137][152]解析敵方武器有效區（WEZ）判定方法，為飛行員提供戰略規避或對抗的空間感知；文獻[141]開發的實時威脅分析工具持續更新態勢數據，確保戰術動態調整；文獻[134][139][135]整合目標意圖預測至威脅評估體系，構建戰場態勢分析與威脅指數系統。

AI驅動SA方法：文獻[138][143]應用機器學習（ML）進行威脅檢測，加速飛行員威脅預判與響應；文獻[136]采用基于蒙特卡羅的概率評估方法優化不確定態勢下的風險管理；文獻[47]提出基于防御性制空（DCA）作戰指標的接戰決策支持工具；文獻[140]分析深度神經網絡（DNN）在WEZ最大射程估算中的應用。

文獻[142]利用機載傳感器數據與神經網絡實時評估擊落概率；文獻[6]提出對抗條件下機動靈活性估算方法，支撐編隊級決策。

J. 目標分配

目標分配（TA）涉及高效配置空對空導彈、防空導彈及戰機等資源以壓制敵方威脅，需在優化交戰效能的同時最小化資源消耗。

多篇研究聚焦提升作戰效能的分配方法：文獻[146][147][149]探討動態分配導彈與戰機至多目標的多目標分配（MTA）策略；文獻[148]提出多友機對多敵機的協同攻擊分配方法。

文獻[144][150]研究基于任務目標與約束的武器-威脅最優配對算法，以最大化殺傷概率并保存資源；文獻[145]引入融合目標優先級與交戰時序的改進分配模型；文獻[151]探索結合優化技術與實時戰術調整的混合方法以應對動態戰場。

仿真工具

仿真環境與工具對推進超視距（BVR）空戰研究至關重要，其能夠建模復雜場景、評估決策算法并優化作戰策略。此類工具涵蓋通用平臺至定制化系統，各具獨特功能以應對BVR空戰的不同維度。

多數平臺通過高層體系結構（HLA）與分布式交互仿真（DIS）等標準支持互操作性，促進跨仿真系統集成與實時同步。本節概述BVR空戰研究中常用工具，文末附表格總結核心工具特性、編程語言與互操作能力。

A. AFSIM：仿真、集成與建模高級框架

美國空軍研究實驗室開發的AFSIM[153]是BVR空戰研究中的主流平臺，支持靈活建模作戰環境、系統集成與任務規劃決策流程，常用于認知控制、行為識別與人工智能研究[15][62][63][64][65][66][97][99][101]。AFSIM支持與其他模型集成，實現戰略與戰術層級的實時交互仿真，賦能作戰管理與任務規劃研究。該平臺非開源，受美國政府法規管控。

B. ASA：空天仿真環境

巴西空軍開發的ASA（葡萄牙語Ambiente de Simula??o Aeroespacial縮寫）[112][113]是基于C++的面向對象仿真框架，專用于復雜空天行動建模，支撐態勢感知（SA）、任務規劃與作戰決策研究[38][42][47][53][114][117][140]。ASA支持機器學習技術與傳統仿真融合，優化戰術并預測敵方行為，其架構可精細建模任務參數、航空器系統與武器性能。該平臺非公開，受巴西政府法規管控。

C. 定制系統

定制系統采用Python、C++或MATLAB開發，專用于商用工具無法滿足的研究場景。由于電子戰模型、導彈制導與BVR技術多涉密，商用系統難以滿足開放性研究對復雜性、安全性與適應性的需求，故定制系統成為主流解決方案[8][11][40][55][56][59][61][67][68][70][72][73][74][76][77][79][81][82][83][84][88][89][92][93][94][95][96][98][103][104][105][108][110][111][116][118][122][123][124][125][126][135][137][139][142][145][147][148][149][151]。此類工具支持快速開發，適用于敏感領域研究。

D. DCS World：數字戰斗模擬器世界

DCS World[154]是商業化高保真戰斗飛行模擬器，以真實飛行動力學與精細模型著稱，廣泛應用于決策制定與強化學習（RL）作戰研究[54][86]。其開放式架構支持自定義模塊開發，賦能研究者模擬動態高烈度BVR空戰場景，成為真實作戰條件下測試AI驅動智能體的理想平臺。

E. FLAMES：靈活分析與建模效能系統

FLAMES[155]是模塊化商業仿真框架，支持開發與運行實況-虛擬-構造（LVC）仿真，具備實時可視化、場景管理與作戰分析（OA）功能，適用于任務規劃與作戰模擬[38]。盡管靈活性高，但其商業許可可能限制可訪問性，且復雜架構對快速原型開發或資源受限研究構成挑戰。

F. FLSC：瑞典空軍戰斗模擬中心

瑞典國防研究局開發的FLSC整合LVC仿真分析空戰場景，用于飛行員訓練、任務規劃、決策支持研究及人機協作評估[130][131]。其功能特性可增強聯合作戰中的態勢感知（SA）與決策能力。FLSC由瑞典國防研究院（FOI）運營，訪問受限，但國防項目研究者可通過合作渠道申請使用。

G. JSBSim

JSBSim[156]是開源飛行動力學模型，廣泛應用于需高精度航空器仿真的強化學習BVR研究，支持決策制定、機動優化與作戰接戰等任務[3][6][58][60][138][143]。常與Unity（IAGSim）及定制環境集成，構建計算高效的動態場景自主決策仿真。

H. MATLAB與Simulink

MATLAB[157]與Simulink[158]廣泛用于仿真、控制理論與優化研究。MATLAB數學能力支撐決策與作戰研究[1][50][51][69][75][78][80][90][91][102][109][120][121][141][146][150]；Simulink通過圖形化動態系統建模工具擴展功能，適用于控制策略開發。

I. Python與R

Python是開發仿真環境與機器學習（ML）模型的核心工具，借助TensorFlow[159]、PyTorch[160]等庫支持任務規劃、強化學習實施與優化[71][85][100][136]，其靈活性賦能快速原型開發及跨平臺集成研究。R語言偶爾用于空戰數據分析與仿真相關統計建模[140]。

J. 其他工具

以下工具亦支持超視距（BVR）空戰研究：

ACE-2：定制化仿真器，用于測試空戰機動中的遺傳優化技術[49]。
ACEM：實況-虛擬-構造（LVC）仿真環境，用于空戰中人類表現分析[46]。
FTD (F/A-18C)：F/A-18C飛行訓練設備，用于高保真模擬飛行員行為、協同與訓練場景[127][129][133]。
IAGSim (Unity + JSBSim)：結合JSBSim飛行動力學與Unity實時渲染的定制仿真器，專為自主空戰研究設計[2]。
MACE[161]：現代空戰環境（MACE），可擴展分布式仿真平臺，用于作戰分析（OA）與戰術空戰場景測試[115]。
NLR四機編隊模擬器：荷蘭航空航天中心（NLR）開發的仿真器，用于多機對抗中的飛行員訓練與人機交互研究[128]。
STAGE：快速生成空戰場景的框架，適用于人工智能（AI）與強化學習（RL）訓練[10]。
Super Decisions：集成層次分析法（AHP）與網絡分析法（ANP）的決策支持軟件，用于空戰威脅排序與任務規劃[134]。
UnBBayes-MEBN：基于多實體貝葉斯網絡（MEBN）的概率推理框架，應用于不確定條件下的態勢感知與決策[132]。
WESS：自適應戰術決策仿真工具，用于動態作戰行為建模[50][51]。
Wukong：強化學習（RL）驅動的多智能體戰術決策平臺，專為BVR場景設計[57][106][107]。
X-Plane[162]：高保真商業飛行模擬器，用于自主行為驗證與作戰規劃[48]。

K. 工具總覽

表2匯總了核心工具、主要應用場景、功能特性、編程語言及互操作能力。該表涵蓋本文分析的120項研究中的116項，其余4項為未使用具體工具的綜述類研究。各列信息如下：
? 仿真工具：工具或框架名稱

? 核心功能：與BVR空戰研究相關的主要特性

? 編程語言：開發或定制化使用的主要語言/平臺

? 互操作性：支持標準仿真協議（如HLA、DIS）、定制接口或無相關信息

? 引用文獻：使用該工具的研究編號

開放挑戰與未來趨勢

盡管強化學習（RL）等先進技術在空戰決策領域取得顯著進展，仍存在諸多開放挑戰，為未來研究提供機遇。

• 場景復雜性
   當前方法（如NFSP RL與DQR驅動的DRL）多基于簡化的一對一對抗驗證[54][84]。需將其擴展至反映真實空戰復雜性的多智能體環境。基于DDPG的集群策略與H3E分層方法等框架為應對此挑戰指明方向[2][108]。此外，目標分配（TA）、探測與制導研究多假設雷達、戰機及通信節點同質化[118][144][148][149][163][164][165]，未來需探索異質化模型以更精準刻畫現實系統復雜性。

• 全觀測假設局限
   MCTS、PPO與CSVM等方法常假設環境全觀測，忽略雷達目標搜索等關鍵要素[1][88][166]。BVR場景中KAERS等技術通過處理部分可觀測性提升模型魯棒性與實戰適用性，具備借鑒價值[57]。

• 計算強度制約
   MCTS等方法雖有效但計算耗時[88]，需優化連續動作空間處理并提升計算效率以適配實時應用。基于TD3算法優化導彈攻防決策的近期研究展現進展[86]。

• 初始條件敏感性
   課程學習與IQN方法在不利初始配置下表現欠佳[59][167]。基于GP的演化行為樹（BT）等自適應學習率與魯棒課程設計可緩解敏感性并增強泛化能力[49]。

• 可擴展性與實時適應性
   多智能體方法（如MAPPO）與分層框架（如H3E）在動態大規模環境中面臨可擴展性挑戰[2][105]。需開發高效方法應對協同場景，如目標分配研究所示[96][146]。

• 不確定性整合不足
   博弈論、貝葉斯網絡（BN）與監督學習（SL）等方法多假設確定性環境[1][76]，融入隨機要素與不確定性可提升模型對復雜空戰的現實刻畫能力。

• 多樣化場景驗證缺失
   SAE網絡戰術認知模型與DRL集群模型多在靜態環境驗證[108][141]，需擴展至動態高維場景（如實時決策與多變作戰條件）。基于ANN與粒計算的協同空戰研究為此提供范例[61][151]。

• 跨學科融合需求
   強化學習（RL）、深度學習（DL）與控制理論結合可顯著增強BVR決策模型。分層RL與行為樹（BT）等技術為協調高層戰術與底層機動提供可擴展框架[48][61]，此類方法有望催生更魯棒、可解釋的模型。

• 訓練效率優化
   遺傳規劃（GP）雖在策略優化中潛力顯著，但低維問題處理與計算開銷仍存挑戰。課程式RL與敵方意圖識別技術可提升學習效率與決策能力[54]。

• 實戰化應用瓶頸
   先進方法需通過高保真仿真驗證實戰適用性。與軍事及航空機構合作可彌合研究與部署鴻溝，集群策略與協同無人作戰飛行器（UCAV）研究已體現仿真驗證價值[105][108]。

• 仿真工具未來趨勢
  隨著BVR場景復雜度攀升，仿真工具需沿以下方向演進：
   ? 高保真多智能體仿真：在AFSIM、ASA、DCS World與FLSC等平臺支持大規模集群協同與實時高保真仿真。

? 增強互操作性：通過HLA與DIS標準實現有人機、無人機及導彈等異構系統仿真集成。

? AI/ML深度整合：嵌入自適應智能體實現實時任務規劃與決策[105]。

? 計算效能提升：優化仿真架構以應對復雜度增長，支撐實時動態適配。

突破上述挑戰將推動開發復雜、可擴展且自適應的BVR決策模型，為高動態對抗空戰環境中的自主系統奠定基礎。

本背景資料簡報概述人工智能（AI）與國防領域的交匯點。AI現部署于教育、金融、交通、醫療與國家安全等多領域。國防領域作為國家安全體系的核心構成，涵蓋以維護國家主權與利益為目標的軍事能力與行動。盡管AI有望提升國防活動效能，但其應用引發人權與國防領域善治相關的諸多挑戰。本簡報將界定AI概念，探討其在國防領域的應用場景，剖析對善治的潛在風險，并就強化監管提出建議（包括完善監測機制、提升透明度、健全問責制及促進利益相關方協作）。

本背景資料簡報解答以下問題
? 何為人工智能（AI）？
? 國防領域的定義為何？
? 國防領域為何使用AI？
? AI對國防領域構成哪些風險？
? AI如何影響國防領域善治？
? 如何強化國防領域AI應用的監管？

國防領域人工智能應用

主體	檢測	規劃	行動	后勤
??武裝部隊??	收集分析多源數據，識別動態、威脅與異常	通過海量數據分析輔助戰略戰術規劃，預測未來場景并優化資源配置	提供實時作戰情報支持軍事行動	自動化物流供應鏈管理與人員調度
??行政管控機構??	分析風險并評估國防能力替代方案	起草國防立法框架，評估戰備狀態	實時監測作戰效能，動態調整資源分配	自動化國防采購預算與資產追蹤
??國內安全機構??	處理海量數據識別模式趨勢，研判潛在威脅	開發戰略報告，建立威脅優先級體系	部署AI增強型監控偵察系統提升行動精度	自動化數據處理與信息分發流程
??監督委員會??	監測分析國防開支與采購動態	制定戰略監督報告，評估項目合規性	實時追蹤國防項目執行情況	自動化審計程序與風險管理系統
??商業國防供應商??	整合Tranche 0衛星追蹤數據與地面傳感器網絡	開發下一代AI驅動武器系統，優化研發周期	維護升級AI作戰平臺軟件系統	構建智能供應鏈，實現備件預測性維護
??民間社會組織??	監控AI軍事化應用倫理風險	推動制定AI軍事應用國際規范框架	開展AI武器系統影響評估	建立AI軍事技術雙用途追蹤數據庫

國防領域人工智能應用監管框架

行為主體	國內監管框架	透明度與問責制	伙伴關系與協作
??武裝部隊??	實施人工智能專項審計與審查流程，監測系統開發、部署及運行	通過披露數據源、算法與決策流程等非涉密信息，提升人工智能系統透明度	與民間社會組織、學術機構、研究組織及產業伙伴合作，共享經驗教訓，促進治理創新
??行政管控機構??	建立專用監管機構/委員會，實施風險管理框架識別人工智能應用風險（技術/法律/安全）	發布人工智能影響評估報告，詳述部署成效與運營結果	強化與議會委員會、政府監察機構及獨立審計部門協作，確保人工智能倡議透明度
??國內安全機構??	成立獨立審查小組，監控人工智能在國內安防應用中的倫理與法律影響	推動人工智能治理透明化與問責機制建設	與人權組織、隱私倡導機構及技術專家合作開展獨立評估，完善安防人工智能系統審查
??監督委員會??	制定人工智能采購與部署專項監管條例	定期公開國防人工智能項目進展與資金流向	搭建跨部門人工智能治理協作平臺，促進監管經驗共享
??商業國防供應商??	執行人工智能技術出口管制與雙用途技術監管	建立人工智能研發應用全周期可追溯機制	參與行業聯盟制定人工智能倫理標準，推動負責任技術創新
??民間社會組織??	倡導建立人工智能軍事應用倫理審查制度	開發公民監督平臺，完善人工智能應用違規舉報機制	聯合國際智庫開展人工智能軍事化影響研究，推動全球治理框架構建

本文探討了如何在軍隊中開發和訓練強大的自主網絡防御（ACD）智能體。本文提出了一種架構，將多智能體強化學習（MARL）、大型語言模型（LLM）和基于規則的系統組成的混合人工智能模型集成到分布在網絡設備上的藍色和紅色智能體團隊中。其主要目標是實現監控、檢測和緩解等關鍵網絡安全任務的自動化，從而增強網絡安全專業人員保護關鍵軍事基礎設施的能力。該架構設計用于在以分段云和軟件定義控制器為特征的現代網絡環境中運行，從而促進 ACD 智能體和其他網絡安全工具的部署。智能體團隊在自動網絡操作 (ACO) gym中進行了評估，該gym模擬了北約受保護的核心網絡，可對自主智能體進行可重復的培訓和測試。本文最后探討了在訓練 ACD 智能體理過程中遇到的主要挑戰，尤其關注訓練階段的數據安全性和人工智能模型的穩健性。

圖 1：四個網絡位置（A-D）容納五個藍色智能體（1-5）的情景。

本文探討了為自主網絡防御（ACD）智能體訓練混合人工智能（AI）模型時所面臨的挑戰和機遇，尤其是在戰術邊緣環境中。這些挑戰源于此類環境所特有的獨特、不可預測和資源受限的設置。北約研究任務組 IST-162 和 IST-196 的工作重點是 “軍事系統的網絡監控和檢測”[1]、[2] 和 “虛擬化網絡中的網絡安全”。虛擬化網絡中的網絡安全"[3] 至 [5]，本研究旨在利用混合人工智能框架推進 ACD 智能體的設計和功能，以確保整個聯盟網絡的穩健網絡安全。多智能體強化（MARL）、大型語言模型（LLM）和基于規則的系統的采用構成了我們 ACD 架構的核心，增強了智能體在戰術邊緣環境中普遍存在的斷開、間歇、有限（DIL）帶寬條件下有效執行自主網絡防御任務的能力。這些條件要求系統具有彈性，能在網絡和資源嚴重變化的情況下保持高性能水平，這對傳統的網絡安全系統來說是一個重大挑戰。例如，將深度強化學習（DRL）與生成式人工智能相結合，有利于開發能夠進行復雜決策和自適應學習的智能體，提高其在動態網絡環境中應對復雜網絡威脅的能力[3]。此外，本文還討論了如何將 ACD 智能體集成到模擬的北約啟發的受保護核心網絡環境中，并在此環境中針對一系列網絡威脅對其進行評估。智能體利用人工智能技術的戰略組合，自動執行監控、檢測和緩解等關鍵防御行動，支持對關鍵軍事和民用網絡基礎設施的持續保護。

本文的貢獻如下： 第一，在一個集成了 MARL、LLM 和基于規則的系統的代理層次結構中使用代理智能體范例的方法論，以增強自主網絡防御能力。第二，討論在戰術邊緣環境中為 ACD 智能體訓練混合人工智能模型的挑戰和機遇。第三，定義一套評估指標，用于衡量 ACD 代理在數據和訓練保護方面的性能。本文的組織結構如下： 第二節回顧了相關文獻并解釋了研究原理。第三節詳細介紹了使 ACD 智能體適應戰術邊緣環境的方法。第四節介紹了我們的實證評估結果。最后，第 V 節總結了本研究的意義并概述了未來的研究方向。

深度學習是人工智能的一個子類別，在自動識別水下傳感器數據中的各種目標方面具有巨大潛力。這項工作的目標是支持未來使用深度學習的水下戰爭領域目標自動識別系統的發展，首先要展示什么是可能的，其次要讓研究人員深入了解如何通過建議和經驗教訓來構建這種定制系統。目標受眾是水下戰爭領域的研究人員，他們或是深度學習的新手，或是水下傳感器數據的新手。深度學習的基礎知識可以從許多在線課程中獲得。本參考文檔重點介紹如何應用這些工具識別目標，該領域不同于機器視覺和自然語言處理的常規應用。這些水下戰爭自動目標識別系統處理的不是標準圖像或文本，而是來自聲學傳感器的數據。這些小型定制神經網絡不是下載標準的現成網絡，利用充足的計算資源從大型訓練數據集中學習，而是設計用于從相對較小的訓練數據集中學習，而且往往受到硬件的計算限制。這項工作概述了定制神經網絡在各種水下戰爭自動目標識別任務中的應用，包括側視聲納中的類雷物體、寬帶聲納散射數據中的未爆彈藥、被動聲學數據中的水面艦艇以及主動聲納中的水下目標。此外，還分享了關于高效神經網絡設計和使用來自水下傳感器的小型訓練數據集的建議。

先進的自動目標識別系統可以快速自動分析傳入的傳感器數據，并對感興趣的目標進行探測、分類和定位，從而提高水下作戰能力。這有助于減少從獵雷到被動聲學監測、魚雷防御和反潛戰等各種應用中操作員的工作量。深度學習是在遠程和無人平臺上進行水下作戰自動目標識別應用的一種特別有前途的方法。越來越多的研究人員希望獲得相關建議，因此編寫了本文檔，以鼓勵和支持深度學習技術在未來自動目標識別系統開發中的應用，從而提高水下作戰領域的防御能力。

本研究探討了如何將移動與機動這一在動能環境中行之有效的作戰功能應用到網絡領域。復雜的網絡應對措施，如屬于移動與機動（M&M）戰術的應對措施，可用于防御性網絡作戰（DCO），使網絡更加敏捷、靈活和堅固，以抵御攻擊。然而，由于此類網絡的靜態性質、對特定設備專業知識的需求以及進行網絡更改所需的人員組織協調，傳統能力使 M&M 戰術難以實施。

為解決這一問題，建議使用軟件定義網絡（SDN）來實施網絡移動和機動（網絡 M&M）行動。SDN 具有多種功能，有助于支持各種防御性網絡移動和機動戰術，如防火墻、節流、中間人、重定向和源隱藏。在這項工作中，利用 SDN 設備將數據包移動引導到一個單獨的設備，該設備可提供有針對性的網絡防御響應（機動）。為便于共享網絡 M&M，開發了一種經過修訂的開放式指揮與控制（OpenC2）SDN 方案，該方案特別適合網絡響應的需要。采用標準化模式的動機是以一種與設備無關的方式促進盟友之間的網絡響應通信。這項工作的成果已與技術合作計劃（TTCP）社區分享，作為網絡感知與執行（NWSE）活動的一部分。

圖 5：網絡 M&M 防御架構選項：上圖：直接驅動，中間：間接驅動，下圖：帶代理的間接驅動。

本論文通過測量成功和不太成功的戰術表現背后的參數，研究當代戰斗中有效的軍事戰術。因此，戰術知識能讓戰爭研究領域的從業人員、學者和科學家更好地了解戰斗結果。論文的目的是對現有理論進行檢驗，以創建一個新的理論，說明是什么影響了戰斗中的戰術結果，并對導致戰術勝利的原因做出解釋。勝利可以用影響戰斗成功的戰術要素來解釋。此外，與決斗失敗者相比，勝利的戰斗可以通過戰術家所掌握的一些技能得到部分解釋。此外，本論文還是一種批判性評估戰術能力的方法，可以確定什么是成功的戰術，以及理論如何與實踐經驗保持一致。隨著對誰以及戰術如何影響戰斗勝負的深入了解，我們有機會提高研究、分析和實踐戰爭的軍事和戰術領域的技能發展。論文由四篇獨立文章組成。這些文章將專業知識水平、態度、一般智力和個人決策風格等個人能力與勝利水平聯系起來。總結所有四篇文章可得出三大結論：(1) 當類似對手交戰時，當代機動戰包含可衡量的成功要素。(2) 遵循代表 "戰術最佳實踐 "的理想模型中的步驟的戰術人員會增加他們在決斗中獲勝的機會，尤其是在對手沒有同時遵循任何或較少步驟的情況下。(3) 個人決策風格影響戰斗中的戰術結果。這些結論對今后制定有效的戰術以及戰術專家檔案具有重要意義。

圖 1. 《沖突建模的形式》，倫敦國王學院戰爭研究系菲利普-薩賓教授所著。

視覺分析是一門通過交互式視覺界面促進分析推理的科學。北約科技組織調查、研究并促進可視化分析方面的合作--促進知識提取和數據分析，以便及時理解態勢并作出有效決策。因此，本報告目標是研究、開發和應用探索性視覺分析技術：1）利用和理解大量復雜的數據，即大數據；2）幫助隱性知識顯性化；3）提供敏銳的態勢感知；4）支持廣泛的國防領域的知情決策，包括網絡、海事、基因組學和社交媒體領域，以及仿真數據的后期分析和現場可視化。

報告簡介

1 背景

信息優勢是軍事優勢的關鍵因素之一；利用來自多個來源的所有相關信息是北約信息優勢的一個關鍵因素。可視化和可視化分析研究對于滿足2015年北約在信息分析（IA）和決策支持（DS）方面的重點目標的需求至關重要：關于決策支持的IA&DS-1和關于大數據和長數據處理與分析的IA&DS-2。

視覺分析（VA）是一門通過交互式視覺界面促進分析推理的科學[1]。VA有三個主要組成部分，即交互式可視化、分析性推理和計算性分析[2]。在專家組所考慮的VA背景下：

• 可視化關注的是使用數據的交互式視覺表現來放大認知[3]。
• 分析推理和計算分析的工作是支持數據探索、分析和理解。

2 目標

北約研究任務組（RTG）探索性視覺分析調查、研究和促進了知識提取/發現和數據分析方面的合作，以便及時了解情況，支持有效決策。該小組探索了可視化如何有效地傳達信息：利用人類的感知和增強人類的認知，即把可視化和用戶的心理模型結合起來（見第2章和[4]）。因此，目標是研究、開發和應用探索性視覺分析技術：1）利用和理解大量復雜的數據集，即大數據；2）幫助隱性知識顯性化；3）提供敏銳的態勢感知，以及4）支持廣泛的不同國防領域的知情決策，如海事、社交媒體、基因組學和網絡領域，以及模擬數據的后期分析和現場可視化。

3 本報告的目的

本技術報告的目的是討論研究小組進行的研究、開發和應用探索性視覺分析的工作，這些數據集涉及到

• 簡易爆炸裝置資源（NATO C-IED COE）。
• 社交媒體；以及
• 網絡和海事及情報行動。

這項工作證明了探索性視覺分析在檢測、監測、分析和理解大型復雜數據集（即大數據）方面的有效性，以提高對態勢的認識和決策支持。

本報告還將討論該小組在以下方面的工作：

• 1）可視化和視覺分析技術的研究和開發。

• 2）提高對研究小組工作的認識。

  • 通過在著名的國際會議上發表論文，如IEEE VIS；以及

  • 為北約的兩個系列講座（IST-143和IST-170）作出貢獻。

• 3）促進視覺分析和可視化技術在北約國防和安全領域及其他領域的開發和應用。

• 4）拓寬對可視化和可視化分析的理解和探索的視野。

• 5）利用新想法的產生。

• 6）通過以下方式發展北約小組間/組內合作。

  • 組織（并在其中介紹小組的工作）一次北約專家聯合小組會議（IST-HFM-154：網絡符號學）和一次北約小組間/組間研討會（IST-178：大數據挑戰--情況意識和決策支持）。

  • 參加其他國家組織的北約活動；以及

  • 與來自不同小組的許多RTG組織聯合會議。

4 本報告結構

報告中的各章總結了在這個RTG過程中進行的工作。

第2章討論了視覺分析的人因考慮。它首先定義了人為因素，并描述了人為因素/以用戶為中心的設計過程。它討論了一些關于設計過程的常見迷思，供設計者注意和避免。視覺分析系統的用戶很多，也很多樣化，所以了解任何項目的用戶對于確保輸出產品的有用性和可用性是最重要的。本章提供了關于如何最佳地顯示信息的標準、指南、啟發式方法和最佳實踐的參考資料。本章還包括討論和數字，描述了對特定數據集使用立體三維可視化的優勢。最后，有一節是關于如何評估可視化的有用性和可用性。包括情況意識和工作負荷指標的資源。

第3章討論了海事領域的信息可視化和視覺分析。

第4章和第5章關注社會媒體數據和模擬數據。

第6章討論了可視化分析和深度學習之間的相互作用。

第7章討論了網絡態勢感知和網絡符號學。

第8章和第9章探討了視覺分析和可視化在北約數據中的應用，如：

• 簡易爆炸裝置（NATO C-IED COE）；和
• 北約HFM-259數據。

這兩章討論了基于網絡訪問這些數據集的發展和由此產生的設計原則，這些數據集的用戶范圍很廣，從普通公眾到研究人員和政策制定者，即來自不同背景、具有不同專業水平和知識的人。對簡易爆炸裝置數據的分析采用了互動式講故事的方法來吸引普通公眾，而HFM-259數據的視覺分析/可視化也適合公眾參與。

第10章得出了結論并提出了建議。

海事領域的信息可視化和視覺分析

• 船舶交通監測與探索性分析的交互式可視化：文獻中提出的方法研究了海洋數據的可視化，以便交互式地探索它們的空間分布和時間演變，或者通過結合聚合和過濾能力促進它們的比較。以地圖為基礎的可視化占主導地位，偶爾也會以數據匯總的統計圖為補充。最近，基于圖形的海洋數據可視化也出現了。基于圖形的可視化可以將匯總統計與交通動態的可視化相結合。

• 海事模式檢測的可視化分析：視覺分析，將有效的海事數據可視化與數據分析相結合，有多種應用。文獻中討論的用途之一是運動模式搜索和匹配，與數據過濾相結合，能夠減少數據泛濫，幫助用戶關注相關的數據特征。這種方法根據經驗來定義運動模式，例如使用基于函數的定義或規則。運動模式也可以從數據中提取，例如使用數據聚類、聚合和過濾技術。地理特征被利用來支持模式的定義和可視化。不同的聚合技術可以被結合起來，有時還可以使用語義學，以支持數據探索。其他工作專門解決異常或不一致的模式檢測。例如，密切接觸的檢測或預測被應用于海上安全，用于船舶碰撞的識別和預防。

• 海事模式和移動性的三維可視化：很少有作品在海洋領域利用三維可視化，因為由此產生的可視化的復雜性增加，會對用戶體驗產生負面影響。領域無關的三維可視化被用來支持單一船只動力學參數的比較。時空立方體可視化對海洋事件的分析是有效的，因為它使空間和時間特征的當代可視化。在培訓中使用的沉浸式虛擬現實模型，可能比二維地圖更有效地支持用戶（和船只）的定向行動。

探索性媒體分析

網絡媒體是影響輿論以及反映輿論的最重要工具之一。這份報告分析了BBC、RussiaToday、DayKiev和delfi.lt（立陶宛的主要新聞門戶網站）對烏克蘭沖突動態的反映。采用了兩種不同的分析方法：共同發生網絡分析來反映沖突期間四個不同媒體渠道的語言變化，以及基于情感的故事情節（syuzhet）分析來監測BBC從2013年到2014年的情感變化。將沖突分為三個階段：開始（2013/11/21-2014/01/15）、升級（2014/01/16-2014/02/17）和占領克里米亞（2014/02/18-2014/02/28）。這些方法可以對媒體中的沖突動態進行可視化分析。從人工智能（AI）、自然語言處理（NLP）和大數據的可視化技術的應用中，可以更好地了解對沖突動態的看法和公眾對特定主題的情緒，以及信息分析的自動化。此外，其他類型的類似應用也是可能的。

仿真數據的可視化探索

仿真被廣泛用作生產前測試系統的一種安全且通常具有成本效益的手段，并作為一種估計其他無法訪問的系統的預期行為的方法。仿真的共同點是隨著時間的推移而發生的事件鏈，導致由仿真算法決定的結果。本章將詳細闡述使用可視化來分析仿真條件和結果，以及如何應用可視化分析（VA）來更好地理解高級仿真算法的內部生活。

有大量不同的工具用于仿真數據的可視化分析；然而，現有工具的適用性高度依賴于被分析的數據及其背景。通用的可視化軟件包并不總是能夠滿足人們的需求。通用的可視化軟件包并不總是容易被有效地用于特定領域的任務。如果沒有資源花在定制軟件上，最好的辦法是將不同的軟件組合成一個工具箱，共同滿足可視化需求。有時，尋找合適的工具必須延伸到自己的領域之外。本報告介紹了適用于批量仿真數據分析的一系列工具：時間線圖(TLG)、可視化工具箱（VTK）和ParaView、VisIt。

探索深度學習

視覺分析（VA）技術可以應用于增強與三個目標有關的深度學習方法：1）了解深度神經網絡的內部運作；2）解釋DL的結果；以及3）利用VA和DL之間的協同作用。

在VA和DL技術的交叉點上的應用如何能夠更好地理解深度神經網絡及其結果，并實現強大的應用。將VA與AI相結合的方法將成為未來國防和安全系統的關鍵驅動力，這些系統具有日益增長的任務復雜性所要求的高級處理能力，但人們不能盲目相信AI的預測而采取行動。

網絡態勢感知

網絡SA與人類的認知過程和數據處理有關。在復雜和動態的網絡環境中，通過敏銳的態勢感知，人類決策的質量和速度可以大大提高。初步評估發現，以用戶為中心的SA方法提供了分析、檢測、發現和識別模式、異常、違規和威脅以及相關事件的有效方法。這些可視化適用于提供關于網絡組件性能的詳細信息。另一方面，生態接口設計（EID）方法提供了有效的可視化，以指導用戶理解網絡應該如何運行，以及這些網絡實際如何運行;因此，分析人員可以很容易地看到網絡的運行層面，即整體態勢。這兩種方法在提供有關網絡情況的不同方面的認識和信息方面相輔相成。網絡符號有可能實現網絡態勢的可視化，盡管目前還沒有明確的方法或解決方案可以最好地實現這一點。

探索性視覺分析法分析簡易爆炸裝置事件

收集和分析有關事件的數據集可以幫助分析人員得出活動水平評估，進行趨勢分析，并對他們所監測的問題有更深入的了解。為了更好地了解簡易爆炸裝置（IED）攻擊的動態，并支持反簡易爆炸裝置（C-IED）的工作，本報告決定采用一種帶有敘事元素的探索性視覺分析方法。分析有關事件的數據集可以幫助得出活動水平評估，進行趨勢分析，并獲得更好的情況意識。探索性視覺分析的目的是讓用戶探索數據集，發現有趣的模式和見解。一些可視化分析工具提供了復雜的互動，可能會讓新用戶感到恐懼。敘事技術可以幫助新用戶開始使用一個新的交互式可視化應用程序，以了解數據集包含什么，以及如何利用探索性視覺分析工具的能力來對數據集進行新的分析。使用探索性視覺分析工具可以在北約反簡易爆炸裝置卓越中心（NATO C-IED COE）制作的烏克蘭簡易爆炸裝置事件數據集中發現有趣的模式，通過應用敘事技術作為交互式可視化工具的一部分將這些見解傳達給用戶。一旦用戶開始探索所提供的見解，他們會被邀請繼續探索，允許他們從數據中獲得更多發現。