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

本文詳述一種基于多層PageRank算法的新方法，用于確定基礎設施網絡中的關鍵節點。涵蓋所有相關背景與技術定義以描述所采用的數學框架，設計實驗方案評估關鍵基礎設施網絡資源配置對預防級聯故障的價值，并提供適用于測試本技術的用例數據說明——愛達荷國家實驗室（INL）的"全危害分析（AHA）"數據集。文末附有基于AHA數據的實驗概要結果。

本文描述的網絡科學方法可協助國土安全從業人員識別關鍵基礎設施系統中的核心資產。具體而言，我們以用例無關的方式提出多層PageRank中心性算法，其每個參數均可按從業需求調整，并討論如何根據特定數據定制該方法。作為概念驗證基準，除基礎設施資產連接數據外，我們未引入任何主觀假設。根據《美國法典》第5195c條："關鍵基礎設施指對美國至關重要的物理或虛擬系統與資產，其失效或損毀將對國家安全、國家經濟安全、國家公共衛生或安全任一或多個領域造成破壞性影響。"該定義全面闡述了關鍵基礎設施資產與系統的概念內涵，有助于理解互連基礎設施系統（即網絡）中的級聯故障。以下基于系統角色劃分的三類基礎設施資產定義具有實操性：

• 脆弱性資產：因易受攻擊性及可達性而可能失效的基礎設施資產
• 關鍵性資產：為眾多支撐網絡運行的資產提供戰略支持的基礎設施資產
• 核心資產：兼具脆弱性與關鍵性雙重屬性的基礎設施資產

這些定義借鑒既有文獻，在保留《美國法典》第5195c條核心概念的同時采用適用于網絡分析的表述。基礎設施網絡的級聯故障危害極大，例如：若為水處理廠供電的變電站故障，將直接導致水處理廠停運；而依賴潔凈水源的醫院隨之停運則構成級聯故障的間接影響范例。本文提出的核心資產定義正是為識別在基礎設施網絡級聯故障中起關鍵作用的資產，助力從業人員延緩或阻斷故障傳播。

從機理看，脆弱性資產依賴其他資產，網絡中的敵對事件易通過此類資產引發級聯效應；關鍵性資產則支撐眾多其他資產，使敵對事件更易通過關鍵資產鏈傳播。因此，核心資產即指在敵對事件中既易失效（脆弱性）又能最大范圍傳播故障（關鍵性）的資產。

本文結構如下：第2章提供基礎設施網絡分析與多層PageRank的數學框架；第3章闡述多層PageRank與關鍵基礎設施分析的關聯；第4章介紹作為概念驗證基準的"全危害分析（AHA）"數據；第5章描述仿真實驗設計方案及參數調優方法；第6章對比多層PageRank算法與其他網絡中心性算法及傳統PageRank算法的結果；第7章為結論部分。

本文探討了在軍事網絡安全方法中應用生成式人工智能（Generative AI）所帶來的倫理和對抗影響。生成式人工智能已在眾多民用應用中展示于威脅模擬和威脅防御領域。盡管如此，其在軍事應用中存在重要的倫理考量，原因在于生成式人工智能可能被濫用。針對軍事系統的網絡威脅正變得比以往更加復雜，我們希望為該領域的研究體系增添數據，以幫助彌合在理解軍事環境中生成式人工智能風險方面所識別的知識差距。目標： 本文旨在探討圍繞生成式人工智能軍事應用的倫理困境，包括責任歸屬、自主性和濫用問題。本文審查了與生成式人工智能相關的對抗性風險，包括敵對行為體的操縱或其他利用。目標是提出考量倫理困境的措施，同時改進防御能力。方法： 方法論將評估倫理風險，如與人工智能系統相關的自主性、武器化和偏見問題。它將通過建議采用對抗性訓練策略、混合人工智能系統以及針對被對抗性操縱的人工智能生成威脅的穩健防御機制來確定對抗性風險。它還將為軍事網絡安全提出倫理框架和責任模型。結果： 本文提供了在傳統網絡環境和智能網絡環境下軍事網絡安全系統的性能比較評估。重要研究結果證明，生成式人工智能有可能提高檢測準確性，尤其是響應時間。但它也引入了新的風險，如對抗性操縱。實驗結果說明了對抗性訓練如何增強模型的魯棒性、減少漏洞，并提供更強的針對對抗性威脅的防御能力。結論： 與傳統方法相比，生成式人工智能在軍事網絡安全中具有相當可觀的益處，特別是在提升檢測性能、響應時間和適應性方面。如圖所示，人工智能增強系統的優勢使惡意軟件檢測準確率提高了15%，從80%上升到95%，釣魚郵件檢測準確率也提升了15%，從78%上升到93%。對新威脅的快速反應能力也很關鍵，響應時間縮短了60%，從5分鐘減至2分鐘，這在軍事環境中至關重要，快速響應將能最大限度減少影響。此外，人工智能系統顯示出將誤報率從10%降低到4%（這非常優秀）以及將漏報率從18%降低到5%的能力（這也很優秀），這很大程度上基于人工智能系統識別真實威脅樣貌的能力以及識別真實威脅的能力。

在過去的幾年中，由于人工智能（AI）和機器學習技術的發展，網絡安全經歷了根本性的轉變。作為人工智能的一個子類別，生成式人工智能，包括生成對抗網絡（GANs）和變分自編碼器（VAEs），正被迅速用于生成網絡威脅模擬以提供更好的防御。盡管這些人工智能模型在民用網絡安全應用中所展現的巨大效用已得到證明，但它們在軍事環境中的使用會產生額外的困境和變數。鑒于軍事領域的風險高得多，甚至在實施生成式人工智能之前，對其能力和風險獲得更深入的理解至關重要。將生成式人工智能用于軍事網絡安全工具存在諸多優勢。最顯著的好處在于，生成式人工智能能夠針對當前系統的極限，提供逼真、復雜且先進的網絡攻擊模擬。盡管在軍事網絡領域提出了無數解決方案（如復雜的關鍵基礎設施和武器系統），軍事網絡仍必須應對日益復雜的網絡攻擊，包括高級持續性威脅（APTs）、零日漏洞利用和定制攻擊。生成式人工智能模型可以生成基于情景的自適應攻擊，包括多態惡意軟件、相關釣魚郵件和自適應入侵模式，這可以匯總應對惡意網絡事件的最佳實踐。生成式人工智能也將允許檢測和/或響應系統的測試。最后，這些用于模擬的先進能力本身也帶來了必須加以考慮的顯著倫理/對抗風險。

生成式人工智能的軍事應用存在著嚴峻的倫理挑戰。首先是自主性問題。監督和管理對于人工智能的能力及其相應的自主決策至關重要。在軍事行動中由自主人工智能系統做出的決策可能產生嚴重后果，無論是沖突升級還是未知的損害。這要求現有系統配備監督機制，以確保對人工智能決策的責任追究或自主性，其決策范圍涵蓋從軍事到民用領域。第二個倫理挑戰是武器化。隨著生成式人工智能模型的改進，對手最終也會利用生成式人工智能來武器化新的網絡攻擊或發動人工智能支持的進攻策略。因此，我們必須確保強大的工具在國際法管轄的范圍內以符合倫理的方式使用。此外，人工智能系統中的偏見不容忽視。包括使用生成式人工智能在內的機器學習模型，都可能易受訓練數據中存在的偏見影響。如果這些偏見未被識別，它們必然會影響或玷污決策過程，導致負面的、武斷的或歧視性的結果，尤其是在風險巨大的軍事應用中。存在偏見的AI系統可能導致基于含有偏見的數據錯誤識別威脅或未能識別威脅行為，這會危及軍事系統的安全。

在軍事網絡應用中，生成式人工智能的應用既帶來對抗性風險，也涉及倫理考量。雖然人工智能提高了對事件的檢測和響應速度，但對手可以利用人工智能中的缺陷。網絡攻擊者可以添加對抗樣本并篡改人工智能的訓練數據，導致人工智能錯誤分類威脅或根本未能識別惡意活動。這是一個嚴重問題，特別是在涉及人員生命且生命損失風險以軍事防御規模來衡量的情況下。對抗性人工智能模型甚至可能能夠通過發動一次產生幻影的攻擊來偽造網絡攻擊，使其響應系統不堪重負，或者操縱軍事網絡安全系統陷入另一種、有效的對抗性系統復雜化。本文針對在軍事網絡安全中使用生成式人工智能所涉及的倫理和對抗性問題進行了論述。最終，本文將在后文探討減輕這些擔憂的方法，例如通過對抗性訓練、混合人工智能系統和責任歸屬機制。這項工作的最終目的是確保在恪守倫理原則、公平性和安全性的前提下，軍事領域對生成式人工智能的利用能夠增強網絡安全態勢。本文還將考慮如何在現實世界軍事行動動態多變的背景下，持續研究和評估這些模型對新興網絡威脅的抵御能力。

本文旨在建立無人機探測、追蹤與識別系統的標準化測試框架。此套標準化評估體系將促進對反無人機系統性能的深度認知。鑒于無人機威脅態勢日益嚴峻，且當前缺乏統一的系統評估政策應對風險管控，該框架建設迫在眉睫。本方法論于歐盟“內部安全基金警務部門”（Internal Security Fund Police）資助的“勇氣項目”（COURAGEOUS）框架內開發。標準化測試架構基于系列用戶定制場景構建，涵蓋各類實戰環境。現階段標準場景側重民用安防終端用戶，但該框架采用開放式架構設計，支持模塊化擴展標準場景體系，賦予用戶便捷添加新場景的能力。各場景均配套明確的作戰需求與功能性指標要求。基于此，本文提出綜合測試方法學，實現不同反無人機系統的公平定性與定量比較。該標準測試體系聚焦反無人機系統的定性定量評估，已通過三輪用戶腳本化驗證測試實現效能驗證。

本文組織結構??

本文章節安排如下：為厘清問題本質，第3章解析無人機系統（UAS）關聯事故案例并評估現役反無人機能力缺口；第4章探究當前反無人機作戰的技術與方法體系，深化現狀認知。基于前述研究基礎，第5章提出10項標準化反無人機應用場景，該場景框架將作為全流程標準化工作的指導準則。第6章詳述各標準場景的風險分析流程。通過平行工作路徑并結合終端用戶研討，第7章提出反無人機覆蓋的作戰需求體系，同步制定系列系統性能要求與量化指標。綜合上述成果，第8章構建反無人機系統評估方法論。該方案在希臘、比利時及西班牙開展的三次大規模試驗中完成驗證（詳見第9章）。第10章作為總結，通過實證結果研討指出現存研究缺口，并規劃未來研究方向。

反無人機技術體系??

反無人機領域的新技術研發已成為普遍研究方向。歐盟H2020-ALFA、H2020-ALADDIN及H2020-SafeShore項目代表典型范例，均針對特定應用場景開發無人機探測系統。構建高效探測系統普遍面臨兩大核心挑戰：首先，無論采用何種傳感技術，無人機平臺普遍具備極小反射截面與探測基線——具體表現為采用公共無線電頻段、有效距離內聲學特征微弱、可見光/紅外信號強度低、雷達反射截面微小等特性；其次，因多數無人機與鳥類特征相似，誤報率控制成為顯著技術瓶頸。雷達探測、聲學偵測、可見光識別、紅外識別（含熱成像與短波）、無線電頻譜感知、激光雷達等多種傳感方案可用于應對無人機探測難題。然而因實際工況的復雜性，現行主流解決方案普遍融合多類傳感技術，并結合源自計算機視覺的傳統檢測追蹤算法，最終實現多傳感器協同追蹤。??執法機構操作規范整合??同為關鍵考量要素。此背景下，SkyFall與DroneWise項目具有重要實踐意義：通過評估多類反無人機系統，將最優系統集成至執法機構培訓體系，并提供系列終端用戶導向措施以強化應對無人機恐怖襲擊的能力。

反無人機系統標準化測試??

在反無人機系統標準化測試方法開發領域，既往已取得多項進展。核心矛盾在于：評估無人機探測系統性能的標準化測試技術存在兩項對立需求。因系統通常依賴復雜數據融合與傳感器數據處理，需嚴格規范測試環境以識別性能邊界，此第一需求要求受控環境下的可重復測試。然而無人機探測系統需滿足全天候全時域作戰需求，故第二需求要求評估其在復雜環境下的實戰效能，二者存在根本性矛盾。標準化測試方法必須審慎平衡這兩類需求，目標是建立同時滿足開發者定量統計驗證與終端用戶定性實戰驗證的評估體系。

在機器人領域，美國國家標準與技術研究院（NIST）曾提出此類定性與定量驗證方案。基于NIST成果，首次提出驗證方法論并完成驗證。該方案于2017至2018年在SafeShore項目框架下首次應用于反無人機標準化測試。同期美國能源部核安全管理局也在本土開展反無人機測試評估方法論研究。雖未最終成為標準，但其定義的技術路線涵蓋測試方法、性能度量、測試無人機類型、關鍵變量及數據分析規范，為可靠評估反無人機技術奠定基礎。

標準缺失問題在2020年左右顯現：隨著多款反無人機系統上市，終端用戶愈發難以甄別性能差異。執法機構與政府部門在關鍵基礎設施保護場景開展多項測試，但此類試驗成本高昂且結果難以跨場景遷移。

該挑戰推動國際組織開展多項標準化工作。歐洲民航設備組織（EUROCAE）WG-115工作組積極推進標準建設：ED-286標準提供管制空域反無人機操作的"作戰服務與環境定義"（OSED），ED-322標準設定非合作無人機探測系統的"系統性能與互操作性要求"。這些聚焦機場環境的成果在歐洲與美國的緊密協調下推進——美國聯邦航空管理局（FAA）設立SC-238特別委員會制定反無人機技術綜合評估指南。EUROCAE與FAA協同確保反無人機系統在保持有效探測能力的同時安全融入現有航空體系。

北約是反無人機測試標準化的關鍵力量，其反無人機工作組聚焦：（i）建立技術共同體；（ii）政策、理念、條令及戰術規程；（iii）標準化建設；（iv）研發與作戰活動。年度"技術互操作性演習"（TIE）即為促進多系統互操作性的典范[31]。

德國標準化學會（DIN）正制定DIN 5452-9（專注無人機探測）及配套符合性測試規程。英國國家保護安全局（NPSA）同步開發"反無人機測試評估標準"，旨在構建結構化性能評估框架。國際標準化組織（ISO）通過ISO/CD 16746[33]（終端用戶設備部署指南）與ISO/CD 16747（制造商合規解決方案指引）推動全球標準統一。

上述行動體現國際社會對標準化測試的共識，但國別法規差異與作戰需求分歧仍存挑戰。"勇氣項目"制定的技術協議18150（CWA 18150）致力于整合各國成果，在確保與國際新標兼容前提下，為采購機構與安全主體提供透明可復現的技術評估框架。

現行反無人機框架綜述??

反無人機領域在商軍兩用無人機激增的推動下取得顯著進展。本節概述現役探測、追蹤與識別（DTI）技術及其在反無人機系統中的組合應用。

1. 探測-追蹤-識別（DTI）技術體系??

本研究初始收集260套反無人機系統數據，經數據詳實度與適用性篩選后保留144套系統樣本。這些解決方案融合多種DTI技術，圖3展示技術分布格局，其中主流方法包括：

• ??微波雷達??：55%系統采用，通過主動發射無線電波探測目標。核心優勢包括：全天候作戰能力（晝夜無休）、中強度惡劣天氣維持功能（暴雨/霧/雪環境下性能可能衰減）、可同步提供目標距離/徑向速度/高度數據（部分構型）、結合機械或電子掃描天線陣實現廣域監控。主要局限在于：低頻雷達對小截面微型無人機探測困難；高頻雷達在大氣衰減下探測距離銳減；易受電磁干擾（含蓄意干擾）；主動發射特性易暴露自身位置。

• ??可見光攝像機??：47%系統采用，多作為輔助傳感手段支持威脅識別或操作員視覺確認。其高空間分辨率特性（配合適用光學器件）支持遠距離小目標識別，被動傳感模式利于隱蔽作戰。但效能高度依賴環境光照——夜間或濃云條件下需人工補光（犧牲隱蔽性）；霧霾/雨雪等環境因素顯著降低探測概率與識別精度。

• ??熱成像儀??：35%系統集成，基于目標紅外特征實施探測。優勢體現在：全黑暗環境有效監控；通過電機/電池等熱源特征識別目標；對煙霧/偽裝等視覺遮蔽抗性強。局限包括：暴雨/濃霧/高溫環境削弱熱對比度；空間分辨率低于可見光設備；長距探測模式視場角收窄，需多傳感器協同保障覆蓋。

• ??頻率監測設備??：64%系統配置，通過截獲分析無人機與控制臺射頻信號實現探測。優勢特性有：非視距探測能力（射頻可穿透部分障礙物）；通過射頻指紋/遙測解碼識別機型狀態；被動探測不暴露自身。核心制約為：僅能監測主動發射信號的無人機（預編程自主飛行目標無效）；射頻飽和的城區環境誤報率高且定位困難。

• ??聲學傳感器??：10%系統采用，通過捕捉螺旋槳聲紋特征實施識別。優勢在于：不受電磁頻譜制約；非視距短距探測能力；設備緊湊利于機動部署。但存在嚴重缺陷：環境噪聲（風噪/車流/工業設備）易掩蓋目標特征；理想條件下有效探測距離不足300米，難以滿足早期預警需求。

• ??紅外傳感器與激光雷達??：分別占2%與4%。紅外傳感器（本文指非熱成像類的簡易設備）通過監測場景紅外輻射變化探測目標，優勢是冷背景下熱目標識別能力，常作為高精度系統觸發裝置；局限為無成像功能（僅支持探測）、易受雨霧干擾。激光雷達基于激光測距實現三維環境建模，優勢體現在：復雜環境精準定位（降低誤報）、中短距場景解析能力強；制約因素包括：主動發射易暴露、雨雪霧導致信號衰減、人眼安全標準限制功率（影響作用距離）。

這些技術的流行表明了多傳感器融合的趨勢，以提高可靠性和魯棒性。用于檢測和跟蹤的傳感器融合領域，特別是在反無人機應用中，正在通過基于人工智能的方法和對經典技術的增強而迅速發展。目標是增加系統的健壯性，減少誤報，并在不同的環境條件下提供持續的操作能力。目前影響該領域的關鍵算法方法包括：

• ??探測追蹤數據融合算法新動向??。反無人機領域的傳感器融合技術正通過人工智能方法與經典算法優化實現高速演進，核心目標為增強系統穩健性、降低誤報率并保障多變環境下的持續作戰能力。當前主導該領域的關鍵算法如下：

• ????人工智能增強型多傳感器融合??。新一代反無人機系統（C-UAS）日益采用AI增強的傳感器融合方案：通過機器學習模型整合雷達、光電/紅外攝像機、聲學陣列、射頻探測器等多源異構傳感器數據。基于神經網絡（CNN處理圖像輸入，RNN及變換器處理時序數據）的融合算法實現探測追蹤信息的協同優化。此類方法通過多模態數據集訓練模型以識別復雜威脅模式，補償傳感器固有缺陷，并實現概率化威脅分類。AI技術可動態調整傳感器權重系數，有效應對氣象/地形等環境變量導致的數據缺失或異常。

• ????卡爾曼濾波器及其現代演進??。卡爾曼濾波器及其擴展型（EKF/UKF）仍是移動目標追蹤的基礎。反無人機系統借此融合雷達、光電/紅外及射頻輸入，精確測算無人機位態信息。最新趨勢包含：基于傳感器可靠性指標在線調整過程/測量噪聲協方差的"自適應卡爾曼濾波器"，以及依據無人機行為切換懸停/機動/俯沖等運動模型的"交互多模型濾波器"。

• ????貝葉斯數據融合??。貝葉斯網絡與粒子濾波器通過概率分布建模管理不確定性，在接收新傳感器觀測值時持續更新狀態概率。現代粒子濾波器整合多假設追蹤技術應對多目標及模糊觀測場景，顯著降低誤識別率。貝葉斯融合還能整合沖突傳感器輸出，實現非二元化的柔性決策。

• ????證據融合的鄧普斯特-謝弗理論??。鄧普斯特-謝弗證據理論在異構傳感器融合中日益普及，其顯性建模傳感器間的不確定性及沖突。該方法提供置信區間（非單點估值），增強不確定情境下的決策可靠性，尤其在射頻拒止/視覺降級等傳感器可靠性動態波動的環境中具突出價值。

• ????圖譜化拓撲融合??。新興方法將多傳感器輸出轉化為圖譜節點關系，利用圖神經網絡（GNN）或拓撲數據分析建立連續追蹤路徑與檢測關聯性。該技術在傳統算法失效的場景（如蜂群無人機、建筑遮蔽頻繁的城市場景）展現顯著優勢，有效應對目標遮擋與傳感器信號中斷。

2. 反無人機解決方案的技術組合??

現代反無人機系統常集成多種探測技術以提升發現概率與追蹤精度。圖4展示不同技術組合的占比分布，具體構成如下：

• ??單一技術系統??：53%的反無人機解決方案僅依賴一種探測方法，主要為頻率監測或雷達探測。
• ??雙技術系統??：9%的方案融合兩種技術（如雷達與可見光攝像機組合）。
• ??三技術系統??：15%的方案整合三種獨立技術以強化多模態探測能力。
• ??四技術及以上系統??：23%的方案采用四種以上技術，典型組合包含雷達、攝像機、射頻監測及其他傳感器。

多技術系統趨勢凸顯對魯棒數據融合方法的迫切需求，以有效降低誤報與漏檢率。

完成目標探測識別后，可部署下列壓制手段：

• ??電子對抗??：射頻干擾、信號欺騙及協議操控以切斷通信或接管目標；
• 動能方案??：需即刻消除威脅時部署網捕系統、攔截無人機或高能激光武器；
• ??定向能系統??：微波/激光武器通過非接觸方式癱瘓無人機電子系統或結構。

3. 反無人機技術選型的挑戰與考量??

反無人機系統選型需綜合評估以下要素：

• ????探測范圍??：技術效能受制于距離與環境約束；
• ????抗氣候能力??：雷達與頻率監測比光學/紅外系統更耐惡劣氣候；
• ????誤報控制??：聲學傳感器與頻率監測易受環境噪聲或射頻干擾影響；
• ????部署可行性??：移動平臺、車載系統與固定設施需差異化運維方案；
• ????現役系統兼容??：多數方案需對接現有安防框架的軟硬件組件；
• ????法規限制??：國家及國際法規制約特定探測壓制技術的運用；
• ????作戰環境??：城區射頻擁塞與障礙物增大探測難度，開闊地帶更具優勢；
• ????無人機技術演進??：自主飛行、加密通信及低可觀測設計的普及持續推動反制技術升級。

當前反無人機技術格局呈現無人機能力與反制方案的持續軍備競賽。人工智能、傳感器融合及自主對抗技術的突破將對反無人機體系韌性升級產生決定性影響。

人工智能（AI）中的知識推理與表征對推進威脅識別的預測性研究至關重要。大規模數據的快速增長催生了自動化解決方案的部署，但當前機器學習接口仍難以可靠預測異常行為——這限制了其在關鍵決策中的適用性。為應對此挑戰，圖神經網絡理論與動態系統現代庫普曼理論的最新進展，推動了結合知識圖譜構建的深度圖表示學習技術發展。該方法通過學習捕捉異常威脅評分的圖嵌入，提升威脅分類精度。通過預測生成圖與真實圖譜間的圖相似性度量進行迭代對比，進一步優化預測結果。利用庫普曼方法對新聞文章中的暴力事件信息進行降維處理。提出的"基于庫普曼學習演化的半監督預測自編碼器表征（SPARKLE）"方法，為動態情報構建提供可擴展、自適應的框架，最終在未來威脅監控系統中實現實時態勢感知。建議未來研究將此創新方法與多源權威數據整合，以推進AI驅動的現代威脅分析。

圖：俄烏沖突每周時間序列數據

數據量的持續激增常導致信息過載，這迫使人們采用自動化工具實現高效利用。然而，當前機器學習接口難以滿足威脅識別與分類所需的精準可靠預測，使其無法勝任關鍵決策流程。基于圖的方法與現代庫普曼理論的最新進展，增強了人工智能技術從復雜數據集中提煉關鍵信息的能力。快速制定明智決策的迫切需求，推動著威脅識別方法的改進。

傳感器及其能力在融入復雜互聯戰場環境后日益精密。空間、平流層氣球、浮標與山頂部署的系統，可在動態復雜網絡中同時充當數據生產者與消費者。聚合、格式化與綜合海量數據以提供預警、推斷意圖并列舉應對建議，需具備對作戰環境的深刻認知、復雜傳感器數據本體論，以及精細而全面的對抗行為模型。此外，傳感器數據產出效用與數據分析深度常受顯著制約。本研究通過多層次方法評估預測能力：（1）應用機器學習模型壓縮數據；（2）構建知識圖譜捕捉對抗行動與意圖的關聯線索，并借助海軍研究生院"哈明"高性能計算環境創新應用庫普曼算子實現圖譜動態演化；（4）通過檢索增強生成（RAG）最大化分析效用以優化結果。研究框架始于理論與領域概述，涵蓋知識圖譜、機器學習方法、生成式動態圖、庫普曼算子預測及RAG技術，最終通過"基于庫普曼學習演化的半監督預測自編碼器表征（SPARKLE）"展示威脅分類精度的顯著提升。研究結果表明，SPARKLE迭代框架的應用有效增強預測能力并改善威脅分類成效。

傳感器已遍布從海底到太空的全域。"新聞文章中的暴力事件信息（VIINA）"時間序列數據集用于評估多種方法的性能。全球部署的龐大傳感器網絡產生的觀測數據，已遠超人類未經自動化輔助處理信息與語境的能力。此環境為結合知識圖譜構建與機器學習塑造戰場空間感知提供了理想的實驗場。

A. 問題陳述

當前面臨的問題在于亟需對海量數據實施自動化預處理以提升威脅環境中的態勢感知能力。"數據豐富但信息貧乏（DRIP）"凸顯了現有缺陷——分析人員當前無法在目標監視要求時限內處理偵測信息以支撐識別任務。2022年成立的"全域異常現象解析辦公室（AARO）"需就限制空域與敏感空域內的"未識別異常現象（UAP）"活動向國會提交報告（AARO，2022年）。全球范圍內（包括AARO等機構）迫切需要通過改進異常檢測與威脅識別方法提升預測能力。問題核心在于：現有技術與有限專業分析人員難以有效識別未明現象，導致空天優勢喪失。需開發高效自動決策輔助系統實現異常檢測與威脅識別，分析目標威脅以制定明智交戰決策。當前威脅識別預測方法無法滿足實時高風險決策需求。

B. 研究目標

表征、推理與持續學習是智能人工系統的關鍵要素。本研究采用多路徑方法（聚焦圖技術），旨在通過不同數據表征與多種圖譜技術測試，探索知識表征與預測推理間的關系，以異常檢測支撐識別任務解決DRIP問題。核心目標是理解基于圖譜的自動化如何整合知識圖譜構建（KGC）與機器學習模型實現增量信息獲取，及其對推理預測效能的影響。

C. 研究問題與假設

引入基于圖譜的解決方案可提升自動化預測在人機協同中的作用。概率建模技術、圖神經網絡與聚類算法可應用于圖結構數據，此類系統可產生增強模式分析、異常檢測與威脅識別的新興特性。

? 研究問題1：當信息表征以知識圖譜形式構建時，機器學習模型能否實現可靠預測？
 ? 假設1：知識圖譜構建（KGC）能提升異常檢測的預測能力以支持威脅識別，通過捕捉強弱關聯提升預測精度。

? 研究問題2：圖結構數據集（知識圖譜）能否用于訓練機器學習模型，通過增量更新改進人機預測系統？
 ? 假設2：知識圖譜構建（KGC）可利用概率圖機器學習從數據中提取信息，創建實體與關系，作為訓練數據集對知識圖譜實施增量持續更新。

? 研究問題3：當庫普曼算子與圖技術結合機器學習模型時，能否有效檢測并精準預測威脅以支持識別任務？
? 假設3：生成式與基于圖的技術可彌補當前技術缺口，使預測結果更具可靠性。

D. 研究目的聲明

日益增長的圖譜分析與表征研究，或為決策者利用預測評估制定高置信度決策提供新路徑。海量作戰可用數據需自動化預處理，知識圖譜構建與實體抽取自動化至關重要。需理解機器如何利用圖譜表征實現知識圖譜實體的動態構建與關聯預測。本研究旨在證明：在數字化時代數據激增背景下，知識圖譜構建與圖譜表征支持學習模型持續更新，可有效處理大規模數據。

E. 普適性

有效利用海量數據需深刻理解作戰環境，包括識別威脅或目標的潛在可開發行為與異常活動。聯合目標選定學員指南將目標定義為"可能需實施打擊或其他行動的實體與對象"（美國防部[DoD]，2017年）。其他考量因素包括機密情報收集需求、可用通信鏈路及數據處理能力以實現數據流動與運用。由于這些多樣化能力構成復雜互聯戰場環境的一部分，必須全面捕捉其二元關聯。圖論技術的應用為管理此能力網絡、從海量數據中提取有效信息以優化處理與融合提供了理論基礎。

F. 研究框架

本研究通過分析俄羅斯入侵烏克蘭相關新聞文章中的暴力事件文本預測潛在威脅。在決策者需及時獲取可操作預測信息的情境下，此類能力關乎生死存亡。支撐本研究的各要素模塊將在文獻綜述部分深入剖析。

方法論章節闡述SPARKLE迭代應用框架，展示知識圖譜在機器學習增量更新中的重要性，并描述流程輸出。后續分析通過模型對比與相似性分析開展預測精度比較評估，在討論環節提出復雜度測量方法以證明其在異常檢測中的表征能力超越傳統方案。

G. 研究意義與未來方向

當信息以知識圖譜形式結構化時，機器學習模型可實現更可靠預測。知識圖譜構建（KGC）通過捕捉強弱關聯提升預測精度。圖結構數據促進人機預測系統的增量更新，概率圖機器學習通過動態提取實體與關系實現持續學習，構建自適應演進的知識圖譜。庫普曼算子與圖譜技術的整合強化威脅識別能力，圖相似性度量與模型對比證明SPARKLE框架在復雜模式檢測中的預測提升。此概念可擴展至信號分類等其他領域（未來研究部分探討）。本研究核心貢獻在于提出AI驅動的現代威脅分析創新方法。

本報告是系列研究之一，旨在分析新興技術對美國國土安全部（DHS）任務與能力的影響。作為研究組成部分，作者團隊開發一套技術與風險評估方法論，用于評估新興技術并理解其在國土安全背景下的潛在影響。該方法論與分析為DHS提供了理解新興技術及其風險的基礎框架。

確保太空關鍵通道的可靠接入已成為經濟與國家安全的重要命題。鑒于DHS廣泛的國土安全職責與權限（作為美國政府最大的執法機構），該部門在諸多依賴太空可靠接入的活動中具有核心利益，特別是在與16個關鍵基礎設施部門相關或位于其中的領域。

在技術評估中，作者團隊考察了四個維度：技術可用性，以及風險與情景（細分為威脅、脆弱性和后果）。風險與情景分析由DHS科技政策辦公室和DHS政策辦公室提供。研究團隊將這四個維度置于三個時間段進行比較——短期（最多三年）、中期（三至五年）和長期（五至十年）。具體而言，研究聚焦未來十年內通信與成像衛星、太空數據中心與存儲設施、太空研發、太空增材制造、商業能源生產及太空采礦等領域的技術進展。

主要發現

• 隨著衛星性能提升與發射成本降低，關鍵基礎設施將日益依賴天基能力。然而，這種依賴性將導致太空環境愈發呈現競爭性、擁擠性與對抗性特征，使關鍵基礎設施面臨更多元化的風險敞口。
• 太空技術可及性在未來十年研究期內將呈現穩步發展態勢，但各項技術的成熟度差異顯著。與太空領域關鍵基礎設施應用相關的風險（威脅、脆弱性及后果）需待系統實現規模化部署后才會充分顯現。
• 早期應用可能涵蓋多種活動：太空旅游可能涉及長期駐留；太空數據中心處于規劃階段，未來三至五年內或完成原型驗證；制造與采礦預計需五至十年時間框架方能實現；某些應用（如商業能源生產和大規模太空采礦）在十年研究周期結束時仍難以突破原型驗證階段。
• 研究團隊評估認為，太空科技成熟度將持續提升，催生新應用場景、需求與市場力量，進而驅動創新迭代。技術的遞歸特性意味著，隨著科技成熟度取得成功，新的應用場景、需求和市場力量將會被識別，反之亦然。

本文介紹了在戰場數字孿生框架內使用貝葉斯優化（BO）、遺傳算法（GA）和強化學習（RL）等先進技術優化軍事行動的綜合方法。研究重點關注三個關鍵領域：防御作戰中的部隊部署、火力支援規劃和下屬單位的任務規劃。在部隊部署方面，BO 用于根據戰場指標優化營的部署，其中湯普森采樣獲取函數和周期核取得了優異的結果。在火力支援規劃中，采用了 GA 來最小化威脅水平和射擊時間，解決了資源有限條件下的資源受限項目調度問題（RCPSP）。最后，為任務規劃開發了一個 RL 模型，該模型結合了多智能體強化學習 (MARL)、圖注意網絡 (GAT) 和層次強化學習 (HRL)。通過模擬戰場場景，RL 模型展示了其生成戰術演習的有效性。這種方法使軍事決策者能夠在復雜環境中提高行動的適應性和效率。研究結果強調了這些優化技術在支持軍事指揮和控制系統實現戰術優勢方面的潛力。

基于戰場數字孿生的 COA 生成概念

戰場數字孿生是一個數字復制品，代表了真實戰場環境的組成部分和行為特征。它可以通過接收來自實際戰場的實時或接近實時的戰場、敵方和友軍單位信息，并將其動態反映到數字孿生中，從而對數字孿生模型進行評估和調整。換句話說，模型可以根據真實世界的數據不斷更新，以實現更具適應性的分析。這一概念與深綠的自適應執行相一致，后者也依賴于動態更新的信息。通過這種方式，可以向真實戰場系統提供改進的決策反饋，幫助用戶根據數字孿生模型做出更好的決策，而數字孿生模型是根據實際作戰數據更新的。

本節提出了 “基于戰場數字孿生的作戰行動選擇生成與分析 ”概念，通過各種技術方法，利用戰場數字孿生生成作戰行動選擇。然后對這些選項進行評估、效果比較，并推薦最合適的 COA 選項。基于戰場數字孿生的作戰行動選擇生成和分析的基本概念是，利用戰場數字孿生的預測模擬生成作戰行動選擇，同時考慮若干戰術因素（METT+TC：任務、敵人、地形和天氣、可用部隊和支持、可用時間和民用因素）。然后，可在數字孿生環境中對生成的作戰行動方案進行快速評估。圖 2 展示了這一流程的概念圖。生成和分析 COA 的四個關鍵輸入--威脅分析、相對戰斗力分析結果、戰場信息以及指揮官和參謀部的指導--假定來自其他分析軟件模塊和用戶輸入，從而完成智能決策支持系統。有關鏈接分析軟件模塊的更多信息，請參閱 Shim 等人（2023，2024）。

圖 2：基于戰場數字孿生系統的 COA 生成和分析概念。

可以按照圖 1 中概述的戰術規劃流程生成并詳細說明 COA 選項。然而，如前所述，規劃過程中的許多任務都需要人工干預，而人工智能技術的應用仍然有限。因此，我們將重點放在 COA 生成階段，在研究適用技術的同時，找出可以實現自動化和智能化的方面。本研究介紹了在 COA 生成過程中可實現自動化和智能化的三個概念：確定友軍部隊部署、規劃間接火力支援和規劃部隊戰術任務。友軍部隊部署是指部隊到達戰場后如何安排和使用，而部隊部署則是指如何將部隊轉移到指定的大致位置。我們將貝葉斯優化方法應用于友軍部署優化問題，作為 COA 方案生成的一部分。隨著人工智能技術的快速發展，許多研究都探索了基于最先進機器學習算法的全局優化方法。其中，使用高斯過程的貝葉斯優化法作為一種針對實驗成本較高的黑盒函數的全局優化方法受到了廣泛關注（Brochu，2010 年）。對于炮兵作戰，我們將火力支援調度問題歸結為一個項目調度問題，該問題力求在遵守資源限制的同時，最大限度地減少敵方總威脅和發射時間。將項目調度與資源管理相結合的任務被稱為資源約束項目調度問題（RCPSP）。最后，我們利用強化學習（RL）技術為下屬單位規劃戰術任務，以找到最優行動策略。強化學習已經證明，它是在動態和不確定環境中解決復雜決策問題的有效框架。特別是，我們利用多智能體強化學習（MARL）、分層強化學習（HRL）和圖注意網絡（GAT）的原理，為多個單位有效地學習任務及其相應參數，同時從每個智能體的角度考慮其重要性。

在使用所提出的方法生成一系列作戰行動（COA）選項后，將在戰場數字孿生系統中對這些選項進行模擬評估。然后對模擬結果進行評估，以推薦最合適的 COA 選項。在下一章中，將詳細解釋用于實現所建議的 COA 生成概念的技術方法，并提供全面的實驗評估結果，以突出所建議方法的有效性。

圖 8：強化學習的擬議架構。

摘要—文本到圖像 (T2I) 擴散模型 (DMs) 因其在圖像生成方面的顯著進展而受到廣泛關注。然而，隨著其日益普及，與信任度的關鍵非功能性屬性相關的倫理和社會問題也日益凸顯，例如魯棒性、公平性、安全性、隱私性、事實性和可解釋性，這些問題與傳統深度學習 (DL) 任務中的類似問題相似。由于 T2I DMs 的獨特特性，例如其多模態性，傳統的研究深度學習任務信任度的方式往往不足以應對這些問題。鑒于這一挑戰，近年來一些新方法被提出，通過偽造、增強、驗證與確認以及評估等多種方式來研究 T2I DMs 的信任度。然而，關于這些非功能性屬性和方法的深入分析仍然相對缺乏。在本次調研中，我們對可信的 T2I DMs 文獻進行了及時且重點突出的回顧，涵蓋了從屬性、手段、基準和應用等角度構建的簡明分類結構。我們的調研首先介紹了 T2I DMs 的基本知識，隨后總結了 T2I 任務特有的關鍵定義/指標，并基于這些定義/指標分析了最新文獻中提出的研究手段。此外，我們還回顧了 T2I DMs 的基準測試和領域應用。最后，我們指出了當前研究中的空白，討論了現有方法的局限性，并提出了未來研究方向，以推動可信 T2I DMs 的發展。此外，我們還通過我們的 GitHub 倉庫（//github.com/wellzline/Trustworthy-T2I-DMs）保持領域最新進展的更新。 關鍵詞—文本到圖像擴散模型，人工智能安全，可靠性，負責任的人工智能，基礎模型，多模態模型。

1. 引言

文本到圖像 (T2I) 擴散模型 (DMs) 在生成高保真圖像方面取得了顯著進展。通過簡單的自然語言描述生成高質量圖像的能力，可能會為多個現實世界的應用帶來巨大好處，如智能汽車 [1], [2], [3]、醫療保健 [4], [5], [6]，以及一系列不受領域限制的生成任務 [7], [8], [9], [10], [11]。擴散模型是一類概率生成模型，它通過先注入噪聲再進行逆過程來生成樣本 [12]。T2I DMs 是其中的一種特殊實現，通過描述性文本作為指導信號來引導圖像生成。像 Stability AI 的 Stable Diffusion (SD) [13] 和 Google 的 Imagen [14] 這樣的模型，經過大規模帶注釋的文本-圖像對數據集訓練，能夠生成照片般真實的圖像。商業產品如 DALL-E 3 [15] 和 Midjourney [16] 在多個 T2I 應用中展示了令人印象深刻的能力，推動了該領域的發展。 然而，類似于傳統深度學習 (DL) 系統 [17], [18], [19]，T2I DMs 的日益普及和進步也引發了倫理和社會問題 [20], [21], [22]，特別是圍繞信任度的一系列非功能性屬性問題，包括魯棒性、公平性、安全性、隱私性、事實性和可解釋性。然而，由于 T2I DMs 的獨特特性，傳統 DL 的信任度研究方法并不直接適用于它們。這里有兩個主要區別：(1) 傳統的信任度研究通常針對單一模態系統，無論是文本 [23], [24] 還是圖像 [25], [26]，而 T2I DMs 涉及多模態任務，處理輸入（文本）和輸出（圖像）等更為多樣的數據結構 [27]，這使得傳統 DL 任務中提出的黑箱信任度方法不再適用；(2) 與傳統的確定性 AI 模型（如用于 DL 分類任務的模型）相比，T2I DMs 的生成機制有所不同。即使與生成式對抗網絡 (GANs) 等隨機生成式 AI 模型相比，T2I DMs 的訓練目標和基礎算法也有本質區別 [28], [29], [30]。因此，傳統 DL 的白箱方法無法直接應用于 T2I DMs。T2I DMs 的這些獨特特性要求開發新的方法來應對其特定的信任度挑戰。 為應對這一挑戰，近年來涌現了大量關于 T2I DMs 信任度的研究。然而，社區中仍然缺乏專門針對這一關鍵且新興領域的調查研究。為此，本次調研旨在填補這一空白——提供一份關于 T2I DMs 信任度的及時且重點突出的文獻綜述。

范圍、分類和術語

在本次調研中，我們特別關注 T2I DMs 信任度的六個關鍵非功能性屬性1：魯棒性、公平性、安全性、隱私性、事實性和可解釋性。此外，我們通過四種方式探討這些屬性：偽造、增強、驗證與確認 (V&V) 以及評估。我們對屬性和手段的選擇基于傳統 DL 系統中常研究的信任度和安全性方面 [17], [31], [32]，這些系統定義了一組類似的屬性，僅在命名上略有不同。此外，我們還總結了 T2I DMs 的幾個基準測試和應用領域。該分類如圖 1 所示。 圖 1. 可信 T2I DMs 的分類。

我們現在為每個屬性提供非正式定義，正式定義將在后面介紹：

• 魯棒性 是指模型在面對“小”輸入擾動時保持一致性能的能力。
• 公平性 是確保模型輸出不會偏向或歧視某些個人或群體。
• 安全性（本文中特別關注后門攻擊）涉及保護模型免受隱藏漏洞的攻擊，這些漏洞可能在特定輸入觸發時導致惡意預測。
• 隱私性 是指訓練模型可能無意中泄露訓練數據中的敏感信息的風險。
• 可解釋性 旨在使模型的內部工作機制變得可理解，為模型如何做出決策提供洞見。
• 事實性 是指生成的圖像與文本描述的常識或事實保持一致，而不僅僅是與文本提示相匹配。

此外，我們將研究這些屬性的四種主要手段進行分類：

• 偽造 涉及通過設計和執行復雜攻擊暴露模型的漏洞，從而展示模型的缺陷或弱點。
• 驗證與確認 (V&V) 側重于確保模型的正確性，檢查其是否符合預定義的（正式）規范。

1. 非功能性屬性（也稱為質量屬性）指的是描述系統如何執行其功能的特性，而不是系統執行什么功能。

• 評估 類似于 V&V，但不針對特定規范，而是設計和應用指標來評估模型。
• 增強 涉及實施對策以保護模型免受各種威脅或修復影響模型信任度的缺陷。

總而言之，在本次綜述的范圍內，偽造旨在“查找漏洞”，評估旨在設計信任度測量規范，V&V 旨在實施符合過程，最后，增強旨在設計附加機制。

相關綜述

擴散模型 (DMs) 在多個領域取得了顯著的性能提升，極大地推動了生成式 AI 的發展。已有若干綜述總結了 DMs 的進展，包括通用綜述 [33], [34] 以及專注于特定領域的綜述，如視覺 [35]、語言處理 [36], [37]、音頻 [38]、時間序列 [39] 和醫學分析 [40]。此外，還有綜述涵蓋了 DMs 在不同數據結構中的應用 [41]。然而，這些綜述都未專門針對文本到圖像 (T2I) 任務。 在 T2I DMs 領域，一些評論深入探討了功能性屬性 [27], [42], [43]，但它們忽略了非功能性屬性。相比之下，我們的工作聚焦于信任度，提供了對研究非功能性屬性的現有方法的及時分析，并指出了當前研究的局限性。此外，一些研究分析了 T2I DMs 的特定屬性，如可控生成。例如，[44] 重點分析了新條件在 T2I 模型中的集成及其影響，而 [45] 探討了文本編碼器在 T2I DMs 圖像生成過程中的作用。最近的工作 [46] 調查了多種類型的攻擊，包括對抗性攻擊、后門攻擊和成員推斷攻擊 (MIAs)，以及相應的防御策略。然而，這些綜述都沒有全面探討信任度作為一組屬性和手段的關鍵問題。據我們所知，本工作是第一個全面深入分析 T2I DMs 的信任度非功能性屬性及其應對手段的研究，同時涵蓋了它們的基準和應用。

貢獻

總而言之，我們的主要貢獻如下：

1. 分類法：我們提出了一個簡明的可信 T2I DMs 分類法，涵蓋三個維度——非功能性屬性的定義、研究這些屬性的手段以及基準和應用。
2. 綜述：我們圍繞提出的信任度分類法進行了一項及時且重點突出的綜述，匯集了71篇相關論文。
3. 分析：我們對六個與信任度相關的非功能性屬性和四種手段進行了深入分析，概括了所綜述論文中的解決方案，進行了比較，識別了模式和趨勢，并總結了關鍵論點。
4. 空白和未來方向：我們為每個屬性和手段識別了研究空白，指出了現有工作的局限性，并提出了推動可信 T2I DMs 發展的未來研究方向。

本研究探討了政府和國防機構的情報搜索人員所面臨的數據超載問題。研究利用認知系統工程（CSE）文獻中的方法，對情報搜索工作領域進行深入分析。這些見解被應用于設計和評估專門用于情報搜索任務的人類-人工智能智能體團隊的支持概念和要求。領域分析揭示了 “價值結構 ”的動態性質，“價值結構 ”是一個術語，用于描述管理情報搜索過程的不斷變化的標準集。此外，領域洞察力還提供了搜索聚合和概念空間的詳細信息，可將價值結構有效地應用于情報搜索。利用這些發現的支持系統設計可以使情報搜索者在更抽象的層次上與數據互動并理解數據，從而提高任務效率。此外，新的系統設計還可以通過相關的系統提示，促進對大型數據域中未被選擇對象的 “環境感知”，從而為搜索者提供支持。通過支持概念和人工智能團隊實現的 “環境感知 ”有可能解決數據超載問題，同時提高搜索覆蓋范圍的廣度和深度。

圖 4. FAN 領域模型。為了強調整個 FAN 的抽象功能結構和目標互動，圖中模糊了流程塊的細節。詳細的智能搜索功能模型見補充材料圖 S1。

政府和國防機構的情報搜索人員面臨著越來越多的數據和文件，他們需要從中查找或 “發現 ”信息，以獲得支持明智決策的見解。這種情況被稱為數據超載問題，即個人在系統或其他代理的幫助下，難以選擇、組合或綜合所需的數據子集，以完成需要在更大的數據領域進行態勢評估的任務[1]。在這種情況下，情報搜索人員與同事一起利用搜索工具，協同努力從幾乎無限的可用于任務的文件中查找、收集和評估文件，以完成為情報目標提供信息的任務。具體地說，數據超載妨礙了搜索人員識別數據子集的能力，而這些數據子集能提供足夠的細節來滿足情報目標，這對行動任務的完成至關重要。

用于一般情報搜索任務的系統可能會導致數據超載癥狀。具體來說，情報搜索工具會表現出與 “鎖孔脆性”[2] 概念有關的缺陷。這里所說的 “鎖孔 ”是指縮小呈現數據的范圍，將剩余數據分配到更多的隱藏屏幕上。這種呈現方式要求研究人員手動瀏覽和綜合來自多個數據屏幕的信息，以了解搜索的效用。同時，這些現有工具的脆性與它們支持從情報搜索工作領域的數據中提取意義的潛力有關。因此，“脆性 ”產生于搜索工具對信息的狹隘表述。對于需要從大量數據中提取意義的復雜任務來說，這種局限性導致了效率的下降，而這些數據又超出了給定系統的表述范圍。此外，由于情報搜索工作和信息領域的結構復雜，無法充分捕捉和傳達，妨礙了對支持行動所需的信息的理解和管理。這就導致效率低下，搜索人員往往會錯過有價值的見解和與目標相關的數據，同時還要花費更多的時間瀏覽各個屏幕來完成任務。

情報工作領域的搜索所面臨的這些廣泛挑戰構成了本研究要探究的問題，圖 1 的頂部對此進行了總結。圖 1 中還列出了應對這些挑戰常用的術語和縮略語，作為本研究的路線圖。

無人飛行器/無人機（UAV）技術的最新進展極大地推動了無人飛行器在軍事、民用和商業領域的應用。然而，為無人機群建立高速通信鏈路、制定靈活的控制策略和開發高效的協同決策算法等方面的挑戰，限制了無人機群的自主性、魯棒性和可靠性。因此，越來越多的人開始關注協作通信，使無人機群能夠自主協調和通信，在短時間內合作完成任務，并提高效率和可靠性。本研究全面回顧了多無人機系統中的協作通信。我們深入探討了智能無人機的特點及其自主協作和協調所需的通信和控制要求。此外，還回顧了各種無人機協作任務，總結了無人機蜂群網絡在密集城市環境中的應用，并介紹了使用案例場景，以突出基于無人機的應用在各個領域的當前發展情況。最后，我們確定了未來需要關注的幾個令人興奮的研究方向，以推進無人機協作研究。

無人飛行器中的協作

起初，單無人機系統用于導航、監視和災難恢復，每個無人機作為一個孤立的節點直接與中央地面站連接。然而，在單無人機系統中，由于無人機在指定區域內獨立運行，因此更容易出現系統和通信故障。此外，無人機在網絡中獨立工作還需要更長的時間和更高的帶寬來完成任務。相比之下，在多無人機系統中，無人機共同工作以實現共同目標。例如，無人機可以協同工作，生成高分辨率圖像和三維地圖，以確定救災過程中的熱點區域。同時，配備嗅探器的無人機可以探測到高濃度的甲烷，從而找到破損的天然氣管道。因此，無人機還可以在不危及救援人員生命的情況下提供水和食物。因此，協調與合作對于在多無人機環境中實現理想性能至關重要。本節將詳細討論協作式無人機的要求和挑戰，如智能、通信、控制和協作。此外，我們還將介紹最先進的協作通信方法，以突出無人機網絡的貢獻和局限性。

A 智能無人機

傳統無人機的主要組成部分包括傳感、通信、控制和計算單元 [25]。傳感單元由集成在無人機上的多個傳感器組成，用于不同的目的，如評估高分辨率物體、溫度估計、光探測和天線配置[36]。同時，通信單元使無人機能夠相互通信并與中央控制站交換信息。強制控制單元通常控制傳統無人機的操作，包括避免碰撞、路徑規劃、目標跟蹤和資源管理。然而，與中央控制單元的頻繁通信以及無人機與無人機之間有限的通信能力限制了無人機獨立完成任務的自主性和協作性。例如，在救災行動中，具有自主功能的多架無人機可以執行協作功能，如一組無人機可以檢查危險區域，而其他無人機可以執行醫療援助補給投放任務，幫助災民。此外，配備高分辨率攝像頭和資源管理算法的無人機可以執行智能決策，將損失降到最低。同時，當無人機對城市環境中的風向模式有了更深入的了解后，它們可以利用這些知識避開亂流，選擇能量最小的路線，而無需頻繁接受控制單元的指令。

同樣，具有協作通信能力的智能無人機可以執行各種分布式操作，并為智慧城市應用做出獨立決策[32]。例如，在城市環境中工作的無人機需要與其他傳感設備、機器、機器人、無人機和人進行高度協調和協作，才能執行某些操作。因此，加強合作和對部署環境的了解有助于無人機與周圍物體進行無縫互動，以處理監測到的數據并做出實時決策，從而提高復雜環境中的安全性和可靠性[37]。同樣，無人機可以通過對城市環境中周圍物體的語義理解來提高物體識別能力，從而更好地理解和設計與周圍環境互動的方法。

然而，由于缺乏高效的智能自主無人機對無人機通信機制，無法實現無人機的獨立飛行、軌跡形成、目標定位和數據操作決策，這阻礙了基于無人機的應用范圍。因此，為了從無人機的天然特性（如高機動性、靈活部署和不同類型傳感器集成）中獲益，有必要更加關注無人機的自主性和智能協作通信能力集成，以提高無人機作為一個團隊了解環境、共享知識和資源以做出智能決策的性能，而無需高度依賴中央控制的系統指令[38]。

B 通信要求

在多無人機系統中，無人機之間以及無人機與中央骨干基礎設施之間都要進行通信，以順利完成各種指定任務。無人機與基礎設施網絡之間的通信一般遵循兩種通信模式，即無人機與基礎設施之間的通信和無人機與無人機之間的通信，以交換數據并確保高水平的連接性，從而實現協作通信。本節將詳細討論這兩種模式的通信要求。

1. 無人機對基礎設施： 如圖 2 所示，無人機對基礎設施通信可實現無人機與基礎設施網絡之間的信息傳輸，使用的平臺包括地面平臺、高空平臺（HAP）和衛星。無人機可充當通信中繼站、用戶或基站，以建立有效的通信。在無法直接聯系的情況下，無人機作為中繼器可在地面站和遠程基礎設施之間提供無線覆蓋。無人機作為中繼器具有許多優勢，如覆蓋范圍大、速度快、通信信道清晰、易于部署、數據轉發模式可靠等 [39]，[40]。無人機還可以作為用戶將任務卸載到邊緣服務器，從而以較低的延遲增強覆蓋范圍 [41]。與此同時，當無人機作為基站工作時，它們能為異構網絡提供更靈活的通信服務解決方案，因為它們能實現更好的 LoS 傳播、可擴展性和更高的運行高度[42]。本節重點介紹使用上述各平臺實現高效無人機群的主要通信要求。

2. 無人機對無人機通信： 除了無人機與基礎設施之間的通信外，有效的無人機對無人機鏈路可使無人機群克服各種基本挑戰，如自主飛行、避免碰撞、分布式處理和聯合行動。最新文獻提出了提供無人機對無人機通信的多種方法，包括衛星通信鏈路、Wi-Fi 鏈路、超高頻（UHF）鏈路、蜂窩通信鏈路、長距離廣域網（LoRAWAN）和自由空間光學（FSO）鏈路。本節將討論這些不同方法對實現穩定可靠的無人機對無人機通信的要求。

C 控制要求

由于無人飛行器體積小、成本低，因此需要一種成本效益高的控制系統，能夠在起飛、著陸、懸停、機動性、高度控制、定位和避免碰撞等方面實現靈活的移動和軌跡跟蹤。下文將討論無人機的主要控制要求：

• 起降：無人機可分為固定翼和旋翼兩種，兩者對起降都有特定要求。固定翼無人機的起飛和降落需要跑道，而旋轉翼無人機可以垂直起飛和降落，從而提高了其在各種民用領域的適用性[69]-[71]。在文獻[72]中，作者提出了一種混合垂直起降 VTOL 解決方案，該方案將固定翼和旋轉翼無人機的功能集成在一個平臺上，從而實現了長續航時間和高飛行效率。VTOL 方法需要一個固定翼位置控制器、旋轉翼位置控制器、過渡控制器和基于氣動特性的 VTOL 混合器，以實現過渡和提高飛行穩定性。在另一項工作[73]中，不同的 PID 控制器用于沒有跑道和發射回收設備的 VTOL，通過控制指令實現平穩運行。此外，在現有文獻[74]-[76]中，還介紹了使用可見光攝像傳感器、全球定位系統和 IMU，利用 PID 控制器進行起降的各種解決方案。

• 受控運動和懸停： 無人飛行器的旋翼使用螺旋槳，可實現滾動、推力控制、俯仰、偏航和六個自由度的旋轉、機動和懸停。無人飛行器的控制算法可調整滾轉、俯仰和偏航，以實現在 X 軸、Y 軸和 Z 軸上的穩定旋轉。現有研究提出了各種控制無人機運動的模型，例如，Thu 等人在文獻[77]中根據 "+"和"×"飛行配置，模擬了著名的四旋翼飛行器控制系統，以實現靈活的運動和機動。在另一項研究[78]中，設計了一個動態模型來控制無人飛行器在一個旋轉軸上的運動。Elkaim 等人在文獻[79]中介紹了一種無人機控制系統，該系統利用位置、速度和高度估計來控制無人機的運動和軌跡形成。另一篇論文[80]介紹了一種自主無人機飛行控制系統，該系統集成了全球定位系統，可生成最佳飛行路徑。此外，現有文獻還對油門運動、狀態信息和機載傳感組件進行了分析和建模，以實現穩定機動和懸停 [81]-[83]。

• 飛行中控制： 無人機的位置和速度等狀態信息用于引導和控制無人機進行著陸或物體跟蹤等精確操作。遙控航空模型自動駕駛儀（RAMA）在文獻[84]中有詳細描述，它利用高度、角速度和位置信息來設計小型無人機的控制系統。此外，PID 控制器也引起了學術界和工業界對無人機自主運行的極大關注 [85]。集成 PID 自動駕駛儀可實現一整套無人機自主導航和實時操作的航空電子設備 [86]。此外，PID 控制器還能提高可靠性，并以最小的誤差和能耗將飛行中的無人機穩定在預定軌跡上。

• 避免碰撞：這是無人機設計中確保無人機自主飛行的基本要求。現有文獻 [80]、[87] 提出了各種方法，如 GPS 導航和不同的防撞傳感器來避免碰撞。此外，根據現有研究[88]、[89]，廉價的商用傳感器（如紅外、壓力和高度傳感器）可以很容易地集成到無人機飛行系統中，以估計與障礙物的距離，從而控制其移動。此外，無人機的精確位置估計和軌跡規劃也是避免碰撞的基本要求[90]。

D 協同執行任務

本節將全面介紹協作通信方面的現有發展。無人機的協同任務允許多架無人機共享信息，以分布式的方式低成本、高效率地執行各種任務，并提高靈活性、魯棒性和容錯性。近年來，人們提出了一些協作通信架構，主要側重于將無人機網絡與 WSN、Ad-hoc 網絡和物聯網范例整合起來，以實現有效監測和數據收集[91]。此外，還提出了一些基于蜂群的方法，用于協作軌跡規劃、路由選擇和目標定位。

1. 基于蜂群的協作通信： 最近有幾項研究利用無人機群在短時間內協作完成任務，具有更好的覆蓋范圍、可靠性和效率。

2. 無人機群網絡的深度強化學習： 在過去幾年中，強化學習技術已被廣泛應用于提高無人機蜂群網絡在復雜環境中的路徑規劃、導航和控制性能[97], [98]。

3. 軌跡形成： 協作軌跡形成可使多個無人機找到從起點到目標點的最佳路徑。這是無人機系統的新興研究領域之一，因為協同路徑規劃可最大限度地降低定位成本、改進機動決策并有助于避免碰撞 [109]-[111]。

4. 合作目標定位： 精確定位可為目標指示、空中拍攝、數據傳感和空對地攻擊帶來顯著優勢[121]。

5. 數據收集： 在過去的幾年中，人們引入了許多協作通信機制，以改善遠程數據收集體驗[128]。

6. 協同決策： 無人機的自主操作需要做出復雜的決策，以實現應用目標，如消除威脅或時間緊迫的救援行動。這些復雜決策受到信息不足、高度不確定性、延遲和任務耦合的影響 [137]。

本報告總結了網絡科學實驗方法項目期間的研究成果，大約涵蓋2017-2020年。該項目重點關注兩個主要議題：彈性網絡的上下文感知網絡和網絡安全。上下文感知網絡旨在改善戰術網絡及其支持服務的性能，使用上下文感知來加強目前的實踐方法，這些方法不一定考慮環境的動態和資源有限的邊緣設備和網絡的限制。彈性網絡的網絡安全旨在加強戰術網絡在動態和復雜對手面前的安全性。

參與本項目的美國陸軍作戰能力發展司令部陸軍研究實驗室的研究人員在相關主題的多個外部合作伙伴計劃的形成和合作中具有重要影響。這些項目的成果被納入任務資助的項目。這些合作伙伴計劃包括美國-英國分布式分析和信息科學國際技術聯盟（DAIS ITA）、戰場物聯網合作研究聯盟（IoBT CRA）、技術合作計劃（TTCP）和北約科學和技術組織信息系統技術（NATO STO IST）小組。

這項研究的影響包括：網絡模擬實驗驗證了支持理論結果的算法和技術的可行性，在網絡和通信研究界對研究成果進行了大量報道，并對陸軍概念科技（S&T）文件做出了貢獻。下文中總結的重點包括：利用沙堆模型開發網絡控制中的級聯故障的最佳控制，并確定可以防止級聯故障的條件；將密匙壽命提高一個數量級的物理層安全認證協議；以及對指揮與控制（C2）、火災和網絡科技概念文件的貢獻。

圖 1 包含理解、適應和執行周期的上下文感知網絡示意圖