在21世紀初，美國軍隊專注于反叛亂行動，而俄羅斯等競爭對手則專注于常規軍事力量的現代化，威脅著美國的軍事主導地位。美國軍事能力差距的縮小，加上新興技術，如網絡空間、太空和電磁波譜，改變了戰爭的特點。美國陸軍的應對措施，即多域作戰（MOO），試圖利用融合的概念，快速而持續地整合所有軍事領域、電磁波譜和信息環境，以賦予軍事優勢。為了實現融合，美國陸軍必須與其他軍種進行聯合開發，制定軍種間協議，修改人員結構，并修改人事政策。后越南時代空地戰的發展和隨后的 "沙漠風暴行動 "提供了一個歷史案例研究，重點是為實現陸域和空域的融合而進行的組織變革。目前美國軍隊現代化的體制機制主要是在空地戰時期發展起來的，可能需要調整，以確保適應實現MDO融合。

引言

隨著2015年國家安全戰略的發布，標志著美國正式將國家安全重點從過去14年的沖突中轉移。盡管在阿富汗和伊拉克的行動仍在進行，但該文件提到部署的部隊兵力從2009年的約18萬人減少到公布時的不到15000人。雖然仍然承認暴力極端主義組織的威脅，但美國開始將國家安全重點從全球反恐戰爭（GWOT）轉向大國競爭。這種轉變隨著2017年《國家安全戰略》和2021年《臨時國家安全戰略》的發布而加劇，該戰略特別指出俄羅斯等是挑戰美國實力、利益、安全和繁榮的國家。俄羅斯和其他國家競爭者專注于其部隊的現代化，而美國則專注于在伊拉克和阿富汗的反叛亂行動。這增加了競爭者的能力，并對美國的軍事主導地位構成了威脅。美國陸軍的多域作戰（MDO）概念是對美國陸軍領導層提出的安全問題的回應。它是美國陸軍理論、組織、訓練、物資解決方案、領導、人員、設施和政策（DOTMLPFP）現代化的核心重點，以保持對所有對手的競爭優勢。

MDO的一個核心主題給軍隊帶來了新的問題，即技術的出現和普及改變了戰爭的特征。互聯網的發展和全球日常生活的許多方面對這一現象的依賴引起了網絡空間的競爭，其影響可能會影響傳統的戰爭形式。對基于空間的能力的更多依賴和公認的空間軍事化，同樣代表了在以前的沖突或理論中沒有完全實現的戰爭轉變。能夠利用電磁波譜（EMS）的技術，雖然在整個20世紀都在使用，但在21世紀更加普遍，對戰爭的可能影響也更大。所有這些發展都是隨著信息時代的到來而出現的，增加了信息環境在影響戰爭行為和結果方面的重要性。

廣泛的研究問題和主題

擺在作戰人員面前的問題是如何將這些新出現的能力與現有的和經過驗證的框架進行最佳整合。美國陸軍的答案是："......在所有領域、電磁波譜和信息環境中快速和持續地整合能力，通過跨領域的協同作用優化效果，以戰勝敵人......" 為了完成這一任務，美國陸軍必須與其他軍種進行聯合開發，制定軍種間的協議，修改人員結構，并修改人事政策。海灣戰爭時期空地戰的發展代表了美國空軍和美國陸軍的成功整合，以實現其主要領域的融合，并在DOTMLPFP的各個類別中發生變化。對這一時期土地和領域整合的分析可以為未來網絡空間、空間、信息環境和環境管理系統的領域整合提供有益的見解。

MDO結構廣泛地使用了領域一詞，這一概念是理解融合的一個核心概念。MDO中使用的領域一詞符合聯合出版物（JP）3-0《聯合作戰》中描述的該術語的聯合用法。 聯合條令沒有明確定義領域；然而，它確實將領域的概念貫穿于理解作戰環境和如何組織聯合作戰的描述中。該術語并不意味著所有權或排他性，因為單一軍種可以在多個領域內運作。目前公認的聯合行動的物理領域有四個：陸地、空中、海上和太空。信息環境產生了第五個聯合領域，即網絡空間。

聯合條令并不承認信息環境是一個領域。然而，與四個物理領域和環境管理系統一起，聯合條令將其視為作戰環境的一個主要組成部分，并將其視為一種聯合功能。JP 3-0將信息環境定義為"......包括并聚集了眾多的社會、文化、認知、技術和物理屬性，它們作用于并影響知識、理解、信仰、世界觀，并最終影響個人、團體、系統、社區或組織的行動。" 網絡空間作為一個領域存在于信息環境中。電磁環境，即所有頻率的電磁輻射范圍，也是作戰環境的一個重要因素，但聯合條令并不承認它是一個獨立的領域。

將四個物理領域、網絡空間、信息環境和環境管理系統結合起來，就產生了MDO的融合概念。簡單地說，融合是美國陸軍編隊利用作戰環境的所有可能方面，在武裝沖突中創造對敵人的優勢，利用這種優勢，并取得勝利。部隊通過跨領域的協同作用實現融合，這是MDO理念的核心原則。這個術語也起源于聯合條令，被定義為 "在不同領域的能力的互補性，而不僅僅是相加，從而使每一種能力都能增強其他能力的有效性并彌補其他能力的脆弱性"。融合的產生是由于接受了美國將無法在近距離或同行沖突中享有未來領域的優勢，而是需要使用來自多個領域的協調效應來讓出優勢。

支撐這一分析的理論框架是作戰藝術，即 "在......技能、知識、經驗、創造力和判斷力的支持下，制定戰略、戰役和行動，通過整合目的、方式、手段和評估風險來組織和使用軍隊的認知方法"。MDO是一個作戰層面的構造，旨在為指揮官提供一種方法，通過協調使用所有可用資源，在競爭、危機或武裝沖突中取得戰術勝利。然而，除非在政治目標的背景下實現，否則這種勝利是沒有意義的。然而，將戰術結果與政治目標聯系起來，不屬于本研究的范疇，本研究的重點是戰爭的作戰和戰術層面。

MDO融合領域的新興性質和已發表作品的匱乏限制了這項研究。對后越南時代到今天的發展時期的研究限定了本項目的范圍。雖然在整個軍事史上還有其他領域融合的成功案例，但本研究沒有考慮這些案例。這種劃分也排除了海上、空中和陸地融合的成功案例，這些案例可能會產生比只考慮空中和陸地領域更多或相互矛盾的見解。本研究重點關注美國在空中和陸地融合方面的努力以及對美國陸軍MDO的影響，排除了其他國家的MDO概念發展案例和其他領域融合的歷史案例。最后，本研究主要分析了MDO融合的作戰和戰術影響，因為戰略分析不是MDO構建的重點。

這個項目接受了MDO的一般方法，將其作為一個有效的結構來處理后GWOT時代出現的近距離或同行競爭問題，并作為美國軍隊現代化的基礎。這種方法的一個固有的假設是，實現所有領域、信息環境和EMS的MDO融合會產生對對手的明顯優勢。鑒于持續增加總部組織的規模和復雜性的趨勢，如從2001財年到2012年，作戰指揮部人員增長了50%，增加人員的規模和復雜性可能會阻礙決策和組織適應。最后一個假設是，美國陸軍不能以目前現有的框架實現MDO的最佳融合，這意味著美國陸軍需要進行組織變革以充分實現現代作戰環境的好處。

這個項目采用了案例研究的方法，研究了空地戰發展背后的理由和事件，它的持續演變，以及這個過程在目前的服務和聯合DOTMLPFP類別中是如何體現的。這既代表了極端的情況，因為美國陸軍和美國空軍元素在作戰環境中的接近帶來了自相殘殺的危險，也代表了關鍵的情況，因為空陸一體化的發展可能適用于其他領域、信息環境和環境管理系統。這種分析也可能發現案例研究是務實的，揭示了一種有效的方法來實現與新的戰爭領域的銜接。本研究的一般格式是從文獻回顧，到方法概述，案例研究本身，分析和發現，最后是結論。

未來的系統開發包括指揮和控制（C2）技術，以支持空戰管理人員（ABM）和戰斗機飛行員，因為他們支持在一個更大的系統系統中使用自主無人機系統（UAS）的復雜任務。在復雜的、不斷發展的和動態的環境中，人類作戰員有效地觀察、定位、決定和行動的能力是必不可少的。然而，在ABM和飛行員之間的UAS監管變化過程中，作戰者的表現可能會下降，這大大增加了作戰者的認知工作量，超過了以往任務中通常看到的工作量。不幸的是，C2技術的發展往往把重點放在自動化和硬件上，使人類作戰員的參與度不足，不利于人與自動化的互動。目前，數字工程和基于模型的系統工程（MBSE）工具正在迅速被系統開發、整合和管理所采用，以支持整合這些系統所需的復雜開發工作。目前的研究在MBSE工具中整合了人的考慮，以分析開發過程中人與自動化的合作。該方法支持在建模的任務模擬中用一對專門的活動圖表示自動化輔助和人類作戰者，稱為任務行為者圖和OODA2活動圖，允許分析作戰過程中的錯誤和瓶頸。這種方法說明有可能減少作戰員的認知工作量，改善作戰員的決策，提高系統性能，同時減少系統重新設計的時間。

本專著追求的是確定美國陸軍如何能夠建立對定位導航和授時的共同作戰理解。規劃人員、分析人員和戰略人員必須了解如何實施空間使能因素和能力，以應對有爭議的作戰環境中的挑戰。最重要的是，本專著試圖回答美國陸軍將如何在未來的多域作戰中減輕定位導航和授時（PNT）的不利影響的問題。空間使能器對于成功彌補BCT級別的空間作戰差距以應對PNT戰爭中的近距離威脅是至關重要的。了解美國陸軍在MDO期間如何針對近距離對手開展行動，對于未來的任務規劃至關重要，這將使美國陸軍在多域作戰中應對作戰挑戰并保持作戰優勢。該專著將提供背景資料，確定美國陸軍在被拒絕、降級和中斷的空間作戰環境（D3SOE）中的GPS所面臨的當前問題，適用于PNT的當前文獻，并分析當前PNT的能力和局限性。最后，它的結論是關于美國陸軍必須如何認識到MDO的未來影響，并確定將阻礙美國陸軍未來行動的任何執行的脆弱性的建議。

引言

在當前的信息和技術時代，世界人口已變得越來越依賴實時數據。無論是手機、電視，甚至是電力，技術已經成為地球上日常生活中提供實時信息的主力軍。隨著這種技術全球化的增加，對美國國家安全的挑戰和保護美國國內外利益的復雜性也在增加。美國繼續在有爭議的作戰環境中投射力量。美國在被拒絕的、退化的和被破壞的作戰環境中通過空間能力投射力量的能力不能僅僅停留在戰略領域，還必須延伸到作戰和戰術層面。

今天，近在咫尺的對手威脅，特別是中國和俄羅斯，正在與美國進行一場越來越復雜的技術競賽。國防空間戰略（DSS）總結提出，由于俄羅斯等大國開發、測試和部署反空間能力及其相關的軍事理論，以便在沖突中延伸到空間，因此構成最大的戰略威脅。這與其說是創造最主要和最致命的武器的競賽，不如說是一場更專注于如何拒絕對手能力的競賽。了解到這些空間支持行動的戰略利益，外國政府正在發展威脅他人使用空間能力的能力。中國和俄羅斯各自將空間武器化，作為降低美國和盟國軍事效力和挑戰美國空間行動自由的手段。

這種拒絕對手能力的技術競賽可能導致信息傳遞的 "內容 "和 "方式 "的范式轉變。拒絕信息傳遞是信息作戰（IO）和多域作戰（MDO）的最前沿。美國陸軍目前在作戰層面上面臨的問題是對定位、導航和授時（PNT）以及空間能力如何在退化、中斷或被拒絕的作戰環境中實現任務規劃和執行缺乏共識。美國陸軍必須了解PNT戰爭如何在作戰環境中發生，以及如何在未來的MDO期間減少所有梯隊對PNT戰爭的敵對使用。

三種不同的基本能力的組合定義了PNT。定位是指在標準大地測量系統（如1984年世界大地測量系統或WGS84）中準確和精確地確定一個人的位置和方向的能力，或在需要時確定三維位置。導航是確定當前和所需位置（相對或絕對）的能力，并應用于修正航線、方向和速度，以達到世界上任何地方的所需位置，從地下到表面，從表面到空間。計時是指在世界任何地方并在用戶定義的及時性參數范圍內，從一個標準（協調世界時或UTC）獲得并保持準確和精確的時間的能力。計時還包括時間轉移。

授時是PNT的關鍵。它是定位和導航的基礎。GPS的定位和導航數據來自接收設備的授時信號。全球的用戶完全依靠美國空軍維護的衛星群來獲得授時信息。

由于平民依賴PNT，即目前現代技術的支柱，美國軍隊也極其依賴PNT及其能力。廣泛依賴衛星信號進行導航和計時，使美國的關鍵基礎設施和經濟活動處于危險之中。

從戰術層面上進行徒步巡邏的步兵到進行聯合演習的海軍艦艇，甚至是在戰略層面上投擲精確制導炸彈的B-52 "斷頭臺"，這些行動的成功執行所需的精確位置的計算都使用PNT。PNT的中斷可能有能力阻止美國軍隊的行動。人們越來越關注對手破壞GPS信號的方法和手段，從而使美軍無法獲得實現 "美國戰爭方式 "的定位和導航信息。美軍必須對付這些對手的措施，以便在被拒絕的、退化的和被破壞的空間作戰環境（D3SOE）中有效運作。

在D3SOE中有效運作依賴于幾個維持連接網絡的天基系統。天基系統和不受阻礙的空間訪問對國家的經濟福祉越來越關鍵，并與美國的國家安全相關聯。美國陸軍依靠空間能力來實現和加強陸地戰爭；幾乎每一個陸軍和聯合行動都受益于這些能力。了解這些涉及的復雜系統的風險將產生一種保護美國利益的預防行動的緊迫感。

基于空間的能力是軍事、商業和民用部門的一個組成部分。目前美國的空間政策闡明了基礎活動，通過加強機構間和商業伙伴關系來改善空間系統的開發和采購。長期存在的空間技術和成本障礙正在下降，這使得更多的國家和商業公司能夠參與到衛星建造、空間發射、空間探索和人類太空飛行中。私人商業公司Space X最近公布了其空間計劃。這可能促進美國商業空間能力和服務的新市場機會，包括依賴美國政府提供的空間系統的商業應用。促進商業應用對有保障的PNT的依賴，可以利用美國的能力來增強和鼓勵新興技術和空間能力的民用和軍用互操作性。鑒于上述概述，本專論將討論在美國陸軍作戰計劃中理解PNT的重要性。

研究問題

美國陸軍將如何在未來的多域作戰 (MDO) 中減輕 PNT 戰爭的影響？

假設

美國陸軍要求重點支持有保障的PNT和緩解技術，這可能使美國陸軍在MDO期間應對作戰挑戰并保持作戰優勢。為了應對有保障的PNT所面臨的近似挑戰，美國陸軍必須找到新的和全面的方法，通過同時使用其他作戰領域，如網絡戰和電子戰，來減少對計時系統的威脅。這也意味著要建立一個防御性的時間基礎設施和網絡，以維護和改善友好的授時源和授時分配，重點是精確授時的廣泛用途。在GPS被屏蔽的環境中，確保準確的PNT信息被傳遞給作戰人員是絕對關鍵的。為了采用這些技術，并有效地應對近距離的威脅，美國陸軍必須在作戰層面上提高整個部隊對空間能力和促進因素的共同理解。

重要性

美國陸軍必須認識到MDO的未來影響，并確定將阻礙美國陸軍未來行動的任何執行的弱點。了解美國陸軍在MDO期間如何對近距離的對手開展行動，對于未來的任務規劃至關重要。MDO方法將等同于美國陸軍如何減少其目前對PNT的過度依賴，同時繼續執行和實現任務的成功。

方法論

通過條令、歷史和理論的視角，研究將集中在公開來源的非保密檔案材料、當前和歷史上的軍事學說以及理論框架，以產生一個規范性的建議來回答研究問題。訪問聯合導航戰中心（JNWC）、美國陸軍空間和導彈防御司令部（USASMDC）、美國戰略司令部（USTRATCOM）和位于科羅拉多州彼得森空軍基地（AFB）的美國空間司令部（USSPACECOM）的人員資源，將提供歷史和當前背景以及與研究問題有關的信息。這將有助于指導研究，任何發現，并提供與此主題有關的額外背景。該專著將確定當前的MDO理論，包括當前的空間作戰理論，以了解已確定的PNT脆弱性，在可能的情況下減輕，以及在空間使能器可以彌補任何操作差距的情況下未減輕。空間使能器對于在BCT層面成功彌補空間作戰差距以應對PNT戰爭期間的近距離威脅是最重要的。

本專著將特別關注解決美國陸軍應通過實施集中的系統方法來理解PNT的過程。這個過程將通過在各旅戰斗隊（BCT）實施空間使能器和空間能力來提高對PNT戰爭的作戰理解。空間能力是投射陸地力量和贏得近距離戰斗的關鍵使能因素。本專著分為四個主要部分：第一部分是導言，包括背景信息，指出美國陸軍在D3SOE中面臨的GPS問題；第二部分提供適用于PNT戰爭的當前理論，以及對當前PNT戰爭能力和限制的理解；第三部分分析美國陸軍目前如何計劃和執行MDO；第四部分總結了影響、建議，以及必須進行的額外研究。

美陸軍統一網絡計劃正在推動網絡在2028年之前從一個被認為是看不見的資產變成一個支持多域作戰（MDO）方式的部隊武器系統。美陸軍的統一網絡將提供一種可生存的、安全的、端到端的能力，使陸軍在競爭、危機或沖突期間以及在所有作戰領域（海洋、陸地、太空、網絡、空中）作為聯合/聯盟部隊的一部分進行運作。

美陸軍參謀長的《陸軍向多領域作戰轉型白皮書》和到2028年擁有一支具備多域作戰能力部隊的目標，突出了對陸軍統一網絡的關鍵需求。決策主導權和超額配給能力是MDO的核心，而陸軍只有通過彈性、安全的全球網絡能力和容量才能實現這一目標。在此基礎上，美陸軍統一網絡計劃將多種復雜的網絡現代化工作調整為支持MDO所需的單一、一致的方法。

通過跨領域的努力，美陸軍統一網絡計劃為2028年的Way Point部隊提供了一個統一的網絡，然后隨著信息技術的持續快速發展而不斷進行現代化。

美陸軍統一網絡計劃與陸軍戰略的重點相一致，即建立戰備、現代化、改革陸軍以及加強聯盟和伙伴關系。現有的戰術網絡現代化戰略和實施計劃與陸軍統一網絡計劃相銜接，并保持一致。此外，陸軍統一網絡計劃在多個階段和時間范圍內與2019+陸軍戰役計劃并行，并使其得以實施。

第一階段：近期（目前-2024年）--建立統一的網絡

這一階段已經開始，同步進行綜合戰術網絡（ITN）和綜合企業網絡（IEN）的現代化。這一階段的主要工作包括：

• 對這一階段具有決定性意義的是建立一個基于標準的安全架構，該架構建立在零信任原則之上，最初的主要重點是SIPR網絡的現代化，然后是NIPR的關鍵能力，包括工資、后勤、合同等。

• 美陸軍開始實施一個整體的方法，隨著時間的推移發展統一網絡，使多種努力同步進行，并利用新興技術，如軟件定義和5G及以上的無線網絡，也符合零信任原則。

• 美陸軍正在追隨美國防部副部長辦公室，將無線蜂窩網絡作為戰術和企業網絡使用的一項關鍵技術。這將補充網絡整合，減少對非無線網絡的依賴。

• 這一階段開始時，能力加速進入云基礎設施，同時迅速剝離傳統能力和流程。關鍵是建立共同的數據標準，以實現人工智能（AI）和機器學習（ML）等新興能力。

• 任務伙伴環境（MPE）的持續發展將繼續進行，因為企業努力建立一個持久的能力，并消除浪費的偶發努力。

• 美陸軍將繼續調整部隊結構，以實施國防部信息網絡行動（DODIN Ops）的建設，在一個有爭議和擁擠的環境中運營、維護和捍衛統一網絡。

• 美陸軍必須完成整個企業的網絡融合，以調整單一的陸軍服務提供商，提高網絡的準備程度、標準化和互操作性；提高陸軍的網絡安全態勢；并使DCO快速響應。這種融合為統一網絡的建立創造了條件。

這一階段結束時，建立了一個標準化的綜合安全架構，為統一網絡奠定了基礎，并能在世界任何地方快速部署和立即開展行動。

第二階段：中期（2025-2027）--統一網絡的運作

這一階段從25財政年度開始，繼續融合ITN和IEN的能力。這一階段的主要工作包括：

• 完成DODIN行動的構建，支持部隊結構，使統一網絡在競爭和擁擠的環境中得到防御和運作。

• 這一階段完成了混合云能力的建立，包括加速Al/ML能力發展的戰術編隊。

• 美陸軍將建立一個持久的任務伙伴網絡（MPN），包括從企業到戰術邊緣的所有硬件、軟件、基礎設施和人員，包括在所有戰斗訓練中心（CTC）和任務訓練綜合體的就業。

這一階段在統一網絡完全支持2028年的MDO目標部隊時結束。

第三階段：遠期（2028年及以后）--持續實現統一網絡的現代化

這個階段從28財政年度開始，當陸軍統一網絡在操作上、技術上和組織上完全準備好支持2028年的MDO Way Point部隊。

• 這一階段的決定性因素是全面實施統一網絡現代化的整體方法，利用新興技術，同時剝離傳統的、不太安全的能力。
• 隨著陸軍繼續與聯合/聯盟部隊和任務伙伴進行整合，一些飛躍性的技術能力形成了這一階段。這些技術的最初重點領域包括： -動態和多樣化的運輸，強大的計算，以及邊緣傳感器 -從數據到決定性的行動 -機器人和自主操作 -相應的網絡安全和彈性能力

鑒于信息技術和網絡領域快速和持續的變化速度，這個階段是沒有盡頭的--現代化演變為統一網絡的成熟。這是一個持續的過程，統一網絡沒有固定的結束狀態。

美陸軍統一網絡計劃伴隨著陸軍統一網絡的實施，這是一個美國陸軍執行令（EXORD），它將框架分解為與追求框架內的努力方向（LOE）和支持目標有關的近期和中期的關鍵任務。作為網絡整合和管理的領導者，首席信息官（CIO）和副參謀長（DCS），G-6將使用陸軍統一網絡實施計劃來同步和評估整個部隊和所有任務領域的努力，以建立統一網絡，支持2028年具有MDO能力的軍隊。

網絡空間是支持戰場物聯網（IoBT）的數字通信網絡，是以防御為中心的傳感器、計算機、執行器和人類以數字方式連接的模式。一個安全的IoBT基礎設施有助于在分布式子系統中實時實施觀察、定位、決定、行動（OODA）循環。網絡犯罪分子和戰略對手的成功黑客行為表明，像IoBT這樣的網絡系統并不安全。三條工作路線展示了一條通往更強大的IoBT的道路。首先，收集了企業網絡流量的基線數據集，并通過生成方法對其進行建模，允許生成真實的、合成的網絡數據。接下來，通過算法制作了網絡數據包的對抗性例子，以欺騙網絡入侵檢測系統，同時保持數據包的功能。最后，提出了一個框架，使用元學習來結合各種薄弱模型的預測能力。這導致了一個元模型在數據包的整體準確性和對抗性實例檢測率方面優于所有基線分類器。國防戰略強調網絡安全是保衛國土和在信息時代保持軍事優勢的必要條件。這項研究提供了學術觀點和應用技術，以推進美國防部在信息時代的網絡安全態勢。

圖 22. 對抗性樣本的生成和測試的4個步驟

圖23. 元學習框架通過智能地結合每個基礎模型的預測能力來加強對對抗性攻擊。對抗性訓練的分類器是通過5.3所述的增強數據集進行訓練。

論文引言

1.1 動機

美國國防部（DoD）預計，未來的戰爭將主要在網絡領域進行，對手包括戰略競爭對手和非國家行為者。由于美國從未打過一場全面的網絡戰爭，因此對 "路線規則"并不十分了解[6]。敵人有可能通過已知和未知的威脅載體來攻擊美國的利益。這些攻擊的影響可能是非動能性的，即對信息系統的未獲許可的訪問或控制，或者是動能性的，即攻擊導致物理資產的破壞、基礎設施的損害或死亡。許多遺留的網絡物理系統在建造時沒有預見到網絡漏洞[7]。隨著戰場物聯網的發展，包括更多的這些系統，潛在的網絡威脅暴露也在增加。想象一下，當士兵的可穿戴設備在戰斗中因網絡攻擊而發生故障時，會出現怎樣的混亂。至關重要的是，我們要在對手利用這些缺點之前，用新技術解決我們軍隊的網絡安全問題。生成式機器學習和元學習是新興領域，可能為網絡安全研究中一些長期存在的障礙提供解決方案。

入侵檢測系統（IDS）是一種阻止和防御網絡攻擊的方法[7]。不幸的是，IDS需要大量的數據集進行訓練[2]。有機的網絡攻擊數據，帶有標記的條目，是出了名的稀缺。NSL-KDD[8]試圖糾正被廣泛引用的KDD-CUP基準數據集的問題，然而，即使是改進的版本也是過時的，而且范圍有限。

生成式機器學習是人工智能的一個領域，有可能以新的方式解決未解決的問題。諸如馬爾科夫鏈蒙特卡洛、自動編碼器和生成對抗網絡（GANS）和自動編碼器的方法被用來估計未知的概率分布函數。對多樣化和現實的生成數據的應用是很迫切的，特別是對網絡。生成方法提供了一個分析和綜合網絡數據的途徑，而生成方法與元學習的結合提供了一個防止某些網絡攻擊的機會。

本章的其余部分介紹了三個促進美國網絡系統安全的研究課題。第2章提供了一個相關主題的總體文獻回顧，以及一個精心挑選的可能對讀者特別有價值的來源的快速參考表。第3至5章提供了與貢獻1、2和3相對應的已完成的研究手稿。以前發表的研究是第六章，最后總結了研究的主要發現以及它們對現代防御的影響。附錄提供了不適合于主文件的額外信息。附錄A是元學習NIDS的相關研究，不適合于所述貢獻。附錄B是一個參考的AFIT論文表。附錄C包括支持貢獻1的數據表格。

1.2 研究貢獻

本論文提出了三個研究課題以支持軍隊安全態勢的現代化。雖然每個課題都可以獨立進行，但本論文采取了連續的方法，早期研究的結果增強了后來的工作。本論文的總體目標是證明在建立一個對對抗性攻擊具有強大抵抗力的入侵檢測系統方面取得了重大進展。

貢獻1：生成真實的合成網絡數據。

第一個研究目標是對現代網絡數據的概率分布進行建模，并從基線分布中生成額外的、現實的數據。預定的生成模型可以是明確的，以概率分布函數的形式，或隱含的，如GAN。生成方法將在第2.2節討論。無論怎樣，模型生成的現實數據必須證明與基線數據的分布相匹配。與第4.2節中NSL-KDD[8]、KDD-CUP[9]、UNSW-NB15[10]等其他基準數據集不同，生成的數據必須能夠代表現代政府系統中的網絡流量，包括授權和惡意行為者的例子，而且比例適當。惡意流量必須是現代網絡攻擊的代表，并反映原始分布中未觀察到的例子。一個可能的策略是通過在敵對環境中收集的真實網絡數據或在現實的高保真模擬中收集的數據來訓練一個生成模型。然后，基線數據可以用來訓練一個生成模型，能夠從與基線相同的分布中創建新的、現實的例子。

特別是，生成模型應該強調對模式崩潰的復原力，并且應該對變量之間的宏觀層面的關聯性進行建模。如果成功，現實生成的網絡數據將被用作創建對抗性例子的起點。擴大的、生成的數據集比小的真實數據集更受歡迎，因為它展示了生成方法的可行性，以克服新型網絡攻擊中的數據不足。隨著網絡日志數據中新現象的發現，它們將被復制到更大的數量，有利于創建對抗性例子和強大的IDS。如果生成方法不能產生現實的數據，那么目標二可以使用數量更多的基線數據來實現，而這些數據的獲取是昂貴和費力的。為了支持貢獻1，已經提交并接受了兩篇存檔的同行評審論文。《網絡領域生成方法的挑戰和機遇》已被《2021年冬季模擬會議論文集》接受，《為訓練和評估網絡入侵檢測系統的機器學習分類器生成現實的網絡數據》已提交給《應用專家系統》。這兩項工作都是由Marc Chal′e（主要作者）撰寫的，委員會成員為支持學位論文研究做出了貢獻。支持貢獻1的工作在第三章和附錄C中介紹。

貢獻2：生成對抗性樣本。

第2個研究目標是產生能夠躲避現代IDS的對抗性樣本。對抗性樣本必須使用新的技術來創建，包括適用的生成方法。對抗性樣本必須超越諸如[11]的工作，強制執行網絡數據的不可變方面[12]，并實現端到端的攻擊。解決這一挑戰可能會增加最先進的網絡攻擊對當前IDS的有效性，但一旦這些技術被確定，它們就可以在強大的IDS中得到解決。盡管最近在計算機視覺領域創造對抗性攻擊方面取得了進展，但在網絡領域產生對抗性攻擊是特別具有挑戰性的[12]。為了使被擾亂的互聯網協議（IP）數據包能夠促進端到端的網絡攻擊，數據包必須保持其專門的數據結構以及執行時的原始功能。雖然圖像可以不受限制地被擾動，并產生一個有效的圖像文件，但在互聯網上傳輸的IP數據包在擾動過程中會被破壞，導致無效的端到端攻擊。盡管最初對網絡領域的對抗性攻擊的研究[11] [13] [14]集中在擾亂網絡數據的特征向量上，但更困難的任務是擾亂網絡數據包的實際有效載荷，同時保持其原始功能[13] [15] [12]。或者，可以生成一個對抗性的特征向量，然后反向設計成一個能躲避IDS的功能性IP數據包。在努力實現端到端黑盒攻擊的過程中，我們必須證明對抗性例子可以被限制在網絡領域的標準內。這一目標在提交給《計算機與工業工程》的期刊文章《基于約束優化的網絡入侵檢測系統轉移攻擊的對抗性實例生成》中實現。 這項工作是由Marc Chal′e（主要作者）撰寫的，委員會成員為支持論文研究做出了貢獻。支持貢獻2的工作在第四章和附錄D中介紹。

貢獻3：展示一個強大的入侵檢測系統。

入侵檢測系統在保護網絡系統數據的保密性、完整性和可用性方面發揮著重要作用，但它們存在根本性的缺陷。幾種流行的基于規則的IDS對惡意軟件的檢測率在實踐中是驚人的低。一項研究發現，Zeek使用其基于規則的警報系統只檢測到52%的惡意軟件攻擊[16]。這種乏善可陳的表現可能促使了機器學習入侵檢測系統的最新發展。雖然近年來IDS的能力有所提高，但對手也在不斷創新他們的方法。此外，自2005年以來，美國報告的入侵事件的比率一直在增加。大多數IDS漏洞被認為是規避攻擊的結果，其中IP數據包被修改為看似無害，但實際上是有害的[17]。在現代，諸如[11]這樣的規避攻擊使用啟發式方法來擾亂IP數據包的特征，騙過IDS。

因此，最終的研究目標是利用GML和元學習等技術，提高基于機器學習的IDS的分類性能和魯棒性，如[2]。通過分類性能，我們特別指出了召回率（檢測率）和準確率的指標。穩健性是指算法對來自于與訓練所用的例子不同的分布的例子有很好的概括傾向[18]；它是當今網絡環境中模型的一個越來越重要的特征。

雖然貢獻2暴露了基于ML的IDS的安全漏洞，但貢獻3提供了一個解決方案。這一研究目標在MADFACTS中實現。MADFACTS: Meta-learning Augmented Defense For Adversarial Cyber Techniques是一篇已完成的長篇文章，正等待提交給《計算機與安全》、《未來互聯網》或《優化通訊》等刊物。這項工作是由Marc Chal′e（主要作者）撰寫的，委員會成員為支持論文研究做出了貢獻。支持貢獻3的工作將在第四章介紹。

影響。

上述研究目標對物聯網的網絡防御和整個國家安全有協同的影響。貢獻1旨在解決網絡領域長期缺乏標記的高質量訓練數據的問題。貢獻2提供了一個技術優勢，以對抗那些希望開發針對物聯網的新型對抗性攻擊的網絡犯罪分子和對手。貢獻1和貢獻2的成功加強了貢獻3的工作，其中一個強大的IDS擊敗了對手的例子。這些成就符合軍事戰略的更大愿景，即在所有領域（包括網絡、空間、陸地、空中和海上）實現機動性自由。加強整個IoBT的網絡安全對于指揮官在現代跨域戰爭中造成預期的影響是必不可少的，因為指揮、控制、情報和識別是決策的骨干，而且越來越數字化了。這項研究提供了一條有希望的途徑，以提高對抗不斷變化的攻擊威脅的穩健性。

這篇研究論文重點關注波音F/A-18E和F/A-18F "超級大黃蜂 "航空庫房級可修復（AVDLR）零件工藝以及增材制造（AM）對該工藝的潛在影響。研究的動機是由最近的報告所激發的，該報告表明F/A-18E/F正經歷著作戰準備的下降，因為與維修有關的影響增加了，與零件的可用性、長的交貨時間和增加的零件故障頻率有關。這項研究的目的是確定在中級維修過程中插入AM的要求，以便對F/A-18E/F的倉庫級可維修部件的準備時間產生重大影響。更具體地說，這項研究分析了各種AM生產水平對整體交貨時間的潛在影響。通過數學模型和基于各種假設和概率分布的模擬來促進這個研究項目的完成。進行了8次模擬，每次都有不同的AM生產時間假設。結果輸出反映了19種不同的情況，模擬了0%-90%的AM在中級維護水平的生產。結果表明，如果AM生產能保持在大約30天以內，那么AM有可能減少整體預期交貨時間的平均數。

美國陸軍最近制定了一項關于未來陸軍如何作戰的戰略以及實現這些軍事能力的相關現代化和研究重點。以高超音速飛行為基礎的遠程精確射擊對于確保美國能夠對任何競爭對手實施其意志至關重要。要實現一個有效的未來美國軍隊，必須克服許多障礙。其中一些差距是對高超音速飛行器空氣熱力學的理解，從而促使對基礎研究的需求。本報告的目標是定義一個經典的、與陸軍相關的配置，適合于基礎研究，以允許與適當的主題專家的關鍵數量的集中合作。從這種開放的幾何構型研究中獲得的數據和知識可能會受到更多的限制性分配。

美國陸軍最近制定了一項關于未來陸軍如何作戰的戰略以及實現這些軍事能力的相關現代化和研究重點。以高超音速飛行為基礎的遠程精確射擊對于確保美國能夠對任何競爭對手實施其意志至關重要。

要實現一個有效的未來美國軍隊，必須克服許多障礙。其中一些差距是對高超音速飛行器空氣熱力學的理解，從而促使對基礎性研究的需求。缺乏對高超音速飛行器周圍發生的復雜物理和化學的預測性知識，抑制了及時的、優化的多部件設計。對邊界層過渡和沖擊-邊界層相互作用等具體現象了解不多。不能正確地對現象進行建模，會產生一些不確定的特征，如表面壓力分布和熱通量，這對飛行器技術，包括穩定性、控制和熱負荷管理，都有負面影響。

幸運的是，有一個先例，即通過定義政府基準飛行器來促進全社會的科學討論，這些飛行器包含功能相關的工件，但對具體的發展計劃不敏感（見陸軍-海軍基本芬納導彈、空軍改良基本芬納導彈、陸軍-海軍旋轉火箭、國家航空航天飛機和NASA研究）。本報告的目標是定義一個典型的、與軍隊相關的配置，適合于基礎研究，以便與足夠數量的適當的主題專家進行重點合作。從這個開放的幾何構型的研究中獲得的數據和知識可能會受到更多的限制性分配。

美國空軍正在投資人工智能（AI）以加速分析，努力使自主無人駕駛戰斗飛行器（AUCAVs）在打擊協調和偵察（SCAR）任務中的使用現代化。這項研究探討了AUCAV在SCAR任務中執行目標打擊和提供偵察的能力。一個定向問題被制定為馬爾可夫決策過程（MDP）模型，其中一個AUCAV必須優化其目標路線，以幫助消除時間敏感的目標，并收集所要求的指定興趣區域的圖像，同時躲避作為障礙物的地對空導彈（SAM）電池威脅。AUCAV根據SAM電池和目標進入戰斗空間的位置來調整其路線。開發了一種近似動態規劃（ADP）的解決方案，其中數學規劃技術與成本函數近似（CFA）政策一起被用來開發高質量的AUCAV路由政策，以提高SCAR任務的性能。CFA政策與確定的重復定向問題（DROP）基準政策進行了比較，在四個實例中探討了動態目標和SAM電池的不同到達行為。當AUCAV被分配到120分鐘來完成它的任務，并且防空導彈電池到達戰斗空間時，結果顯示，所提出的CFA政策優于DROP政策。總的來說，擬議的CFA策略在所有四種情況下的表現幾乎與DROP策略相同或更好。

關鍵字：馬爾科夫決策過程（MDP）、近似動態規劃（ADP）、強化學習（RL）、人工智能（AI）、定向問題（OP）、車輛路由問題（VRP）、目標定位、成本函數近似（CFA）、直接前瞻近似（DLA）、網格自適應直接搜索（MADS）

I. 引言

根據美國國防部長（SecDef）的說法，美國（US）軍隊近期的重點是將目前的 "能力現代化，以應對未來的先進威脅"，并確保美國軍隊仍然是 "世界上最杰出的戰斗力量"（國防部，2021）。國防部長的重點可以通過美國國防部（DoD）有效調整其資源以應對不斷變化的威脅來實現（國防部，2021）。本論文支持國防部未來的首要任務，這些任務涉及使用自主無人駕駛作戰飛行器（AUCAVs）來壓制敵方防空（SEAD）和打擊任務。這些優先事項包括人工智能（AI）、偵察機能力、作戰司令部（COCOM）策略和威懾對手方面的進步。通過開發用于AUCAV路徑規劃和目標選擇的近似動態規劃（即基于模型的強化學習）算法，我們可以探索空軍打擊深度、時間敏感目標和威懾對手的能力，與國防部的主要倡議直接保持一致（國防部副部長（主計長）/首席財務官辦公室，2021）。這些資產的一個共同點是它們都對司令部的任務至關重要，并且可以與AUCAV打擊高價值目標的能力一起工作。

1.1 美國防部的舉措

AUCAV有多種方式可以用來支持COCOM的任務。一種獨特的方式是對時間敏感目標（TST）的位置進行偵察，使其他盟軍飛機或地面資產能夠打擊該目標。第五代F-35可以在不被發現的情況下遠距離攻擊地面目標，包括地對空導彈（SAM），并使用精確武器成功完成空對地任務（Military Advantage, 2014）。AUCAVs對薩姆導彈可能沒有那么有效，可能會被它們擊落。然而，AUCAVs有能力對要求命名的興趣區（NAIs）或更適合其他軍事資產打擊的目標類型進行偵察，如F-35或B-52。

F-15EX是美國國防部批準的項目，與F-35不同，它不是隱形的，不能在敵后不被察覺。然而，空軍已經考慮將F-15EX與隱形戰斗機配對，并將這對戰斗機作為遠程空對空導彈發射平臺（Mizokami，2021）。盡管F-15EX也有能力進行空對地打擊，但該機的主要優勢在于其雷達和攜帶大量武器載荷的能力，包括二十多枚空對空導彈或高超音速武器（Mizokami, 2021）。這種作戰能力是需要考慮的，因為將一架隱身飛機（如F-35）與一架不具備相同屬性的飛機（如F-15EX）配對，以完成時間敏感的目標打擊任務，作為AUCAV的目標確認能力的結果，可能會達到優越的性能。

在每個COCOM的責任區（AOR），指揮官要求提供NAI和高價值目標打擊的圖像。假設沒有能夠擊落AUCAV的敵方威脅（例如，防空導彈炮臺），AUCAV可以滿足指揮官的要求。然而，這種假設忽略了一個現實，即敵人可能會施加障礙，嚴重影響精心策劃的任務。路徑規劃必須結合禁飛區（NFZ）的情報信息，以達到避免威脅的目的。本論文討論的近似動態規劃（ADP）算法將探討未預見的NFZ或戰斗區（例如，由于防空導彈電池）如何影響AUCAV的目標選擇，以及AUCAV如何隨著時間的推移學會避免這些區域。

美國軍方已經對使用JDAMs打擊目標的無人駕駛作戰飛行器（UCAV）進行了作戰測試和評估（OT&E）（Butler and Colarusso, 2002）。因此，本論文假設AUCAVs使用JDAMs來打擊高價值目標。JDAM能夠使用從聯合監視目標攻擊雷達系統（JSTARS）傳送的飛行中目標更新（IFTU）信息單獨指向其目標（Butler and Colarusso, 2002）。已經完成的測試表明，使用負擔得起的移動水面目標攻擊系統（AMSTE）而不是JSTAR，使UCAV打擊移動目標的能力大大增強。這一發展應作為后續工作進一步探討，但在本論文中不會詳細討論。

美國特種作戰司令部（USSOCOM）正在投資人工智能（AI）以加快分析速度（國防部副部長（主計長）/首席財務官辦公室，2021）。這篇論文的重點是建立一個人工智能算法，使戰斗指揮部，如USSOCOM，能夠及時有效地執行目標打擊，并對要求的國家情報機構進行偵察。除各司令部外，聯合情報支援部隊（JISE）和聯合特遣部隊（JTF）也依賴偵察機，這是因為他們在管理各種形式的偵察和監視敵人方面的作用，這些偵察和監視對了解情況、確定目標和合適的目標以及向部隊提供警告是必要的（國防部，2018a）。如果目前的AUCAV路徑規劃AI算法得到改進，所有這三個適用的軍事組織都可以提供更多的情報信息，從而在目前的限制性資源（如燃料容量、彈藥或在戰區的時間）下，產生更多的目標打擊和NAI的圖像。

1.2 空軍關于目標選擇的學說

鎖定目標是一項指揮職能，需要指揮官的監督和參與，以確保正確執行（美國空軍部，2019年）。它不是某類專業或部門的專屬領域，如情報或行動，而是融合了許多學科的專業知識（美國空軍部，2019）。本論文通過將AUCAV任務前收到的情報與美軍的聯合、戰術和空軍理論相結合，探索這種專業知識的融合。最好同時考慮聯合學說和空軍學說，以更好地理解空軍如何定義目標。根據聯合學說，目標是一個實體或物體，被視為可能的交戰或其他行動（國防部，2018b）。實體可以被描述為設施、個人、虛擬（非物質）事物、設備或組織（美國空軍部，2019）。

有兩類目標：故意的和動態的（美國空軍部，2019年）。當有足夠的時間將目標添加到空中任務單或其他計劃中時，故意瞄準適用。蓄意的目標定位包括計劃由待命資源攻擊的目標。動態目標定位包括那些發現得太晚或沒有及時選擇而被列入蓄意目標定位的目標，但當發現或定位時，符合實現目標的特定標準。

本論文試圖確定AUCAV的最佳路線，以選擇故意和動態目標的組合。AUCAV進入戰斗空間時，有一組要求攻擊或偵察的故意目標。一旦進入戰斗空間，AUCAV就會遇到新的目標請求（即動態目標到達），必須重新計算其最佳目標選擇路線，并考慮到新到達的目標。

需要特別考慮的兩個目標子集是敏感和時間敏感（Department of the United States Air Force, 2019）。敏感目標是指指揮官估計在軍事行動中發生的對平民和/或非戰斗人員、財產和環境的實際影響和附帶影響超過既定的國家級通知門檻的目標（Department of Defense, 2018b）。敏感目標并不總是與附帶損害相關（美國空軍部，2019）。它們也可能包括那些超過國家一級交戰規則閾值的目標，或者作戰指揮官確定打擊目標的效果可能會產生不利的政治影響（美國空軍部，2019）。時間敏感目標是聯合部隊指揮官確認的目標或需要立即做出反應的目標集，因為它們是高度有利可圖的、轉瞬即逝的機會目標，或者它們對友軍構成（或即將構成）危險（國防部，2018b）。

這篇論文的重點是AUCAV對時間敏感的目標進行打擊，并對可能包括敏感目標的NAI進行偵察，同時避開代表薩姆電池威脅區的NFZ。這是通過使用ADP方法、整數規劃技術和馬爾科夫決策過程（MDP）模型框架解決具有隨機目標到達的無人駕駛飛機定向問題，同時避開障礙物來實現的。車輛路由問題MDP模型框架被用來對AUCAV的目標選擇進行基線分析，同時避開障礙物（即防空導彈電池），并確定哪些時間敏感的目標應該在指定的時間段內被摧毀。然后，采用CFA策略的ADP解決方法來優化AUCAV的目標路線，在做決定時利用未來動態時間敏感目標和障礙物到達的預測位置。

本論文的其余部分的結構是：第二章討論類似于具有隨機目標到達的自主車輛定向問題的文學作品，第三章討論問題的制定框架和解決方法，第四章討論計算測試和結果，第五章討論結論。第二章從ADP的角度詳細探討了具有隨機到達、服務時間和等待時間的類似路徑規劃問題。第三章對用于建模和解決問題的方法進行了深入探討。第4章揭示了分析的結果和建議。第5章是本論文的結論，提出了為AUCAV選擇目標和躲避敵人威脅而產生改進的解決程序的未來建議。

隨著預算削減的增加和空軍機隊的老化，空軍正在尋找創新的方法來減少工具、零件和用品的采購、運輸和庫存成本。特別是，傳統的制造、庫存和運輸飛機零部件和用品可能是緩慢的、昂貴的、對人員有害的和對環境有害的。被稱為"3-D打印"的新制造技術，也被稱為 "增材制造"（AM）被推薦為可能的解決方案，以減少維修時間、采購成本、運輸和庫存成本，同時也比傳統的、制造的替換零件更安全、勞動強度更低、更環保。

本文研究AM能在多大程度上使空軍受益，及其目前的實施情況。本文概述了空軍目前供應鏈的成本、操作失敗和環境影響，以及軍事單位如何利用AM來幫助減少這些問題。雖然正在采取措施在基地和倉庫層面實施三維（3-D）打印，但空軍沒有為其實施提供明確的方向，也沒有充分地利用其好處。因此，本文建議空軍開發可部署的三維打印包，提供三維打印培訓，并對在什么情況下應該購買三維打印機提供更多指導。此外，還就哪些部件應該被打印出來提出了建議，并建立了認證3-D打印飛機部件的正式批準程序。

1 引言

1.1 問題描述

在承包商工廠和軍事后勤中心之間的空軍物資運輸占用了巨大的資源；2013年運輸成本超過了56億美元。

運輸物資的成本如此之高，是因為C-5 "銀河 "運輸物資的平均每飛行小時成本為100941美元，而這還沒有考慮到飛機的維修和保養。因此，隨著作戰節奏的加快，需要更多的零部件。 此外，沖突越遠，運輸成本就越高。

戰爭規劃者試圖為軍隊后勤評估戰爭儲備和備件，然而，他們的評估往往與實際需求不相符合。例如，在2012年，空軍花費了4.861億美元用于交付16架C-27A "斯巴達 "貨運飛機，其中包括6050萬美元的備件給阿富汗空軍。在這16架飛機中，有6架必須被 "拆解 "以獲得備件，以便其他10架飛機能夠繼續運行。拆解是指從武器系統中拆下一個目前可以使用的零件，用于維修需要該零件的飛機，以使其具備任務能力。 C-27A "斯巴達 "計劃最終被認為是不可持續的，因為空軍確定需要額外的2億美元的備件來正常維護飛機。

為了解決與類似問題有關的巨大成本和短缺，陸軍、海軍、美國國家航空航天局、國防部（DOD）供應商和其他組織正越來越多地轉向一種名為 "3-D打印 "的新技術，也被稱為 "增材制造"。這項技術使他們能夠在內部創建零件和用品，從而減少他們的供應鏈和運輸成本。不幸的是，空軍現在才剛剛開始探索三維（3-D）打印的好處。因此，本文探討了以下問題：如果空軍在部署地點實施三維打印，會有什么好處？

空軍將3D打印機和相關原材料運輸到部署地點，允許快速定制飛機零件，減少危險廢物，并削減庫存持有和運輸成本。更重要的是，它可以通過允許部隊根據需要在現場制造工具、零件和用品來提高作戰能力。

增材制造（AM）是通過逐層添加（打印）一種材料（通常是塑料或金屬），直到創造出三維物體。相比之下，減材（傳統）制造則是將材料去除，直到留下所需的物體。AM允許零件的定制和現場生產，對培訓的要求最低。

3-D打印經常使用逆向工程來重新創建，并有可能在3-D掃描儀的幫助下改進現有零件。就像磁共振成像使用磁場和無線電波來創建人體內部器官和組織的詳細圖像一樣，3-D掃描儀創建了一個所需部件的數字副本。這種3-D模型數據可以被儲存起來，用于未來的制造，或使用軟件進行操作，以改進零件的設計。3D制造的零件可以打印出空心或蜂窩狀的屬性，這可以使它們更輕，更能夠承受熱應力。AM允許在制造開始前在虛擬環境中開發和快速測試設計。此外，這些3-D設計可以通過電子方式發送給部署地點的操作員。

在已部署軍事裝備的環境中，實施3-D打印將需要在初期運輸大型打印機、原材料和外圍支持設備。然而，它可以在幾個方面減少運輸和庫存成本。首先，原材料可以被包裝或托盤化，使每立方英寸的材料多于零件本身。因此，濃縮材料可以使飛機載荷的利用率更高，減少補給任務。其次，多余的粉末狀原材料可以被回收到AM工藝中至少14次。此外，原材料通常保留其貨幣價值或升值。因此，多余的原材料可以在私營部門出售，而且安全問題很小。

在部署地點制造零件和用品可以幫助減少運輸成本。空軍老化的機隊的許多備件沒有被提前制造出來，而且供應有限。3-D打印可以降低維護成本，并為空軍提供機會，通過內部制造這些零件來延長其機隊的使用壽命。尋找和運輸稀有零件的時間可以減少，從而提高出勤率（與任務和訓練有關的飛行時間）。

空軍最近為美國本土設施購置了3-D打印機，陸軍和海軍也在早期實施3-D打印，這可能表明AM提供了財務上的好處。AM允許在需要的基礎上生產零件，這可以減少物資儲存的占地面積，消除零件的持有成本，并以更少的停機時間提高操作能力。

這篇研究文獻將使用問題-解決方案的方法來研究空軍如何通過在前沿作戰基地部署3-D打印機來生產飛機零件、工具和用品而獲益。本文首先簡要介紹了3-D打印機和AM，并提供了它們的使用實例。此外，還將對空軍的供應鏈進行總結。在這個總結之后，將徹底描述空軍在部署飛機零部件和用品時面臨的問題和挑戰，以及環境問題和操作影響。下一節將概述如何將3-D打印機部署到戰斗環境中的可能手段。本文的每一節都將使用定量數據來支持所有關于支出、節約、庫存水平和制造產量的主張和建議。最后，將根據研究結果提出實施3-D打印機的建議，隨后是結論。

美國海軍和國防部（DOD）正在優先考慮在各戰爭領域迅速采用人工智能（AI），以保持對美國有利的技術優勢。機器學習（ML）是最近人工智能發展的基礎，它存在著一個持續的、沒有得到充分解決的關鍵缺陷：對抗性樣本。自2013年發現以來，在深度神經網絡（DNN）分類器中出現了許多新形式的對抗性樣本攻擊，并提出了許多狹義和特殊的防御措施。這些防御措施都沒有經受住反測試。一些研究人員提出，這種易受攻擊性可能是不可避免的。到目前為止，還沒有發現有效的、可計算的、通用的方法，可以加固DNN，使其免受這種和相關的泛化問題的影響。我們的前提是，ML模型對所有對抗性樣本的魯棒性與抵抗力，可以通過將模型分類空間數據密集區之間的數據點稀疏的潛在空間，作為障礙隔離來改進。我們研究了兩種不同的方法來實現這種對基于對抗性樣本的攻擊防御，測試這些防御對最有效的攻擊，并將結果與現有的技術狀態的防御進行比較。

第一章 引言

人工智能（AI）已被提出來作為推進國防部能力的一個關鍵推動因素。人工智能國家安全委員會在其最終報告中寫道："如果我們的武裝部隊不加速采用人工智能，他們的軍事技術競爭優勢可能會在未來十年內喪失"，建議 "美國現在必須采取行動，將人工智能系統投入使用，并在人工智能創新方面投入大量資源，以保護其安全，促進其繁榮，并保障民主的未來" [1]。鑒于人工智能或更具體地說，深度神經網絡（DNN）中的機器學習（ML）最近在科學和工業領域取得了廣泛的突破，這種關注無疑是恰當的。然而，在國防應用中利用ML和其他現代 "深度學習 "方法并非沒有其固有的附加風險。

最近的人工智能主張已經近乎夸大其詞；當然，在與軍事和文職領導層的高層溝通中，也發生了一些夸大其詞的情況。作為這種夸張的例子，參考一下《2019年美國總統經濟報告》是如何向美國領導人介紹機器視覺方面的人工智能狀況的。在第343頁題為 "2010-17年人工智能和人類的圖像分類錯誤率 "的圖表中，它顯示了 "人類分類 "錯誤率與機器分類錯誤率將在2015年超過人類圖像分類能力。對這一說法仔細考慮并對參考研究甚至是當前最先進研究進行檢查，顯示這一特殊的發展仍然是一個遙遠的、尚未達到的里程碑。

1.1 深度學習的突破

即使ML仍然存在挑戰，近年來，機器學習在科學、工業和商業領域的成功應用也在急劇增加。深度神經網絡已經在自然語言處理、天文學、癌癥診斷、蛋白質折疊、語音識別和機器視覺等不同領域取得了巨大的進步[2]-[8]。因此，這類系統的潛在軍事應用同樣比比皆是：分析頻譜上下的聲學和電磁傳感器數據、機器視覺、尋找-修復-跟蹤和瞄準對手的飛機、地下、水面和陸地戰斗人員、人類語言處理、語音識別、自主空中/地面/地下/陸地車輛、信息戰、情報、監視和偵察（ISR）整合、機器人技術、網絡防御、網絡攻擊、戰術決策輔助，等等。

1.2 深度學習的脆弱性

盡管這項技術帶來了巨大進步，但目前的ML分類方法創建的模型在其核心上是有缺陷的，因為它們非常容易受到對抗性樣本攻擊和相關欺騙技術的影響[9]。廣義上講，文獻中定義的這類攻擊有三類：探索性攻擊、逃避性攻擊和中毒性攻擊。在本報告中，我們主要關注防御我們認為最關鍵的需求，即逃避攻擊。為了提供背景，我們簡要地概述了這三種攻擊。探索性攻擊，對手并不試圖實現錯誤分類，而是試圖通過精心設計輸入來獲得模型的知識，這些輸入的結果將提供關于模型內部狀態的信息，其目的是減少模型的不確定性，以支持未來的攻擊。中毒攻擊試圖在訓練期間修改模型，以偷偷地完成模型的一些未被發現的行為變化。最后，在逃避攻擊中，攻擊者不知不覺地修改了人工制定或模型的輸入，以產生分類的變化，從良性的或最初設定的類別到一些其他的、欺騙性的不真實的類別[10]。這最后一類是我們防御的重點，從這一點出發，我們把這些簡單地稱為對抗性樣本攻擊[11]。

自從2013年最初發現DNN分類器中的對抗性攻擊（逃避）以來，已經出現了許多種這樣的攻擊，并且至少提出了同樣多的狹義的特定防御措施作為回應。不幸的是，到目前為止，所提出的防御措施沒有一個能經受住反測試和適應性攻擊[12]。一些研究人員提出，這種易感性可能是空間中問題表述的一個不可避免的特征[13]。目前，還沒有發現一種有效的、計算上可接受的、通用的方法，可以支撐DNN對抗類似的相關的泛化問題[12], [14]。

1.3 國防部（DoD）的影響

在國防部的范圍內，大家都承認欺騙在戰爭中起著核心作用。因此，戰爭系統必須被設計成對欺騙有高度的適應性[15]。馬基雅弗利在“Prince”中寫道："......雖然在任何行動中使用欺騙都是可憎的，但在發動戰爭時，它是值得稱贊的，并能帶來名聲：用欺騙征服敵人與用武力征服敵人一樣受到稱贊。" 對孫子來說，這甚至是更重要的因素，"所有的戰爭都是基于欺騙"。在國防應用中，至關重要的是，不僅系統在戰斗開始時就如設計之處那樣工作，而且它們應該具備有彈性對狡猾的、有同樣資源和動機的對手的潛在計劃。

誠然，ML在民用和科學方面已經取得了巨大的成功。盡管民用工業技術領域與軍事技術需求有很大的內在交集，但應該注意到，后者并不是前者的完美子集。也就是說，戰爭的現實要求其技術必須為虛假信息和故意欺騙的行動、展示和通信做好準備。這兩個領域之間的這些不同假設意味著，在一個領域已經準備好的東西，在另一個領域可能還沒有準備好。在整個國防部，納入這些技術的系統正在被考慮、開發，在某些情況下已經被采用，目的是增強或取代我們一些最關鍵的國家安全能力。在軍事應用中，特別是武器系統和殺傷鏈內的系統，必須消除或至少減少對抗樣本，并對其進行補償，使故障呈現最小的風險。其余的風險必須被明確指出、發現并被作戰人員充分理解。不仔細和充分地解決這個問題是不可想象的，否則我們就有可能采用脆弱性技術，將災難性的漏洞引入我們關鍵戰爭系統。

1.4 增強防御措施

在防御基于機器學習技術的系統不受欺騙的潛在戰略背景下，我們介紹了一種防御措施。我們的前提是，ML模型對所有對抗性樣本的魯棒性與抵抗力，可以在模型分類器的分類空間數據密集區之間的數據點稀疏潛在空間中插入一個 "填充 "或 "屏障 "的方法來提高[13], [16]。我們相信，通過統計學插值或采用變分自動編碼器（VAE）[17]或生成對抗網絡（GAN）[18]來插值和投射到這個空間的模型可以創建人工填充類樣本來增加數據集，所產生的模型將能夠成功地區分合法數據點和對抗性樣本，同時保持與最先進分類方法相稱的準確性。