《机器学习技术及其在国防和安全中的应用》加拿大国防部发布（海上探测和监视、对抗ML），76页pdf

2022 年 4 月 1 日 专知

【导读】从任务规划到传感器技术，从无人机监视到自动驾驶车辆，国防军事部门正在寻找人工智能/机器学习能够在运作和功能提升方面提供关键优势的机会。来自加拿大国防部下属的国防研究与开发中心发布了关于“机器学习技术及其在国防和安全中的应用”报告，共76页，提供了对机器学习 (ML) 技术的基本理解，并回顾了它们在国防和安全领域的应用，包括海上探测和监视、对抗ML等。专知特别对此第1章（引言）、5章（ML在国防中的应用）、6章（总结与未来工作）做了中文翻译，欢迎关注！以下为精简版，完整中英文版请上专知网站(www.zhuanzhi.ai)查看！

2021年11月

加拿大国防研究和发展中心

Defence Research and Development Canada (DRDC)

【摘要】

本报告提供了对机器学习 (ML) 技术的基本理解，并回顾了它们在国防和安全领域的应用。其目标是开发ML的内部专业知识，以支持与加拿大皇家海军(RCN)海上信息战(MIW)概念和愿景相一致的能力发展。本文进行了文献回顾以收集有关在军事和民用场景中实施和使用的 ML算法信息。结果表明，海军必须适应和接受新技术，以便在所有 RCN的数据驱动决策中有效利用所有信息。这可以包括使用自动化、大数据分析、云计算、人工智能 (AI) 和 ML。这样做可以减少与繁琐任务相关的操作工作量，进而最大限度地减少人为错误和超负荷。这项研究表明，ML有可能提供新的或增强的能力，以支持 MIW 的概念，以及满足使用现有和未来信息源的 RCN 的需求。这意味着开发利用这些技术的必要技能将使加拿大武装部队（CAF）受益。凭借这些专业知识和这些技术的适当应用，军方将有能力在必须进行快速数据驱动决策的情况下更有效地利用其信息源。

【本报告对国防和安全的意义】

本报告旨在就如何将人工智能和机器学习技术应用于支持加拿大皇家海军与海上信息战相关概念和目标，而建立基本的理解和专业知识。对这些技术及其在国防和安全领域的应用进行了回顾。

1 引言

在过去的十年中，加拿大国防部 (DND) 和加拿大皇家海军 (RCN) 引入了新的概念和方法，以帮助提升其服务水平。其中许多概念引入了新技术，旨在增强信息空间在作战级（即作战职能）和事业级（即管理职能）方面的防御能力。在作战层面，这些举措得到了一系列文件的支持，这些文件强调了信息战的重要性及其在 RCN 内的实施和执行。

2015年，海上信息战（MIW）的概念被引入[1]。本概念文件概述了在信息环境中运作对 RCN 及其内部可能产生的影响。这一概念的引入清楚地强调了能够利用该领域中可用信息源的重要性。它讨论了信息的影响，基于其广泛的可用性以及 RCN 的依赖性和使用该信息支持作战的能力。

采用新的概念和技术进行能力开发并非没有挑战。这需要更有效的处理技术来处理在 MIW 的功能区域内收集的大量和各种数据。此外，概念文件还讨论了 MIW 与物理、虚拟和认知领域的关系，表明在战争中使用所有领域的信息作为 RCN 的宝贵资源的重要性。

2016 年，RCN 发布了一份信息战战略文件，重点关注为国家和国际部署开发 MIW 能力 [2]。该战略文件讨论的主题包括有效收集、利用和传播信息的重要性。该战略还认识到并传达了信息战是RCN可以同时采取防御和进攻行动的地方。

2017年，加拿大国防政策发布[3]。尽管它没有直接处理信息领域，但它承认信息对 RCN 的重要性，这在 2019 年和 2020 年分别发布的 DND 数据战略 [4] 和 RCN 数字海军 [5] 报告中得到了回应。数字海军支持国防政策创新目标，其中包括适应和接受新技术的能力，而数据战略涵盖了如何利用技术在RCN 社区中做出数据驱动的决策。这可以包括使用自动化、大数据分析、云计算、人工智能 (AI) 和机器学习 (ML)。在操作上，期望通过这些技术对更繁琐任务的自动化实施来减少海军团队的日常工作量，进而最大限度地减少人为错误和疲劳，提高整体作战效率。

这些文件中包含的首要主题强调了 RCN 采用新的数字能力成为一个信息组织的重要性，其中信息在战争环境中被使用，但也被用作工具。使用和利用信息来支持 RCN 的现代工具、技术和专业知识是能力发展的关键。在此之后，我们显然需要一个强大的、知情的、由信息科学、人工智能和机器学习专家组成的科学团体。

这项工作背后的动机是在 MIW 领域内建立科学专业知识，以支持 RCN 的目标。为实现这一目标，以下报告将回顾可在防御和安全领域中使用的 AI 和 ML 技术。除了这篇综述之外，本文还将介绍这些与 RCN运作相关的技术的应用，例如舰艇监视、目标检测以及使用生成建模来支持运作。

这项工作的总体目标是为如何将 AI 和 ML 技术应用于 RCN 挑战提供科学基础和理解。建立这些新兴技术的专业知识不仅是支持当前运作目标的必要条件，也是对开发和塑造未来能力的投入。这种向算法决策制定的转变与 MIW 的概念非常吻合，因为它认识到信息在战争中的使用至关重要。还提出并讨论了 ML 未来的工作和研究主题。

5 机器学习在国防和安全中的应用

2、3、4章节简要回顾了在计算机科学和数据分析中使用的机器学习技术。这些技术同样适用于海上防御和安全领域中经常发现的问题。本节概述这些技术及其在这个领域的应用，特别是海上探测和监视有关的任务。此外，还将讨论生成对抗ML方法的应用。需要注意的是，这些部分并不是对这个领域中已经完成的研究的全面回顾。相反，本文的目的是概述如何使用这些技术改进和开发与RCN相关的新功能。

5.1 船舶监视

舰艇行为分析是与海上监视和安全相关的关键组成部分。这种分析的结果依赖于捕获和利用舰艇活动数据的能力。用于海上监视的数据源包括：自动识别系统 (AIS) 数据、天基 AIS、雷达数据等。这种监视形式允许分析师进行船只航迹重建、路径预测、异常舰艇交通监视，这些在海上领域非常重要，有助于发现恐怖主义、海盗、毒品和武器走私、非法移民和非法捕鱼等非法活动。

5.1.1 机器学习应用

各种各样的机器学习算法和技术可以应用于海事问题并提供有价值的见解。为了支持预测模型的开发，可以使用的技术包括：

• 聚类：无监督聚类方法已用于为海事和船舶监视提供洞察力。这些聚类算法已应用于 AIS 数据。

• 决策树：使用模糊粗略决策树算法的研究探索了执行血管类型行为学习的能力[28]。

• 随机森林：研究已使用随机森林算法开发用于船舶监视和跟踪的各种目的的模型。

• 关联挖掘：创建关联规则的模型通常用于购物篮分析场景。

• 支持向量机：支持向量机执行回归和分类任务。

• 人工神经网络：人工神经网络 (ANN) 已被用于帮助预测北极的船只速度，因为该地理区域气候变化带来的交通量增加[36]。

•卷积神经网络:AIS、雷达、高精度摄像机和电子海图等信息源为理解海上态势感知提供了有用的信息。

• 循环神经网络：船舶监测通常依赖于存在许多问题的 AIS 数据。

5.1.2 对比分析：为确定船舶类型而开发的机器学习模型

监视海域中的舰艇行为对于检测可能表明存在非法活动的异常情况至关重要。收发器用于报告 AIS 数据流，其中包含有关船只及其轨迹的信息。由于从 AIS 数据流收集的信息是自我报告的，因此可能会出现问题。有意或无意地修改此数据或打开/关闭转发器会导致间歇性消息，这些消息可能不准确或具有误导性。这种策略可用于掩饰海上的非法行为和活动。

在某一天，有大量船只在海上作业，人类操作员无法监控和检测这些事件。因此，可以使用 AIS 数据流以及其他来源来训练ML 模型，从而为人类操作员提供自动化支持和洞察力。根据行为特征确定船只类型的能力是 ML 提供的众多能力之一。探索舰艇类型分类的两项研究是[28]和[44]。

5.2 目标检测

目标检测对于防御和安全的海上环境中的监视和态势感知都至关重要。然而，这是一项艰巨的任务，因为尺寸、方向和目标配置的变化加上环境背景噪声和使用的各种传感器的性能差异很大。所有这些事情只会增加这个问题的整体复杂性。传统的检测算法缺乏简单性和可靠的输出。深度学习领域的最新研究和进展表明，CNN 可以执行与检测相关的任务，同时提供高速性能和准确性。开发这些能力正在推动促进防御和安全的技术。

5.2.1 机器学习应用

目前使用 CNN 显示出前景的能力包括：使用SAR图像进行舰艇识别和分类以监测海洋区域[46][47]、使用探地雷达[48]进行鱼类检测、海冰SAR图像分类以监测极地地区的变化并检测可能威胁海上交通的流冰[49]，并检测从SAR [50][51] 和远程传感器[52]获得的图像中的船只。虽然这不是一个详尽的应用程序列表，但它确实突出了一些与信息战领域相关的当前 ML 应用程序。特别是，现在将讨论CNN 的两个有趣的应用。

• 水下声纳图像的目标识别和分类：[53]的研究重点是深度学习特征提取在水下声纳图像目标识别和分类中的应用。

• 使用有限数据进行军事目标识别和分类：CNN等深度学习算法是用于处理图像和视频的强大工具，可支持防御和安全功能。

5.2.2 对比分析：为使用声纳图像进行目标检测而开发的机器学习模型

自动目标识别在海上作业中发挥着重要作用。无人水下航行器使用声学传感器产生声纳图像，帮助检测水下目标和威胁，例如水雷。由于噪声、低对比度和低分辨率，使用声纳图像进行目标检测很困难。ML和DL都提供了可以帮助提取特征和重要信息以进行对象检测和分类的功能。

5.3 生成对抗网络应用

舰艇检测在军用和民用环境中发挥着重要作用，各种类型的成像传感器用于检测、跟踪和分类舰艇。因此，DNN 的引入改变了军队执行任务的方式。生成网络提供了生成代表历史数据记录的数据或样本的能力。此功能提供了新的数据样本，可用于在军事场景中训练智能系统，在这些场景中，由于可用性、安全分类和成本，数据通常难以收集。但是，其他国家也可以使用相同的过程来创建对抗性数据，这些数据有可能危及易受此类攻击的国家系统。因此，GANN 的实现既可以用于进攻性场景，也可以用于防御性场景。这些网络可用于训练预测、分类和产生可靠输出的智能系统，以发展未来的军事能力。GANN 还提供了执行对抗性攻击以欺骗对手系统的能力。

5.3.1 机器学习应用

GANN与国防和安全领域相关的应用包括：

• 对抗性伪装：伪装在军队中被用作一种策略，以阻止对手在视觉上检测和分类军事物体的能力。此类任务传统上由人类观察者执行。然而，战斗空间在不断发展，自主军事代理和人工智能在此类任务中的使用也在增加。这一变化促使科学家们研究伪装是否能有效对抗这些聪明的对手，或者是否有可能设计出能够迷惑这些人工智能对手的伪装。

• 特定发射器识别：[62]中报告了使用GANN开发的半监督特定发射器识别 (SEI)应用程序。此应用程序是针对与基于接收到的波形对发射器进行 SEI 分类相关的问题而开发的。这些波形容易受到可能导致单个发射器表示不准确的因素的影响。SEI在包括无线电和无线网络安全在内的各种军事应用中都很重要。

• 时空数据：2020 年，报告了与时空数据一起使用的 GANN 架构以及衡量此类模型性能的常用评估方法 [63]。

5.3.2 对比分析：针对对抗伪装开发的机器学习模型

对抗性伪装用于防止军事资产被发现和分类。传统上，伪装是通过使用大网或油漆来帮助隐藏人类观察者的飞机或船只等资产来实现的。然而，随着使用智能系统执行传统上由人类执行的分类任务，战场空间发生了变化。

这些研究使用对抗性补丁来防止智能系统检测或错误分类资产。两项研究都表明，对抗性伪装既可行又有效，但在现实世界中并不可行。

6 总结和未来工作

6.1 总结

本报告探讨了深度学习和机器学习技术，这些技术可用于开发流程以支持 RCN 实现其既定目标所需的自动化和效率改进。例如，回归是一种进行未来预测的简单方法，无监督聚类方法通过检查和分组具有相似特征的数据点来推断新信息，决策树和随机森林允许分析师评估选项并根据准确度估计进行分类，关联挖掘创建可以检测行为和模式的规则集，支持向量机允许分析师根据多种核函数选择在高维空间中进行有效的预测和分类。此外，神经网络很重要，因为它们可用于开发支持自动化的工具。例如，感知和深度神经网络提供了人类不容易执行的分析能力；卷积神经网络可以轻松处理具有网格状拓扑结构的数据，例如音频信号、图像和视频；递归神经网络可以处理序列数据并处理长期依赖关系；生成建模技术可以执行密度估计和样本生成，以支持一般的训练模型或支持防御和进攻行动。

这些学习算法和技术的应用为分析师提供了洞察力并简化了繁重的任务。在国防和安全的背景下，它们在能力开发周期中的应用显示出巨大的前景。具体而言，本报告重点介绍了三种此类应用，包括船舶监视、目标检测以及对防御和进攻行动的支持。

这些技术在国防和安全领域的适当应用可以为军方提供情报，这些情报可以在必须进行快速数据驱动决策的情况下加以利用。本文提供了对 ML 技术应用背后的基础知识的基本理解，以帮助构建使用符合 RCN 既定目标的新技术支持和构建能力所需的内部专业知识。