《马赛克战：空间赋能杀伤网高级分析（AASK）》2025最新文献

本文提出一种将基于模型工程中的马可夫“故障诊断”应用于揭示复杂概率性任务级仿真中因果关系的细微差别的方法。该方案旨在应对“马赛克战争”（Mosaic Warfare）场景分析所引入的挑战。马赛克战争指将众多作战平台集成为更庞大的力量包，以利用复杂性并将其转化为非对称优势。随着力量与技术的层级叠加形成复杂的系统之系统，马赛克战争对任务级虚拟实验的分析提出了挑战。随着复杂性增长，个体贡献的重要性在宏观尺度上愈发难以辨识。研究提出一种提炼该复杂性的方法，其通过数学方式将平台网络与相关数据向量相链接，超越了单平台分析范畴。每个向量描述任务中的一种状态或情境。借此，随着状态间连接与转换揭示场景内杀伤网脆弱性出现的具体时刻，新的分析方法变得可行。在任务范畴内，脆弱性指负面事件，例如：资产损失、传感器探测失败、消息未接收、或任何导致场景转向失败的事件。在当今计算机上对任务级研究直接应用马可夫分析虽不可行，但本文通过开发一种新颖可扩展的任务级数据提取、组织与聚类技术使其成为可能。本文概述了对简单虚拟任务运用这些方法进行评估的初步结果。展望未来，该方法通过直接凸显任务中的脆弱性，有助于将技术与战略研发资源聚焦于所需之处。

图6. 平台合并与分组策略。a) 位置与功能。b) 位置与通信。c) 通信与功能。

图7. 三个平台上的分组示例。可根据分析目标及对杀伤网的预期观察指标，按特征指定合并策略。

“马赛克战争”概念指将众多独立作战平台集成为更庞大的力量包，以利用复杂性并将其转化为非对称优势（DARPA，2018年）。太空通过支持并增强地面力量设计，使其能以革新能力的新方式连接与协作，在该战略中扮演关键角色。在任务级仿真尺度上，这些连接创造了复杂的交互网络，难以解析为特定平台、技术或时刻的可行动性能信息。当前方法通常利用任务结束时记录的高度平均化的性能指标（Bernal，2020年）。这能捕捉总体性能趋势，但无法解释平台交互网络中的因果关系，而该关系有助于聚焦技术与战略研发努力。例如，一项新技术可能在杀伤网某区域提升20%性能，却在另一区域降低20%性能。最终性能指标几乎无变化，但更精细地剖析结果能更好理解该技术对任务的影响，并为针对性能退化区域开展额外研发提供依据。

AFSIM作为虚拟试验场

在兵棋推演仿真领域，AFSIM软件作为虚拟试验场，用于模拟大量交互协作智能体的任务（West & Birkmire，2019年）。这些智能体以其物理实体的“数字孪生”形式呈现，具有不同保真度（如机载预警与控制（AWACS）系统、防空导弹（SAM）阵地、无人机及卫星）。在软件内，分析人员通过集结并控制这些智能体来模拟更宏大的目标场景（可包含对抗性交战）。这些系统常被用于模拟从始至终的杀伤网及其中断，以消除某些威胁。可添加太空层直接测试并比较其对任务性能的影响。然尽管该软件能执行极度复杂的任务，美国国防部（DoD）、工业界与学术界正积极研究对这些任务进行更全面分析的方法。场景结果常被简化为带误差线的柱状图，因为海量可用数据难以打包呈现以供分析人员理解或决策。尽管如此，AFSIM作为任务级研究和技术测试的常用测试平台，因属政府所有、开源且非专利，便于防务界共享成果与结论。

任务级仿真中的概率化结果

在AFSIM等任务级建模框架内，仿真尺度常要求模型降低复杂度以实时生成结果。在一项模型简化示例中，许多物理复杂交互（如武器命中目标）通过概率判定（图1）。该概率细节源自外部实验或高保真仿真（West & Birkmire，2019年）。例如，对平台X重复进行武器A的物理测试，以确定武器A针对平台X在各种独立设计变量下的杀伤概率。测试完成后，结果被汇入任务级仿真所用的杀伤概率表。或者，概率可能来自无实体或数字原型的概念技术的项目需求。此种情况下，概率将根据所考量技术的所需能力设定。这使得在详细工程开发前，能测试理论技术对任务结果的影响。

图1. 通过概率建模的任务级物理交互样本，基于结果生成分支化未来。

这种由任务级复杂性所需的概率驱动格式，为探索技术变革影响提供了新途径。每次概率抽取均在仿真路径中形成一个分叉。更优的技术或战略可能在更关键时刻影响该分叉转向更佳路径。在分析中利用此特性，将对技术影响产生更细致的洞察，尤其在任务复杂性增加、个体贡献重要性在宏观尺度难以辨识时。仿真路径的偏差亦可能源于任务参与者做出不同决策或行动，而非仅限物理近似概率抽取。AFSIM软件具备表征此类结果多样性的数学基础，但常被视为需克服的障碍甚或被忽略。通过利用基于模型的工程（MBE）、机器学习与统计学概念，有机会更好利用AFSIM的分支特性以开展更具洞察力的分析。该分析源于能阐明特定行动在何时、何地、如何、为何及以何种概率导致特定结果的技术。

基于任务级马尔可夫链的杀伤网比较

通过对任务进行充分采样，所有合理可能的状态序列均被识别。将状态转移矩阵打包为马尔可夫链，可将信息呈现为描述任何给定时刻所有可能未来的状态连接网络。若对两种技术或策略进行仿真，则会生成两个不同的马尔可夫链并可进行比较。只要状态定义保持统一，这便提供了详细探索新技术影响之处的机会。请参见图3中对两个杀伤网系统的比较。为简化起见，马尔可夫链的起始状态及成功与失败的终止状态均被清晰标识。在此比较中，改进后的系统改变了状态2的结果概率，这直接影响了任务轨迹并确保了更高的成功几率。在此简化示例中，状态2代表一个关键脆弱点，若出现错误结果将导致杀伤网失效。此项比较系2027年二期阶段计划的目标产出。在此，Infinity实验室提出了若干与用状态向量表示任务级仿真相关的挑战，并提出了在实现马尔可夫有向图最终比较的进程中克服这些挑战的方法。

图3. 通过马尔可夫链比较两种技术。此二期阶段目标产出凸显了技术提升成功几率的具体时刻。