【ML+国防安全】加拿大国防部最新发布《机器学习技术及其在国防和安全中的应用》，76页pdf（附中文翻译版）

【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。

【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 舰艇监视

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舰艇监视提供洞察力。这些聚类算法已应用于 AIS 数据。具体来说，已经报道了基于这些方法对舰艇运动实时预测的可靠性和准确性的研究[25]。还使用应用于基于空间的 AIS21 的 K-means 聚类算法来研究舰艇避撞，以评估航行稳定性和检测异常行为[26]。研究人员还探索了使用聚类和 AIS 数据流来支持搜索和救援行动[27]。

• 决策树：使用模糊粗略决策树算法，研究探索了执行舰艇类型行为学习的能力[28]。对舰艇活动进行可靠和有效的表征可以提高海域态势感知。这是通过使用包含运动学、静态和环境信息等轨迹特征的概括向量来实现的，其中轨迹是通过融合 AIS、合成孔径雷达 (SAR) 和天气报告来创建的。

• 随机森林：研究已使用随机森林算法开发用于舰艇监视和跟踪的各种目的的模型。由于多种原因，基于 AIS 的舰艇运动往往会丢失数据。例如，这些失误可能是由于恶劣天气造成的。为了检测这些记录，这些技术已被用于自动识别船只轨迹中缺失的位置记录[29]。随机森林也被用于创建预测船只目的地的模型。在舰艇离开特定港口后使用历史 AIS 数据确定目的地点的能力也已被研究 [30]。这也通过比较当前和历史轨迹数据进行了研究，以便根据相似性度量来预测最终位置[31]。

• 关联挖掘：创建关联规则的模型通常用于购物篮分析场景。然而，当应用于 AIS 数据源时，这种算法为舰艇运动分析提供了有用的见解。使用关联挖掘进行的研究提供了有助于发现舰艇运动模式的洞察力。此类运动包括：轨迹预测，估计舰艇接下来最有可能访问的港口[32]，并在收到新消息时预测舰艇的位置，并计算有和没有舰艇位置插值的关联概率[33]。

• 支持向量机：支持向量机执行回归和分类任务。支持向量回归用于研究异常舰艇行为的检测。当前检测异常行为的方法是利用舰艇运动的突然变化。然而，与海上事故相关的导航数据可以模拟正常情况。为了解决这个问题，使用 SVR 航道模型及其路线提取方法，开发了一个模型来检测异常舰艇行为 [34]。该研究的目的是定义“通过将导航数据分配给位置基础来确定异常行为的可接受的最大值和最小值”[34]。除了SVR研究之外，科学家们还研究了SVM在检测和分类异常舰艇行为方面的应用。通过从原始AIS数据中提取海上运动模式，对异常舰艇行为的识别和分类提供了新的信息[35]。

• 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]。 AIS 数据的使用允许模型根据位置、时间、舰艇用途、大小和冰级来预测舰艇的速度。在[37]中，作者使用神经网络作为一个基于云的web应用程序来预测未来的舰艇行为。它能够将预测的短期和长期行为叠加到交互式地图上。除了预测舰艇航线，人工神经网络也被用于调查异常检测事件。具体来说，该研究着眼于AIS转发器中观察到的有意和非有意的切换，因为这种活动可以用来隐藏可疑或非法活动[38]。

•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。利用这些来源，CNN可以提取舰艇运动模式。在[39]中，作者通过将原始AIS数据转换成保存舰艇运动模式信息的图像数据结构，利用历史AIS重建舰艇轨迹。然而，使用AIS系统的舰艇轨迹重建技术存在原始数据含有噪声、记录缺失和其他错误。许多研究在进行弯曲轨迹或高损失率的舰艇重建时面临困难。为了克服这些障碍，[40]的作者使用了一种健壮的CNN架构，称为“U-net”。这种架构能够处理不同采样率的轨迹、丢失的数据记录和其他噪声相关问题的轨迹。

• 循环神经网络：舰艇监测通常依赖于存在许多问题的 AIS 数据。AIS源可以表示大量数据，除了具有不规则的时间戳和丢失的记录外，这些数据有时可能会非常脏乱。已经进行了研究以帮助解决这些问题。研究 [41] 使用多任务深度学习框架，将 RNN 与潜在变量建模相结合，以帮助在执行轨迹重建、异常检测和舰艇识别等任务时处理这些问题。 [29]中的作者利用随机森林来识别丢失的记录，并使用 LSTM 架构来重建缺少 AIS 记录的船只轨迹。结合统计分析、数据挖掘和神经网络方法监测内河舰艇数据[42]。具体来说，LSTM 用于舰艇轨迹修复、发动机转速建模和燃料消耗预测。在另一项研究 [43]中，由于与设备故障、传输延迟和信号丢失有关的问题，需要在分析之前对 AIS 数据进行预处理。作者通过将 LSTM 与变量建模相结合来执行轨迹重建，同时考虑异常轨迹数据和舰艇航行状态。这一努力将有助于减少舰艇碰撞的风险，并支持其他研究途径，如舰艇类型分析、风险评估、轨迹预测和航线规划。

5.1.2 对比分析：为确定舰艇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]。

在[28]中，作者开发了一个模糊粗略的决策树模型，以根据运动学、静态和环境信息确定舰艇类型。用于模型开发的训练数据包含来自加拿大东海岸和美国东北部的 AIS 消息。[44]中给出的结果使用具有来自两个不同地理区域的轨迹信息的 GANN 执行舰艇分类。第一个是欧洲数据集，其中包括来自凯尔特海、海峡和比斯开湾的海上交通。另一个是东南亚数据集，根据在新加坡附近的海峡和港口以及南中国海开放水域的海上交通中船只的预期运动模式，该数据集被分为三组。

在[44]中，作者使用以下性能指标来评估他们的模型：召回率、精度和 F1分数[45]。作者在他们的报告中使用召回指标作为他们的模型准确性。召回率表示正确识别的实际相似性部分，其中准确度是正确预测的数量与预测总数的比率。假设作者使用召回作为准确率，当将其与[28]中报告的性能进行比较时，此分析将把[44]中的召回指标视为模型准确度。两项研究都将他们的结果与一系列其他 ML 技术进行了比较，以帮助评估性能。然而，与[44]不同的是，[28]报告了具有不确定性的准确性，从而赋予了性能结果意义，并使模糊粗略决策树模型与其他标准技术相比更容易理解。除此之外，比较这两篇论文的结果（没有不确定性测量）表明，大多数机器学习模型的表现都一样好。例如，k-最近邻、朴素贝叶斯、随机森林和支持向量机在[28]中的性能准确度在[44]中使用的四个数据集中的两个数据集中的相似邻域内。具体而言，新加坡港口和海峡周围海上交通的准确率报告在 47% 到 64% 之间，而[28]中报告的准确率为 45% 到 69%。

[28] 中使用的多层感知器取得的结果表明，它以81.5%的整体准确度优于其他模型，略高于模糊粗略决策树结果 (80.7%)。[44]中报告的四个不同数据集的准确率在41%到56%之间，非常差。在 [28] 中，对各种参数进行了特征选择过程，并根据分配的加权值选择了19个特征中的 10 个。特征及其相关权重为：ship_length (1.0)、avg_speed (0.183)、max_speed (0.183)、speed_st_dev (0.183)、course_st_dev (0.100)、heading_st_dev (0.097)、duration (0.082)、end_point lat (0.055)、start_point_lat (0.052) 和 max_lat (0.051)。[44]中使用轨迹特征来执行分类，利用 AIS 消息中包含的时间戳、经度、纬度、对地航向和对地速度。

这些研究之间选择用于训练的特征之间的主要区别之一是[28]中权重和影响最大的特征是ship_length，这不是[44]中使用的特征。模型的成功很大程度上取决于所用数据的质量和数量，但在很大程度上取决于特征选择。在多层感知器模型的情况下，[44]中使用的轨迹信息特征可能不足以生成准确的舰艇类型预测。这表明了解舰艇的长度是进行此类分类的关键指标。在比较[28]中选择的特征时，ship_length 被分配的权重大约是任何其他特征的五倍。这将使模型在进行分类时更加依赖此特定信息。除了特征选择和可调超参数外，使用的训练数据也对模型的成功有影响。数据的特征，如记录数量、代表性内容以避免过度/不足以及数据完整性，都在成功训练模型以提供高度性能方面发挥作用。

另一个有趣的观察结果是，[44]中使用的GANN 报告了其分析中使用的数据集从低 80% 到高 96% 的一系列准确度，平均准确度为 87%。这些结果优于 [28]中使用模糊粗略决策树报告的80.7% 准确度。关于为什么GANN 的表现似乎更好，有一些可能的解释。GANN模型基于LSTM-RNN，它允许将时间依赖性构建到模型中。包括这个额外的时间维度可以提供预测洞察力，从而实现更高程度的预测准确性。此外，GANN 模型使用对抗性组件进行训练，该对抗性组件可能迫使网络实现更大程度的学习以执行其所需任务。

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：研究[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。该方法通过 CNN 使用声纳图像提取目标特征。然后使用 SVM 进行分类。在现代海上作业期间执行自动目标识别和分类可以帮助当局检测潜在威胁。自主系统，例如基于调查和战术信息收集图像的无人水下航行器，是可以利用这种技术的系统。机器学习的这种应用减少了对具有分类目标专业知识的操作员的需求。因此，随着效率、速度和成本的提高，这个过程有可能变得更加自动化。该领域的一个活跃研究课题包括使用 ML 更好地检测声纳数据中的类似地雷的物体[54][55]。

• 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。目标识别和分类能力对于监视和态势感知至关重要。然而，所开发模型的成功取决于能否获得反映被建模数据的关键属性和特征的良好数据集。许多军事场景中的训练数据集的大小可能很少。[56]中的作者使用迁移学习和混合神经网络层的组合来解决这个问题，以开发可以嵌入的先验知识，以实现对高精度识别任务的特征提取的改进。这样的发展自然会进入并改进分类过程。

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。

探讨这个问题的两篇研究论文包括Zhu等人[53]和Bouzerdoum等人[57]的工作。在[53]中，作者使用称为AlexNet的预训练NN来执行特征提取，然后使用SVM将检测到的对象分为两类：目标和非目标。然后将性能与以下两种技术进行比较：局部二进制模式和定向梯度直方图。在[57]中，作者遵循与[53]类似的方法，其中使用预训练的网络进行特征提取，并使用 SVM 对检测到的对象进行分类。然而，在[57]中，对象被分为三个不同的类别：类水雷对象、非类水雷对象和误报对象。该研究还开发了一个用于分类目的的小型 CNN，并使用了一个名为 ObjectNet23 的预先开发的 CNN 来执行相同的任务。所有这三种方法都在它们的整体性能方面进行了比较。

两项研究都测试了用于特征提取的预训练 CNN 和用于分类的 SVM 的应用。结果表明，[53]和[57]的性能准确率分别为 95.9% 和 76.2%。鉴于这些方法相似，人们不会期望这些结果会有大约 20% 的差异。两个系统都使用预训练的网络进行特征提取。有趣的是，[57]考虑了不同的 CNN 架构，包括 VGG16 和 VGG19。这些网络是基于 AlexNet 网络的架构构建的，但经过改进。

奇怪的是，[57]中使用VGG的方法不会胜过[53]中使用 AlexNet 的技术。这样的结果可以用许多因素来解释。作者没有指定用于训练VGG网络的数据集。用于训练的数据质量和数量可能会影响模型的性能，从而使 AlexNet 能够更好地提取特征。该问题也可能存在于SVM执行的分类中。用于训练这些系统的数据可以极大地影响预测结果，因为在该领域很难获得大量标记数据。两项研究都进行了数据处理并使用增强技术来增加数据集的大小，这不如拥有更多“真实”数据点有效。此外，应注意分类类别的差异。[53]和[57]中检测到的对象分别分为两类和三类。拥有额外的类并尝试检测特定对象会更加复杂，并且可能会降低这些模型的整体性能准确性。

尽管这些研究使用了类似的方法来实现预训练的 CNN 和 SVM 来执行目标检测，但[57]也为此任务开发了一个小型 CNN。小型 CNN 的性能优于预训练的 CNN + SVM 模型，准确率达到 98.3%。与大型 CNN 不同，较小尺寸的 CNN 需要训练的参数显着减少，从而在数据样本有限时减少过度拟合的机会。这可能是小型 CNN 和预训练 CNN 之间显着性能差异的原因+ SVM 模型。

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。2019 年，对这个问题进行了调查，其中NN被训练来区分和适当分类军用和民用船只 [58]。这项研究的结果表明，如果 GANN 生成的模式覆盖在军舰的某些部分上，则针对此类图像分类训练的 NN 可能会混淆这些模式。这种技术被称为对抗伪装。进一步的研究 [59]研究了如何使用这种方法来欺骗选择的几个NN分类器。通过这样做，他们能够将分类的整体准确性降低到被认为不可靠的程度。在研究 [60]中，研究了迷彩图案的稳健性和通用性。这些模式在研究中被称为补丁，并且发现通过在补丁生成器的训练中实施降级过滤器，作者表明他们能够提高这些补丁的整体鲁棒性或有效性。

• 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]。这些架构已被用于执行轨迹预测和时间序列。尽管在该领域正在进行重要的研究，但执行时空数据预测的能力对研究人员来说是一个持续的挑战。特别是对于时空应用是一个新领域的GANN。[63]中讨论的最近工作强调了与数据生成相关的问题，这些问题会影响研究人员理解数据特征的能力。

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。Adhikari等人[64] 和Aurdal 等人[58]进行的两项研究，如何使用对抗伪装来欺骗或误导这些智能系统执行的自动对象检测。在[64]中，基于补丁的对抗性攻击被用来掩饰军事资产不受无人驾驶空中监视的影响。该研究使用神经网络创建覆盖在军事资产上的各种补丁，以防止自动检测目标物体。对于这些研究，感兴趣的目标对象主要是飞机。[58]中进行的工作训练了一个可以检测和分类军用和民用船只的 NN。对第二个网络进行了训练，以生成用于防止对军舰进行检测和分类的补丁。

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。贴片的设计可能相当复杂，因此很难将其复制到飞机或船只的外部。与[58]不同，[64]确实试图通过将现实世界的适用性构建到损失函数中来解决这个问题。然而，这种方法是否充分并不明显。

在比较这些作者所采取的方法时，[64] 中防止检测的目标似乎更可行，部分原因是避免了与国际人道主义法相关的问题。相比之下，作者在 [58] 中的意图是使用对抗性伪装来实现将军用船只错误分类为民用，显然会陷入法律战争问题。然而，[64] 中采用的方法对于 [58] 中的船只可能更复杂，因为它们没有与部署在陆地上的军事资产相同的多样化环境。这表明在考虑对抗性伪装的应用时，能够避免检测是两种方法中更好的方法。

此外，[58] 中使用的数据集由世界各地用户上传的图像组成，这些图像主要由舰艇轮廓组成。该数据集不太可能包含每艘船的足够的方面数据。此外，[64] 专注于航拍图像，而 [58] 则没有。在海上的任何军事场景中，用于检测船只的数据集很可能包含空中数据。拥有完整的数据集将允许模型为这些舰艇的不同方向生成补丁，而不仅仅是轮廓补丁。为实际使用实施对抗性伪装不仅需要此类数据，还需要适当的技术来实施。

最后，[64] 的训练数据显着减少，它使用称为 YOLO26 的标准预训练网络进行目标检测。该网络是对语义对象进行分类的通用模型，并未经过专门训练以检测空中目标。然而，在[58]中建立并训练了一个鉴别器网络来专门检测和分类舰艇。使用这种专门的鉴别器网络的目的是提高创建补丁的网络的整体性能。如果[64]的作者使用专门的鉴别器网络而不是他们的预训练网络，他们将获得什么性能提升，这将是一件有趣的事情。

6 总结和未来工作

技术进步已经并将继续改变与现代战争相关的所有战场空间。随着机器学习、人工智能和自主代理的引入，军方必须学会调整这些不断发展的技术并将其整合到他们的系统中。DND和RCN都已主动引入和使用此类技术，目的是提高整体防御和安全性。本节将总结本文的内容，并讨论作为文献回顾的结果将进行的未来工作。

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高效率。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，包括舰艇监视、目标检测以及对防御和进攻行动的支持。相当多的机器学习重点是舰艇监控，特别是航迹重建、防撞、航迹预测、目的地预测等。该研究领域已经研究并报告了许多机器学习算法的应用。目标检测对于海上环境中的监视和态势感知都至关重要。用于物体检测的卷积神经网络已被用于对船只进行分类、发现水雷、检测海冰、使用水下声纳图像进行分类、检测具有有限数据的军事物体等。生成对抗神经网络可用作支持密集操作的工具和防守。此外，在国防和安全领域，它们已用于样本生成、生成对抗伪装、用于支持特定发射器识别，并用于时空数据应用，包括轨迹预测和时间序列插补的事件生成。

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。对发展这种专业知识的任何投资都将有助于塑造应对现代战场所带来的挑战所需的未来能力。这些空间在本质上变得越来越技术化，因此，DND 和 RCN 必须学习如何适应和改变，以便在这些环境中发挥作用。对于 RCN，利用技术援助利用数据和信息对于海上信息战概念的成功至关重要。

6.2 未来工作

第 5 节中的讨论涉及与 MIW 相关的防御和安全领域的各种 ML 应用。当前研究的一个共同主题是对舰艇监视的内在兴趣。虽然 AIS 数据流是用于高度研究主题的重要信息来源，包括轨迹重建、路径预测和船只异常行为识别，但文献缺乏检测与数据流本身相关的潜在异常。

在研究舰艇监视领域的异常检测时，文献倾向于将“异常”称为可用于掩盖非法海上活动的 AIS 应答器的有意和非有意开关。然而，研究这个数据流的特征和这个信息源中可能存在的异常是很重要的。检测和解释数据流中的异常有助于建立用户对使用此信息训练的 ML 模型的信任。模型提供准确和稳健的预测或分类的能力源于使用可靠和值得信赖的数据。因此，有必要将研究工作集中在 AIS 转发器数据流上。

AIS数据流为各种船舶提供了大量的数据，这些船舶被法律要求在海上发送AIS信息。但是，船舶并不是操作可以产生AIS信息的AIS技术的必要条件。因此，用户如何相信他们收到的数据是可靠、准确的，并且来自实际船只？这方面的一个例子是虚拟舰艇的存在。在这种情况下，这些船只正在将 AIS 消息传输到数据流中，即使它们实际上并不存在。这种类型的恶意注入可以用来迷惑和影响情报人员和决策者。这些虚拟船只的存在是海事运营中心注意到的数据流中的异常现象。因此，它们需要被识别和解释，以支持决策过程。

在异常行为的背景下，研究虚拟舰艇的检测是本研究中同样重要的课题。这些研究将探索第 3 节和第 4 节中讨论的机器学习技术的应用。检测和确定识别虚拟舰艇的关键 AIS 信号特征的能力是这项工作的基础。此外，从 AIS 数据流中删除恶意注入的能力将大大有助于使信息更加可靠、准确和值得信赖。