《运用深度学习技术检测卫星异常活动以预警军事行动迹象》

本研究应用深度学习异常检测技术分析俄罗斯所属在轨空间物体在乌克兰行动前的活动，并评估结果以发现可作为未来冲突中军事行为迹象与预警的有效指标。通过分析异常活动，可建立对潜在战术与程序的理解，从而利用公开的两行元数据评估俄罗斯在轨空间物体生命周期模式/行为模式是否存在统计显著变化。研究采用统计学与深度学习方法评估异常活动。评估的深度学习方法包括：隔离森林、传统自编码器、变分自编码器、柯尔莫哥洛夫-阿诺德网络以及新型基于锚点损失函数的自编码器。每种模型均基于五年数据样本建立轨道活动基线。主要调查期聚焦入侵日期（2022年2月24日）前六个月。额外分析通过采样日期后的两行元数据，考察战斗活跃期的在轨空间物体活动。深度学习自编码器模型通过重建误差超过西格玛阈值来识别异常。为捕捉每个在轨空间物体的细微特征与独特性，为每个被观测空间物体单独训练模型。根据符合研究入选标准的空间物体筛选，共训练并使用两千五百四十四个模型进行推理。研究着力提升模型结果的可解释性，因此每项观测均评估六个轨道根数的独立异常行为，而非将输入数据作为整体进行分析。结果不仅显示俄罗斯在轨空间物体活动存在统计显著异常，还详细揭示了各轨道根数的异常发现。为增强可解释性，物体按其任务类别进行分类分析。这有助于生成可理解的结果，并可推广用于建立军事行动前空间作战的通用特征谱。

图1：选定在轨空间物体异常前最后正常观测的推算轨道与异常后轨道的平面变化对比。

天基资产及其提供能力的依赖性与重要性日益增长。卫星在提供通信、数据传输与气象分析等重要功能方面具有关键作用。随着对天基能力依赖度的持续提升，这些能力对军事活动的支持及其作战重要性也同步增强。它们保障安全通信、收集传递情报并提供运用先进武器系统的能力[8]。运用天基效应支持地面军事行动需要大量规划与时间，尤其对地球静止轨道空间物体而言。随着空间技术在民用与军事领域的应用持续扩展，检测与建立稳健生命周期模式/行为模式的需求愈发迫切。检测并理解给定在轨空间物体轨道行为的细微变化，可为未来意图提供潜在洞察。随着分析复杂度提升，从单个在轨空间物体的生命周期模式/行为模式扩展到多物体分析，有望建立空间操作国的战术与程序特征谱。两行元数据捕获空间物体的行为，当用作机器学习模型训练数据时，可使模型识别违反既定生命周期模式/行为模式的特定行动。它提供快速评估海量数据并识别可能指示正在进行军事行动的特定活动的方法。随着太空物体数量与传感器网络同步增长，采集数据量只增不减。当前采集的数据量已超出人工以合理质量与效率处理的能力范围。利用先进数据科学技术虽能有效快速分析海量数据，但以更低计算成本更快完成的需求日益迫切。俄罗斯入侵乌克兰是航天国家军事战时行动的重要测试案例。利用详尽的公开数据源，应用深度学习技术可识别空间物体的行为变化，为即将发生的敌对行动提供潜在迹象与预警。本项目使用源自Space-Track.org[2]的公开两行元数据，调查分析2022年2月24日入侵乌克兰前俄罗斯所属在轨空间物体的活动。研究考察俄罗斯在轨空间物体的六个经典轨道根数，用于深度学习算法以评估与检测异常活动。开发锚点损失自编码器并与其他深度学习方法比较，以识别异常并建立冲突前在轨空间物体的战术与程序特征谱。每个独立轨道根数均评估异常活动，从而提供更高可解释性。换言之，并非将每个数据观测整体判为异常与否，而是在个体轨道根数层面进行评估。这提供更深入的理解以确定异常成因，并为欠监督机器学习的本质提供更深价值。该方法可为建立指示军事活动的行动特征谱并提供迹象与预警来源提供关键洞察。最终结果不仅展示两行元数据异常的更多细节，还揭示异常在轨空间物体观测中哪些方面是动态的。

调查的俄罗斯在轨空间物体总数经降采样以聚焦最相关物体。公开目录列出两万五千零二十七个俄罗斯在轨空间物体，其中大部分被归类为碎片。本研究仅考察乌克兰入侵初期在轨的在轨空间物体。纳入分析的俄罗斯在轨空间物体按三项标准筛选：（一）所有权分类为“独联体”（俄罗斯）；（二）物体类型指定为非碎片（卫星、有效载荷或未知）；（三）2022年2月至4月期间在公开目录中有两行元数据观测。这将待进一步调查的在轨空间物体数量缩减至两千五百四十四个。比较五种异常检测模型：隔离森林[13]、自编码器[17][9]、变分自编码器[11]、柯尔莫哥洛夫-阿诺德网络[14]及新型采用基于锚点的损失函数作为正则化项并结合受贝塔变分自编码器启发的重建误差的自编码器方法（锚点自编码器）[23]。评估每个在轨空间物体各轨道根数的离群值，并用于提供两行元数据观测的真阳性标注以注释数据是否异常。此举用于评估机器学习模型性能。尽管这些先进异常检测方法（隔离森林、自编码器、变分自编码器、柯尔莫哥洛夫-阿诺德网络与锚点自编码器）比仅离群值捕获更广的异常范围，本工作假设离群值将被机器学习方法标记为异常。鉴于此，真阳性与假阴性结果作为通过模型F1分数评估性能的关键指标。项目主要目标是识别导引期（入侵乌克兰前六个月的窗口期：2021年8月24日至2022年2月24日）内的异常与在轨活动变化。用于捕获俄罗斯在轨空间物体“正常”在轨活动的训练数据时间段为导引期前的五年样本（2016年8月24日至2021年8月23日）。假设检验使用入侵前十二至六个月的基线期，并将异常率与紧邻入侵前六个月的导引期比较。总体发现倾向于支持确认存在超出预期生命周期模式/行为模式的独特俄罗斯在轨空间物体活动的备择假设。假设检验基线期与后续导引期之间评估异常率增加百分之一百七十六点二五强调了这一点。按在轨空间物体任务类别考察支持备择假设的特定轨道根数时，该观点得到进一步佐证。尽管研究力求全面，仍面临不足。异常活动仅基于轨道根数，未捕获更广泛基于事件的活动（如机动、接近/分离、姿态变化或遥测增量）的行为变化。此外，仅使用第十八太空防御中队公开的数据。本研究为该领域提供三项重要贡献：首先，引入快速识别与战前活动相关两行元数据的有效方法；其次，建立冲突前俄罗斯军事空间作战的全面战术与程序特征谱；第三，开发新型基于锚点损失函数的自编码器架构，其性能优于现有深度学习方法。