利用人工智能加强反C5ISR行动

反 C5ISR 行动面临的挑战之一是难以全面了解电磁环境。单个传感器只能提供该环境的部分数据，而且这些数据往往难以整合。同时，分析人员在查看这些数据时往往只关注他们已经了解的雷达、无线电和其他信号。潜在对手是如何利用电磁环境来跟踪我军或实施指挥控制的，这在很大程度上往往是未知的。

然而，数据集成、人工智能、预测分析和其他数据科学领域的进步正使联合部队有机会更全面地了解潜在对手的 C5ISR。通过汇集和分析所有可用的电磁数据，而不仅仅是查看口袋中的部分数据，可以开始看到对手 C5ISR 中更大的模式和更多可能的攻击面。未知数减少了，反 C5ISR 活动的路径也就更多了。

整合丰富的 C5ISR 数据

尽管联合部队已经在收集他们所需的大量数据，以获得更全面的信息，但很难将这些数据整合起来进行分析。数据通常存储在各自为政的数据库中，或以其他组织无法轻松访问的格式存储。此外，出于安全考虑，企业可能不愿意共享数据。

借助机器学习和其他分析的新方法，联合部队可以更全面地了解电磁环境。但是，无论多么先进的分析技术，都无法在有限的数据集中充分发挥作用。它们需要大量数据才能发现总体模式并识别关键异常。

幸运的是，现在联合部队可以汇集并分析他们正在收集的所有数据，而且可以安全地进行分析。这可以通过一种混合的数据集成方法来实现，既可以使用全企业范围的数据湖，也可以使用舰艇、潜艇和地面站上的本地化人工智能。通过数据湖，联合部队可以在计算机网络和云中存储几乎无限量的数据。数据湖可以无缝接收来自任何来源、任何格式的数据，并将其提供给人工智能和其他分析工具进行分析。

数据湖的优势之一是它比传统的存储方法更加安全。当每条数据被输入数据湖时，都会被标记上 “可见性”，以管理谁可以访问数据以及在什么情况下访问数据。这意味着个人和组织只能查看数据湖中他们有权查看的那部分数据。虽然各组织的决策者可以使用人工智能和其他分析产生的见解，但底层数据仍然受到保护。

混合方法的第二部分要求采用本地化人工智能，例如舰艇和潜艇上的机器学习模型。数据湖对对手 C5ISR 的洞察力被下载到机器学习模型上。如果舰艇处于排放控制状态或无法通过云访问数据湖，它们可以利用数据湖的知识库，使用机器学习模型来处理传感器传来的数据。

一旦舰艇和潜艇重新连接到数据湖，它们就可以上传所获得的新见解。这些见解将成为数据湖的一部分，然后共享给整个舰队的本地化机器学习模型。这种混合方法--数据湖与舰载机器学习模型相结合--使联合部队即使在通信中断的环境中也能保持对对手 C5ISR 活动的丰富、持续更新的了解。

发现规律和异常

一旦所有数据都汇集到数据湖中，人工智能就会开始工作。它首先要在电磁环境中寻找 “生命模式”--传感器每天都能看到的正常无线电、雷达和其他信号。在寻找模式的过程中，人工智能还能将许多其他来源的数据考虑在内，包括已知的军事训练路线（包括敌方和友方）、商业通信以及当地天气状况（可能会影响信号行为）。

下一步，人工智能会查找数据中的异常情况--与正常模式不符的信号或其他电磁活动，从某种意义上说，不应该存在的东西。这些异常现象可能是对手 C5ISR 中未知未知因素的关键线索。

例如，如果海军舰艇编队正在某海域航行，舰载传感器可能会检测到来自附近拖网渔船的突发性电磁活动，而这些拖网渔船所使用的频率是分析人员从未想过要查看的。与此同时，其他传感器可能会检测到来自几百英里外的一个岛屿的同样突然和意外的信号，也许随后还有来自其他地点的信号。即使不知道信号的内容，人工智能也能开始绘制对手的 C5ISR 网络节点图--例如，通过识别主要组织和下属组织，以及指挥和控制路径。异常情况还可提供对手战术和战略行动的早期迹象。