推荐！《用于多域作战的预测、自适应、稳健和分布式网络的统一框架：第二年报告》2022美国陆军研究实验室20余位作者最新88页技术报告

本报告详细介绍了莱斯大学与美国陆军作战能力发展司令部（DEVCOM）陆军研究实验室（ARL）之间的合作协议的关于网络轨道上进行的第二年研究工作。这个项目的驱动力是开发自主网络，以支持分布式多域作战，同时对近距离的对手具有强大的弹性。这些尖端的网络必须具有能源和频谱效率，能够自适应不同的作战条件，并且在设计上能够安全地应对新一类基于学习的威胁。第二年的一个亮点是DEVCOM ARL和莱斯大学的研究人员在整体参与和出版物方面的重要合作。

图 用于估计场景几何的示例网络拓扑。盟军节点之间正在进行的数据传输被解码并重新用于对坦克进行成像。

1 引言

本项目的最终目标是设计新一代的自主无线网络，以支持分布式多域作战（MDO），同时对近乎同行的对手具有强大的弹性。本报告总结了本项目第二年取得的进展，并为未来几年制定了明确的研究方向。

自主网络对于使军队能够比对手更快地进行MDO演习至关重要。此外，这些也将促进整个战斗空间（陆地、空中、海上、太空、网络空间、频谱、信息环境）和各种作战功能（情报、任务指挥、火力、维持、保护、运动和机动）的融合和利用跨领域的协同作用。

为了开发新一代的网络，该项目已被组织成三个相互关联的研究方向：

• 从毫米波到太赫兹的安全网络。材料的创新使人们能够并且将继续能够获得从低GHz到THz的广泛频谱。然而，新的能力带来了新的挑战，因为在更高的频段，通信越来越具有方向性。在这个方向上，我们正在开发新的方法，以利用新兴设备的特殊性能，这些设备可以在GHz到THz的频段上进行传输，由莱斯大学的多个实验室和部署的测试平台支持。

• 人工智能（AI）驱动的自适应网络管理。通信能力的最新进展为网络管理和优化提供了一系列丰富的调整旋钮。然而，网络战是依赖于场景的，并与信道和流量条件以及设备能力紧密相连。在这个主旨中，我们利用人工智能来了解作战环境，并将网络的作战点引导到最佳状态，甚至在恶劣的条件下。

• 保护网络免受基于人工智能的威胁。基于学习的攻击已经打开了一个新的威胁载体，被动的对手可以从聆听正在进行的传输中学习，甚至从加密的网络中潜在地提取关键信息。我们正在开发创新，使对手更难提取信息，创新范围包括新的天线和新的高层方法。

2 第二年的主要成就

第5、6和7节详细描述了在这三个方向上取得的进展。作为一个总结性的预演，我们在此提供一份第二年期间每个方向的主要成就清单。

从毫米波到太赫兹的安全网络

• 实现了一种保护太赫兹链路的方法，该链路表现出角色散，表明可以同时实现大带宽和安全。

• 实验证明了来自 "中间元表面 "攻击的威胁，其中一个强大的对手试图截获高度定向的通信而不被发现。

• 展示了基于多面漏波天线（LWA）架构的强大的移动高定向链路的基础，该链路跨度为100GHz至1THz。

人工智能驱动的自适应网络管理

• 结合图神经网络的表达能力和算法展开的灵活性，为多输入多输出（MIMO）系统和能量受限的场景设计了可学习的功率分配机制。

• 为联合学习提出了一个可证明的接近最优的功率分配策略，其中包含了学习系统的特定约束。

• 开发了一种基于图机器学习的可训练和可扩展的链路调度方法，增强了现有的方法并达到了最先进的性能。

• 设计了一个访问控制的学习方案，可以在现有协议之间进行切换和调整，以使预先指定的效用最大化。

保护网络免受基于人工智能的威胁

• 开发了一个无监督的 "无线日记 "框架，无需事先训练就能识别无线节点的数量。

• 开发了一个框架，在存在错误测量的情况下，从一个窃听者那里估计链接率。

• 开发了一种方法，被动地利用空气中的无线能量来估计场景的地理位置。

支撑的硬件框架