未来涉及全域联合指挥与控制（JADC2）的冲突将需要在多域（空间/空中/地面/海上）杀伤链中对传感、C2和目标资产进行整合和控制，并由自主、数据融合和人工智能等技术实现。为了支持关于在何处以及如何应用这些技术的决策，BAE系统公司开发了一个系统数字试验台，以实现对与基于模型的系统工程（MBSE）工具相结合的多领域系统的任务级分析。它提供了高保真性能分析模拟所缺乏的任务灵活性，同时允许纳入高级算法能力（如自主性、AI/ML），这在高水平的活动模拟或行动分析工具中是不可能的。该测试平台利用美国空军仿真、集成和建模高级框架（AFSIM）以及波西米亚互动的VBS4游戏引擎来模拟场景。信息管理框架使用通过VBS4模拟SDK提取的信息来模拟传感器、效应器和C2信息处理以及通过杀伤链的信息流。仿真套件符合DIS/HLA标准，允许纳入其他仿真以进一步提高逼真度，还提供了一个信息传递网关，允许以标准的C2和信息传递格式（如OMS/UCI）交换信息。至关重要的是，信息管理层也允许灵活地纳入技术，以实现信息管理的自动化并增强C2过程。在本文中，我们描述了JADC2所带来的挑战，以及系统分析对先进算法技术应用的极端重要性。我们讨论了系统数字试验台的原理和结构、所采用的技术以及系统分析的方法。我们将介绍评估这些技术对改善任务级指标的系统贡献的结果，如延迟、可扩展性和杀伤链反应的稳健性。
1 引言
1.1 联合全域作战(JADO)
联合全域作战是美国（US）国防部（DoD）的联合作战概念，其目标是将所有军种和领域（空间、空中、海上、陆地、网络和电磁频谱）的能力统一起来，以更有效、高效和快速地应对先进技术威胁。JADO包括全域联合指挥与控制（JADC2）[1]，它将使所有军种和所有级别的作战人员能够利用所有可用的信息 "感知、判断、行动"。为了实现这一愿景，来自各自领域的部队必须作为一个协同小组行动，获得相同的数据和协调其目标的能力。美国部队在有限的演习和具体的行动中显示出有能力协调各部门和各领域的行动以实现目标，但目前这些行动需要广泛的高级协调。未来的冲突将要求这种协调以 "速度和规模 "发生，即足够快的速度来应对快速出现或变化的威胁，并同时针对数百或数千的目标。
虽然这个问题有很多因素，而且必须在从战术到战略的各个层面加以解决，但JADO/JADC2的基本挑战可以概括为传感器到射手的杀伤链，[2]也被称为 "战斗网络"。[3] 我们所说的 "杀伤链 "是指一个系统链，它接收和处理有关单个威胁的信息（"感知"），分享和解释信息以评估完整的威胁情况及其潜在影响（"感知"），并计划和执行针对威胁的效果（"行动"）。值得注意的是，效果可能包括综合使用传统的动能武器来摧毁或破坏敌方资产，干扰等电磁干扰来破坏敌方传感器或通信，网络行动来破坏敌方信息系统，或者在某些情况下，信息行动来欺骗或误导敌方人员。这里介绍的工作并不直接涉及信息作战或网络作战，但正如我们在第4节讨论的那样，它有可能扩展到这些领域。
1.2 高级算法在JADO场景中的应用/部署
人工智能、机器学习和其他先进的算法技术在JADO和JADC2[4]中发挥着关键的使能作用。"感知、判断和行动 "都涉及到在非常快速的时间尺度上处理大量的数据，需要在杀伤链的多个点上进行算法处理，以达到与拥有庞大、装备精良和敏捷的军事力量的对手发生冲突所需的速度和规模。此外，根据预先确定的要求设计并使用传统技术验证的传统算法无法解决涉及适应性威胁的冲突情况。在下面的小节中，我们提出了三个代表美军在JADO中所面临的挑战的概念性场景，说明了能够在速度和规模上实现杀伤链的先进算法。虽然有许多方法可以对这些算法进行分类，但为了评估它们在JADO杀伤链中的效用，考虑将它们按 "感觉"、"判断"和 "行动 "进行细分是有意义的。重要的是要注意，在几乎所有情况下，人类作战人员将保持 "循环"，监督算法组件的运行，在某些情况下，"循环 "中，在交战前需要人类确认目标身份。
需要指出的另一个关键点是，"感知、判断、行动 "的结构，与美国和其他军队普遍使用的相关 "观察、定向、决定、行动"（OODA）结构一样，代表了一个决策循环，在两个方面具有内在的层次性。首先，不同级别的指挥部将在更高级别指挥部的决策循环的时间周期内进行他们的决策循环嵌套。对于这里的例子来说，更重要的是，循环中的 "Make Sense "或 "Orient "元素往往需要采取行动来增进理解或收集更多信息。一个常见的例子是重新定位一个传感器平台或改变一个传感器的配置。这反过来又需要一个二阶决策/行动循环来为 "感知 "功能服务。我们在下面的三个方案中看到了这样的例子，我们把这些步骤看作是 判断"的元素。我们已经在第2节中描述的系统数字试验台中实现了所有三个场景，我们在第3节中介绍了第一个场景的系统分析的初步结果。
1.3 空中/海上防卫性反击(DCA)
在这种情况下，由一艘航空母舰和多艘导弹驱逐舰组成的友军航母打击群（CSG），在敌方海岸附近的国际水域作战。CSG包括专用的空战管理（ABM）飞机，如美国海军的E-2D鹰眼，以及一翼的战斗机，如F/A-18或F-35。CSG还得到一架高空长航时（HALE）飞机的支持，该飞机能够在受威胁地区上空长时间运行，并能有限地接触到威胁的防空系统。CSG受到敌方轰炸机的威胁，能够发射巡航导弹，破坏或摧毁CSG的资产，并由战斗机护送保护。下面的图1强调了由先进算法实现的几种一般能力，下面将讨论这些能力，使CSG能够 "感知（SENSE）"、"判断（MAKE SENSE）"和 "行动（ACT）"，以迅速和自信地关闭杀伤链。
SENSE：传感器资源管理（SRM）使用自主控制算法，可能由基于ML的技术实现，动态管理和控制平台传感器的配置，以优化传感器处理，确保在具有挑战性的环境中探测和识别威胁。在有大量目标的情况下，或者在物理或电磁环境影响传感器处理的情况下，如雷达传感器受到干扰的情况下，主动SRM可以大大改善探测和识别威胁的能力。
MAKE SENSE：自动化团队共同作战图（COP）编队在车辆之间共享信息，并将来自多个来源的信息进行关联和融合，以产生所有车辆的共同图像。这确保了所有车辆的决策，包括人工和自动决策，都在相同的信息下进行。团队COP的形成包括两个独立的算法元素。首先，信息传播算法必须决定在团队成员之间分享什么信息。这一点很关键，因为在冲突环境中，干扰和干涉将限制共享信息的能力，因此，杀伤链的每个元素必须根据信息在整个团队中形成一致的COP的价值，选择并优先考虑与同伴共享的信息。其次，每个杀伤链元素的传感器融合[5]算法将来自本地传感器源和其他团队成员的信息进行关联和融合，以确保每个平台 "看到 "相同数量的威胁，并对每个威胁应用相同的识别器。
MAKE SENSE：传感器重新定位算法为机载传感器，包括反弹道导弹和战斗机推荐更新的路线，以提供更快速的目标定位和识别的细化。这些 "自动路由 "算法利用传感器、平台和威胁的已知特征来优化观察角度或感应基线。如上所述，传感器平台的这种重新定位是一种 "ACT"形式，但由于它是为改进COP服务的，所以我们认为它是 "MAKE SENSE"的步骤。
ACT：武器选择和任务分配算法审查威胁、任务目标和可用的资产，并推荐可供交战的威胁，同时分配资产和武器。经人类批准，他们向武器提供任务，并监督武器的飞行和交战。在这种情况下，交战决定包括确定哪些敌机需要交战--在这种情况下只需要交战轰炸机以确保对CSG的保护，以及哪种友好资产应该进行交战--在这种情况下是导弹驱逐舰。在更复杂的情况下，武器选择和任务分配算法可能需要在多个不同的指挥结构中进行调解，以找到合适的资产，通常使用 "拍卖 "技术，其中每个潜在的交战能力提供者对交战进行 "出价"。[6]
图1. 在DCA场景中，先进的算法协助人类作战人员感知：优化传感器性能以探测、定位和识别威胁；感知：分享信息和定位资产以确保整个团队有一个一致的 "共同作战图"（COP）；以及行动：选择和分配适当的武器来对付即将到来的威胁。
1.4 空中/地面部队保护场景
美国陆军正在为未来的空中/地面行动开发一个概念，涉及部署一系列空中发射效应（ALE）系统[9]，这些无人机系统（UAS）可以从较大的有人或无人飞机上发射，例如陆军用于战场情报、监视和侦察（ISR）的灰鹰UAS。ALE以小组形式运作，不受人类控制，执行一系列的侦察和攻击任务，以支持陆军的空中和地面行动。ALE小组执行这些任务的能力的核心是使用基于人工智能的算法来认识和了解情况，评估和分配ALE任务的目标，以及团队行动或集群来完成共享任务。
图2所示的许多功能与空/海场景中的功能相似，但由于系统的性质和任务，面临着独特的挑战：
-
ALE系统的目的是在陆军航空兵目前运作的近地面空间内运作。陆军航空兵在冲突情况下的生存取决于避免被敌军发现和瞄准，这就促使其尽可能地靠近地形作战。由于地形的遮挡和视角的迥异，近地面作战增加了整个ALE小组观察信息的差异。
-
ALE系统的目的是在战斗的前缘作战，那里的电磁环境最有可能是有争议的，导致可靠地和大量地交换信息的能力有限。低概率拦截（LPI）通信也更有可能被地形和其他障碍物打断，进一步降低了可靠地分享信息的能力。
这些因素既意味着ALE小组必须采用不依赖于每个平台上相同信息的算法，以有效地联合执行任务。
图2. 美国陆军空中发射效应（ALE）飞机与较大的有人和无人直升机合作，执行侦察和打击任务。
1.5 导弹防御场景
美国正在开发使用远程超视距雷达（OTHR）的概念，用于预警和提示防御系统，以保护美国大陆免受巡航导弹等威胁。在导弹防御方案中（图3），东北部的地面指挥和控制（C2）站由马萨诸塞州和弗吉尼亚州海岸的地面雷达（TR）以及位于加利福尼亚州安大略省和北卡罗来纳州的OTHR支持。C2站还得到了该地区的天基红外监视（SBIRS）卫星的支持。在这个场景中，一架敌方轰炸机正在北大西洋上空飞行，并部署了两枚高超音速巡航导弹。同时，一艘潜艇就在近海浮出水面，并发射了两枚标准巡航导弹。这四枚导弹中的每一枚都被协调起来，瞄准一个陆地目标。地面站能够根据从SBIRS卫星上收到的线索，为其TR和OTHR传感器分配任务。地面站收到的所有数据都被处理成一个集中的共同轨迹图（CTP），以便更快做出决定。如果一个来袭的威胁接近东海岸，并被SBIRs、OTHR和本地TRs感应到，那么在它通过每个传感器的视场（FOV）时，可以保持威胁的存在，从而能够更快地识别和响应。当CTP实现了对来袭目标的识别和信任时，地面站就能发射拦截器，在来袭威胁到达预定目标前将其消灭。
图3. 美国陆军空中发射效应（ALE）飞机与较大的有人和无人直升机合作，执行侦察和打击任务。
这一场景涉及与其他设想类似的传感器管理、数据融合和威胁应对能力，但值得注意的是，它提出了一个分层传感架构，其中不同类型和不同能力的多个传感器以互补的方式被采用。这种分层传感架构的想法是许多现代防御概念的核心，但需要进行复杂的分析，以确定最佳的架构（传感器的类型、传感器的安排以及每种类型的数量和能力）来应对一系列威胁。
1.6 系统簇、任务和信息内容分析
虽然人工智能、机器学习或自主性的算法可以为复杂的系统中的系统（如JADO杀伤链）的运行增加重要价值，但其应用需要充分了解使用这些算法的好处、成本和风险。我们的工作是以这样的评估为前提的：为了优化这些算法在此类应用中的应用，有必要进行三种相互关联的分析： 系统分析、任务分析和信息流分析。每种分析都对我们正在建立的系统数字试验台的建模和分析能力提出了一些独特的要求（第2节）。
我们的观察是对建模和仿真工作的补充，这些工作讨论了不同层次的仿真，反映在网络安全和信息系统信息分析中心（CSAIC）最近发表的一篇文章中[10]。这项工作讨论了四个层次的模拟，具有不同的复杂程度和时间尺度。这些模拟水平与我们的分析水平相吻合，如表1所示。
表1. 我们建议的分析水平与建模和仿真界讨论的仿真水平一致。
系统簇分析评估系统簇的结构--构成系统的元素，它们的相互联系，以及信息处理能力在该结构中的位置。系统分析要求对这些物理和信息流要素进行明确的建模，并要求能够轻易地改变这些要素，例如探索不同的连接架构或能力放置的策略。例如，在导弹防御方案中，探测和击败来袭威胁的总体能力是单个传感器性能和基于所有传感器信息的C2能力的复杂功能，定义最佳架构需要对所有这些要素进行建模。
任务分析是根据任务级别的指标来评估系统的性能。我们的工作参考了新兴的任务工程学科，如国防部在2020年向公众发布的任务工程指南[11]。我们的工作反映了任务工程的两个核心要素： 行动概念（CONOPS）分析和任务级指标。
作战概念分析反映了系统元素在任务中的不同作用。例如，在空中/地面场景中，我们必须模拟这样一个事实，即交战决策需要人类战士的批准，因此与交战决策有关的信息流必须始终包括有人驾驶的地面平台。
任务级指标要求评估整体任务的有效性，而不是单个平台的有效性或性能。例如，在导弹防御方案中，我们可能希望了解增加地面雷达的范围或精度的相对好处。虽然在局部层面上，这肯定会增加TRs探测目标的范围，但雷达是分层传感结构的一部分，这意味着单个雷达性能的变化可能不会对任务结果产生相应的变化。我们的测试平台必须能够对一系列不同的能力及其相互依赖性进行建模，并计算整体任务的有效性，如实现目标的时间，而不是简单地评估局部性能。
信息内容分析评估存在于系统的每个元素的信息，以及它们之间的信息流，以评估系统的能力的性能。信息内容分析在高级算法的分析中特别重要，因为这些算法对其可用的信息有强烈的依赖性。算法的发展、完善和评估取决于以高保真度对驱动不同平台信息的因素进行建模，因为这些因素很可能与任务执行相关联，而这是不容易从信息交流的简单统计或参数建模中预测到的。
例如，在空中/地面方案中，算法不是集中和同步执行的，而是将在ALE团队的所有平台上运行不同的数据，并且在可能无法可靠交换信息的条件下运行。因此，团队的行为，以及整个团队的有效性，将严重依赖于团队之间的信息差异，因为对战斗空间的观察不同，团队成员之间交流信息的能力不完整。为了评估先进算法对ALE任务的价值，我们必须对每个节点所产生的信息（如来自传感器或机载导航系统）、节点间交换的信息以及算法执行所产生的信息进行明确建模。
2 系统簇数字测试平台
2.1 基本原理
了解全域作战的任务有效性历来都是通过桌面模拟，最近则是基于计算机的模拟。战役级和任务级模拟器（如OneSAF、STORM等）对作战计划（OPLANS）和行动方案（COA）进行多对多的情景分析，以研究、分析和训练决策者。在大多数基于计算机的战役模拟器中，有两种主要方法来管理封闭性（即为玩家引入战争迷雾）以及行动事件结果：
1）传感器的简单逻辑决定了对手实体和状态的可观察性，包括对一个实体存在的知识、该实体的数量或这些实体所处的行动/状态的估计。
2）基于启发式的概率估计，以确定事件的可能结果（包括探测、击中和杀死的概率）。
虽然这些工具和方法已被成功地用于进行兵棋推演、分析战略和培训决策者，但它们有两个基本的限制。首先，基于启发式的评估在调整和估计系统性能方面的能力有限（例如，可以实施射程、速度和杀伤力的改变来研究效果，但更复杂的系统增强，如数据融合和自主性，不能用启发式数据来评估）。其次，这些多对多的模拟估计了实体或实体组层面的有效性，不能估计像镶嵌式战争[12]和JADC2这样的概念的性能或有效性。相反，我们需要的能力是能够对平台、传感器和效应器进行足够保真的建模，以便在系统层面对性能进行量化评估，根据这些模型模拟处理、共享和行动，并且能够扩展到战役级别的规模。
2.2 架构
JADO框架采用了真正的基于模型的系统工程（MBSE）方法，将基于物理的模拟和标准的SysML建模与一个共同的数据层相结合，以支持数字模型分析。该框架既能实现静态的、可追踪的系统工程，将数据元素（需求和规格）跨数字模型连接起来，也能实现动态的、可执行的系统分析。对于静态评估，在方案开始时使用脚本直接链接数据，因此，架构和要求的变化会驱动对平台/传感器/武器模型的更新，这些模型是由其他组件模拟的。例如，改变SysML中的需求参数（如平台的最大速度或传感器的精度）将导致这些组件中的模型更新，直接影响其模拟性能，以评估该变化对任务有效性的贡献。对于动态评估，测试平台使用谷歌协议缓冲区（protobuf）格式来表示测试平台内部的数据。Protobuf是一种快速和简单的标准格式，允许快速扩展以适应额外的数据字段或消息类型。测试平台利用Apache的ActiveMQ和Kafka作为消息代理，以发布和订阅（pub/sub）的架构在测试平台上移动数据。该架构通过使用API直接从Cameo SysML事件序列块发送和接收消息而被整合到Cameo系统建模器中。这种方法允许代表系统功能的动态可执行架构在实时模拟中发挥直接作用，这些模拟延伸到物理虚拟模拟以及数据层。额外的软件系统、应用程序或模拟器可以通过软件和应用程序的垫片插入架构中。这种数据架构允许在需要时迅速增加额外的模拟器，在可用时整合数字模型，并促进实时数据共享，而不是使用不同组件对复杂的系统进行建模的传统的、离线的串行分析。这种MBSE方法还有一个好处，就是能够在架构内的相关位置（平台或任务系统）应用和交易先进的算法（如数据融合、自动路由AI）操作模拟数据。
2.3 建模和仿真组件
如图4所示，该测试平台有四个主要的组件分组： 1）模拟主干，实时连接各种平台/传感器模拟器，为场景中的平台建模；2）Cameo系统建模器，为系统的静态和动态表示定义SysML表示；3）数据/网络层，允许表示战术数据和模拟通信，以促进实体之间的数据移动；4）算法层，整合和交易实时AI算法（如数据融合、自动传感器任务、自动路由等），优化系统的性能。
仿真骨干网利用IEEE标准的分布式交互仿真（DIS）协议来连接测试平台内的多个实时仿真器。当系统评估需要系统加速时，则采用自定义的比实时更快的（FTRT）协议。仿真管理器用于处理每个仿真器之间的场景和数据同步，以及与系统其他部分的同步。目前，AFRL的AFSIM和Bohemia Interactive Simulations Virtual Battlespace 4 (VBS4)被用来模拟海陆空平台的组合，所有这些平台都能在VBS4的基于游戏的三维渲染引擎中得到可视化。此外，我们对这些模拟器进行了扩展，允许基于物理学的传感器建模（包括雷达、ESM、EO/IR），以实时生成真实的传感器报告，作为场景的蓝色可观察状态（一个部分可观察的游戏问题）。
采用Cameo系统建模器，使用SysML建模语言提供场景内关键部件的系统级表示。使用这种基于模型的系统工程（MBSE）方法，我们实现了两件事。首先，通过可追踪的系统工程，对系统组件属性/要求的更新对仿真空间内的平台/传感器性能有直接影响。例如，调整对平台的要求，使其飞行速度提高2倍，或使传感器看得更远2倍，对仿真空间内的这些能力产生直接影响。
Vignette指标是通过Elastic的堆栈（Elasticsearch、Logstash和Kibana）生成和显示的，它提供了一堆工具和库来存储数据，对其进行搜索，并将其可视化。度量仪表盘可用于实时和取证的目的：运行中的Kibana仪表盘显示随着运行的进展而更新的度量，取证仪表盘用于比较多个运行的性能。
当Vignettes运行时，场景的状态在基于NASA WorldWind的C2显示器中被可视化。该用户界面主要显示 "任务层 "的细节，即实体实际认为他们看到的东西，这取决于正在使用的模型，可能与 "现实 "有出入。这使得人们能够更深入地了解不同实体所看到的东西，并根据他们所掌握的信息来考虑。
第二，复杂、关键的系统可以使用事件序列图进行动态建模，以模拟需要自动或半自动决策的系统内的延迟和不确定性。例如，我们对 "宙斯盾 "武器系统进行建模，以动态地执行接收远程交战跟踪请求的系统行为，通过决定使用可用的、有能力的导弹系统来起诉该目标。
图4. JADO测试平台组件和架构在任务、系统/子系统和算法层面的仿真桥接
对于数据层，我们实现了谷歌Protobuf模式，以表示战术战斗管理指挥和控制（BMC2）信息（例如，轨道更新、任务请求、传感器报告），并通过消息排队服务将该信息路由到订阅各种消息类型的组件。然后，我们整合了NRL的可扩展移动特设网络仿真器（EMANE）框架来模拟场景内各节点之间的网络，使用仿真集成和建模高级框架（AFSIM）和VBS4实时更新来模拟节点位置/移动，同时在EMANE内定义天线性能和网络模型。这种技术使我们能够准确地模拟节点在场景中发送/接收信息的吞吐量和延迟效应（包括干扰考虑）。
在算法层，我们创建了人工智能组件，这些组件可以作为自主处理能力附加在场景内的平台/系统上，利用先进的人工智能技术来交换系统和系统的性能。其中一个组件是之前提到的CONSENSUS能力，我们在不同的节点内实施数据融合工程师，然后采用InfoBroker来优化整个EMANE网络模拟的信息流。
原文
相关内容
微信扫码咨询专知VIP会员