人工智能正在改变电子战

大家好，欢迎来到IT知识分享网。

由BAE系统公司开发的MATRIC收发器使用RFSoC技术，可以实现电子战系统在作战及飞行中的重编程。

认知电子战将在依赖于无人作战飞机和可消耗性无人机的未来作战概念中发挥重要作用。

基于DARPA的“自适应雷达对抗”（ARC）项目，雷多斯和L3哈里斯技术公司将人工智能集成到ALQ-214射频对抗系统中，该系统用于美国海军的F/A-18E/F“超级大黄蜂”。

SLQ-32(V)7“水面电子战改进项目”（SEWIP）Block 3系统将利用人工智能技术帮助舰艇对抗反舰巡航导弹。

对于大多数人而言，人工智能是一个较难理解的术语。你越是想理解它，就会有越多的问题，答案也会越复杂。然而，人工智能无处不在，存在于搜索引擎、智能手机以及流媒体推送服务中。在这一趋势下，人工智能技术顺其自然地应用于电子战。电子战具有很多迫切需要使用人工智能技术的理由，并不仅仅是因为对手已经在使用AESA雷达。尽管人工智能技术较晚引入电子战和信号情报领域，但该领域却是人工智能及其子集——机器学习和深度学习算法的完美应用领域。

一般来说，认知系统被设计用来对输入数据进行感知、学习、推理，并根据数据揭示的规律为决策者提供建议。当应用于电子战时，认知系统侧重于对敌方信号进行探测和分类，并使用机器学习算法自动生成策略。人工智能可以快速分析大量数据，识别感兴趣的信号，通过分析开发，快速生成可用的对抗措施。随着认知电子战技术的成熟，它将被嵌入前线打击平台，与电磁战斗管理系统一起更好地感知、识别和传递电磁环境信息，而采用人工智能技术的电磁战斗管理系统则可以为指挥官构建更大的电磁频谱视图。

BAE系统公司FAST研发实验室的产品主管克里斯·拉帕（Chris Rappa）指出：“外部环境中的波形越来越多，电磁频谱越来越拥塞，将信息处理成情报的成本越来越高。因此人工智能和机器学习不仅需要应用在传感器上，还需要应用在传感器资源管理器、控制中心以及后端波形分析处理中。仅在一处应用是远远不够的，将人工智能和机器学习引入处理链的不同阶段才是逆转成本曲线的关键。”

一般说来，最先进的认知系统可以自主做出决策并执行决策，完全消除“人在回路”。然而，在可预见的未来，我们都不会让认知电子战系统自主工作，直到能对其进行完全充分地验证。电子战系统中的人工智能必须取得武器系统操作人员的完全信任，这是因为它将在“终极对决”中做出关乎操作人员生死的决定。就像40~50年前自动化电子战系统取代战斗机后座的电子战军官一样，人工智能也需要一段时间才能获得这种信任。当前的目标远没有那么雄心勃勃。人工智能使能的自卫系统只是人工智能在电子战领域的众多应用之一。电子战领域的其他应用，从威胁分析、部队训练到电磁战斗管理，人工智能也能在其中发挥重大作用。当人工智能应用于上述领域时，其应用方式就不只是像打开和关闭开关一样简单了。事实上，最有效的认知系统是将人工智能强大的计算分析能力与人类独有的洞察力和创造力相结合，结果就是减少了“人在回路之中”，增加了“人在回路之上”。

BAE系统公司FAST研发实验室的首席科学家斯科特·库兹德巴（Scott Kuzdeba）说：“个体或一个群体需要的信息就那么多，但数据是海量的，这就是为什么需要人工智能技术协助生成情报，这样人们只会获得他们所需要的，用于开展行动的相关信息。”

洛克希德·马丁公司海上和空中赛博/电子战主管乔·奥塔维亚诺（Joe Ottaviano）说：“人工智能不是万能药，而是帮助操作人员做出实时决策的支持工具，操作者仍然需要积极地参入其中。”雷神公司电子战系统首席研究员和技术总监卡尔·纳尔德尔（Carl Nardell）对此表示赞同：“电子战操作员不会消失，我们只是给他们提供一个工具，从而实现工作流程的自动化，完成更多数据的处理。”

消除瓶颈

对于武器系统操作人员而言，应对威胁时的响应时间至关重要。传统的电子战系统探测到敌方雷达或无线电信号后，会将其与系统威胁库中的已知信号进行匹配识别。一旦信号被识别，干扰机会立即选择一个预先加载的对抗算法并发射干扰信号，这一经过优化的对抗算法能够对特定的雷达和无线电接收机实现干扰或欺骗。

战争对手正在采用人工智能技术提升雷达、光电/红外传感器和通信系统的认知能力，这给电子战系统带来新的挑战。认知雷达和认知无线电使用不断变化的新波形，这导致了一个问题，即传统电子战系统无法实现干扰算法与难以识别的敌方信号的最优匹配。

对于电子战系统而言，敌方的雷达和无线电信号只是复杂电磁环境的一部分，电磁环境中密集地分布着各种友方及中立方的辐射源，这些辐射源使用不断变化的新信号。这意味着来自敌方雷达或无线电的新信号可能被作为“未知信号”隐藏在数量众多的射频能量之中。

通过综合应用人工智能算法、人工智能计算和分析能力以及深度学习技术，认知电子战技术有助于解决上述问题，这些技术试图基于行为特征实现电磁环境中的威胁系统探测，由位于“回路之上”的武器系统操作员确认是否需要做出最终决策。然而，直到最近，实现这一目标所需的计算能力还局限于大型数据中心数十万台服务器上，这些服务器在数量巨大的高性能处理器的驱动下，可以实现大量信息的快速处理并且做出近实时的决策。但由于这些数据中心距作战平台距离较远，平台的数据需要传输到数据处理中心，处理后再将对抗算法回传给作战平台，即使在理想条件下，这个过程也需要很长时间。

一种解决方案是将电子战数据处理分布在平台和作战中心。这和目前在工业、医疗以及其他领域的应用类似，这些领域采用上述方案的原因和电子战采用这一方案的原因一致，首先是产生数据的传感器平台与云数据中心有较长的往返延迟，其次是巨大的数据传输量使得数据链路过载。

通过合理划分云和网络“边缘”的任务可以解决上述两个问题。将实时应用所需的处理功能部署在平台上，而不是部署在云数据中心，这样就可以消除延迟问题。同时只向分析人员发送有用的数据，将大大减轻已经不堪重负的数据链路和网络的负载。此外，将重要信息保留在平台上，不仅可以对其进行持续更新，而且可以避免信息被拦截或损坏。

实施上述方案具有现实意义。举例来说，虽然舰船及一些车辆都具有人工智能硬件所需的空间和电源供给，但许多机载平台却几乎没有多余的空间和电源供给。为飞机开发的认知电子战系统需要以尽可能小的体积，实现尽可能高的功效。幸运的是，近年来工业界已经在上述领域取得了一些重大的技术进步。

第一个是射频“数字化”，即直接射频采样（射频直采），采用这种方式时，输入的模拟信号的数字化处理应尽可能靠近天线端，且不使用混频器和本振等射频及微波器件，从而避免了这些器件带来的不良影响，并减少了射频功能所占的空间。

数字化后的信号可以在射频片上系统（RFSoC）或通用图形处理单元（GPGPU）上进行处理。Xilinx公司推出的RFSoC产品将模数转换器、FPGA可编程逻辑电路与FPGA芯片封装在一起，同时在重要的I/O端增加了一个ARM处理器。GPGPU将通用中央处理器（CPU）的能力与图形处理器（GPU）的独特功能结合在一起。这两种类型的处理引擎都能用于人工智能，并且能极大地减少信号处理所需的空间及消耗的功率。

另一个例子是应用于电子战和信号情报领域的“刺猬”（Hedgehog）系统，这是BAE系统公司推出的一种可实时重构的软件定义无线电（SDR）系统，其射频前端由“可重构集成电路用微波阵列技术”（MATRIC）收发器组成。MATRIC技术由DARPA资助，芯片尺寸约为硬币大小。“刺猬”系统可以实现直流到40GHz信号的调谐，并能在纳秒时间内完成开关切换。其数字化及处理功能则采用Xilinx公司的RFSoC技术，系统可同时实现16通道，2GHz宽带射频信号的数字化。

BAE系统公司将“刺猬”无线电系统应用于DARPA资助的“机器学习实时自适应可控硬件集成”（CHIMERA）项目中，该项目旨在为机器学习算法开发人员提供一个可重构的硬件平台，以感知拥塞电磁环境中的射频信号。CHIMERA项目与DARPA的“射频机器学习系统”（RFMLS）项目互为补充，RFMLS项目致力于机器学习算法的开发。

BAE系统公司已经演示了“刺猬”在无人机上的应用，测试了其在拥塞和竞争的电磁环境中的信号感知能力。该演示是DARPA“基于网络化系统的分布式射频分析和定位”（DRAGONS）研究计划的一部分，其目标是集成信号识别和定位能力。拉帕指出：“我们的目标是开发大量生产小型化产品的能力，这样就可以在更多的地方部署更多的传感器，具有更多的能力，进而对其进行集成。由于可用处理能力的增加以及先进数据利用技术的发展，我认为实时的数据开发利用能力正在发生巨大改变。”

提高处理效率

传统的对抗措施开发过程耗时过长。一旦信号情报（SIGINT）平台收集到新的威胁信号，会将其发送给数据中心，分析人员会将该数据和从其他信号情报任务中截获的数据放在一起进行分析，在几周或几个月的时间内完成对策制定。然后，威胁数据以及相应的对抗措施就会根据需要发送给作战单元并上传至电子战系统。但是随着敌方综合防空系统越来越多地使用认知雷达以及数据链技术，这种使用了几十年的对抗措施开发过程显然过于缓慢。

雷神公司的纳尔德尔说：“从发现新威胁到对此做出应对的周期不应该以天、周或月来衡量，而应该以秒或分钟来衡量。人工智能和机器学习技术将缩短这一周期。”

电子战系统最基本的功能是在电磁环境中接收、识别感兴趣的信号，并在必要时对其进行干扰。对于传统电子战系统，这一过程依赖于数据收集（例如信号情报），基于收集的数据进行电子战系统编程，实现感兴趣信号的识别。采用人工智能使能的电子战系统，数据收集就有了全新的价值，来自于电磁环境中的大量数据可以用来训练人工智能模型，这些模型可以用于辐射源行为模式识别。

洛马公司的奥塔维亚诺说：“现代雷达有很强的适应性，采用FPGA可以快速改变其行为方式，这使得对抗措施生成的周期过长成为一个现实问题。然而通过人工智能技术处理数据并观察雷达的行为，可以在短时间内生成对抗措施，这对数据处理大有帮助。”

连接更多作战节点

虽然人工智能可以在系统层面为电子战提供巨大的好处，人工智能在其他领域的应用同样会对电子战产生影响。例如，美国国防部启动了“联合全域指挥控制”（JADC2）研究工作，旨在快速收集、分析并与武器运载平台共享分布式传感器信息。美国国防部设想了一个类似云的JADC2环境，使得所有部队能够通过通信网络实现传感器数据的传输和共享，以实现更快的决策。

美国国防部计划从大量传感器收集数据，使用人工智能分析数据、识别目标，并生成最佳的动能或非动能武器攻击建议，从而赋予指挥官更好的决策能力。这一概念将使指挥官获得有用信息，实现快速、连续的跨域能力集成，得以开展跨域并发行动。

人工智能能力并不匮乏

目前并不缺乏将人工智能集成于现有平台和新平台的硬件和软件。纳尔德尔表示：“我们有更多可用的功率，有射频片上系统，同时我们也期待下一代产品能实现能力的进一步扩展。我认为不应该在战术平台上进行机器学习训练，但战术平台仍需要一定程度的人工智能和机器学习以帮助遂行任务。已经在用的一些人工智能系统，从潜艇到机载设备等等，都获益于人工智能和机器学习技术。”

纳尔德尔解释说，“目前的挑战在于将其纳入一个战术系统，需要解决结构、环境适应性和可靠性的问题。某些形式的人工智能已经存在了几十年，我认为大多数时候，当人们想到人工智能时，想到的就是神经网络，但神经网络只是人工智能工具包的一个组成部分。我们有启发搜索方法、人工智能算法和神经网络方法，现在我们开始将它们应用于解决电子战问题。事实上，许多工具并不需要大量的专业知识才能使用。我们已经在使用这些算法，并用于解决所面临的问题。”

纳尔德尔认为机器学习是一个机会，可以从现有传感器和效应器中提取尽可能多的能力。由于目前缺乏将两者结合在一起的算法，导致无法充分利用它们。而人工智能和机器学习提供了这样的机会，可以从现有装备中获取更多价值。

人工智能将应用于新的电子战系统，同时也有必要将其集成到尽可能多的老式电子战系统中，其中一些老式系统已经有几十年的历史，并且采用的是模拟技术体制。将人工智能嵌入数十年前设计的系统中，这并不需要对原有系统进行彻底的变革，因为可以利用标准接口来获取所需的数据，这仅仅取决于系统的开放结构是否设计良好。

纳尔德尔同时表示：“我认为的老式平台不是F-22战斗机，而是F-16或F/A-18。我们已经在研究第六代平台，它们具有人工智能能力。问题是这些平台还需要很长时间才能投入使用，而第四代平台（F-22）仍是主力，以更低的价格、更短的时间在这些平台上嵌入人工智能是一个重大机会。随着行业越来越多地采用开放标准，将FPGA、张量处理器和GPGPU应用于传统平台将变得更加容易。”

认知电子战的未来

十年前，认知电子战更像是一个梦想，但得益于人工智能以及相关软件、硬件技术的巨大发展，这一情况正在发生巨变，认知电子战已经成为现实。

拉帕指出：“电子战领域需要有共识，即当前在系统中实现认知电子战能力是绝对可行的。通过在第四代空中作战平台中嵌入人工智能，这些平台可以产生更大的价值，并且实现门槛也不是很高。”

BAE系统公司的库兹德巴表示，BAE系统公司已经具备对未知威胁做出近乎实时反应的能力。

奥塔维亚诺说：“我们看到越来越多的人工智能和机器学习技术应用于固定翼和旋翼机上，我认为下一步将是减少延迟。我们正在采取措施减少GPGPU类型平台上的处理延迟，而且现在看来进展相当迅速。”

一旦所有这些能力都可交付使用，下一个问题就是系统是否应该自治。库兹德巴指出，“人工智能的使用存在许多的伦理道德方面的问题。当你具备这些能力的时候，新问题就出现了，例如，采用自动系统生成的对抗措施是否能确保飞行员的安全。”

“这最终归结为信任，”库兹德巴解释说，“因为飞行员必须决定他是否会把自己的生命押在自主工作的电子战系统上，同时该系统是否会按照预期的方式运行。必须得到作战应用人员的支持，这样他们才会使用它。如果他们对设备没有信心，他们可能会关掉它。当然，这不是第一次要求作战人员对新技术有信心，隐身技术就是一个很好的例子，最终他们还是做到了。”