导言
2019年10月23日，DARPA的“频谱协同挑战赛”（SC2）决赛在美国洛杉矶举行，参赛团队花了数年时间在一个专门为竞技场建造的射频仿真器DARPA中进行比赛。他们面临的挑战是，看看人工智能管理的无线电系统是否能比静态、预先分配的频段更有效地共享无线频谱。顶级团队证明他们的系统可在比目前LTE标准更低的频谱上传输更多的数据，并且显示了在多个无线电设备上重用频谱的惊人能力。五支队伍的无线电系统传输的数据比现在严格的频谱分配多出200%以上。这向人们展示了人工智能在进行电磁频谱管理以及更广义在网电空间作战中的巨大潜力。
一、DARPA的RFMLS系统
DARPA于2017年8月启动了射频机器学习系统项目（Radio Frequency Machine Learning Systems,RFMLS），探索利用机器学习理解无线电信号。
目前电磁环境中存在的主要风险是态势感知能力不足、威胁无法确定以及通信易受恶意干扰。RFMLS项目是一项基础性工作，目标是建立将机器学习应用于电磁频谱领域的技术基础。
RFMLS项目的最终目的是理解电磁频谱的实际使用状态。例如，掌握占用频谱的信号种类、从背景中提取出重要的信号，并识别那些违反无线电规则的信号，以实现频谱共享。RFMLS通过机器学习从电磁频谱中提取出额外的信号特征，利用频谱大数据识别以前无法监测到的无线电信号，从而更好地理解电磁环境。最终，该系统能够理解无线电环境中正在发生的事情，并具备无线电信号取证能力，以便在复杂的电磁环境中识别感兴趣的信号。在未来，机器学习不仅可以处理采集的频谱数据，而且还可根据目标任务来确定无线电传感器需要采集哪些频谱数据，以及规划数据采集的时间和地点。
Figure 1 RFMLS示意图 资料来源：BAE Syetems
RFMLS项目包括四个技术组成部分：
特征学习：利用射频信号数据集，RFML系统需要学习用于识别和表征各种民用和军用设备信号的特性。
注意力引导：正如人们能快速将注意力集中到特定目标上那样，RFML系统也需要纳入一些算法，将其注意力导向射频频谱中潜在的重要事项。研究人员需要设计一种射频领域的“显著性检测”，实现一种对重要视觉和听觉刺激进行识别的能力。
自主射频传感器配置：人类的眼睛会针对亮度变化自动调节，并会不断移动和聚焦，使某个动态视觉场景中最重要的部分保持在视网膜上最敏感的部位。DARPA希望RFML系统具有相同的能力，对于那些系统认为对完成任务最为有效的信号和信号特征，系统应当能够自动调节对其感受能力。
波形合成：一个完整的RFML系统应当能够对所有可能波形进行数字合成。DARPA认为，该项目将使射频系统能够对空前拥挤的频谱中的信号进行区分和表征，并为新兴的自动化系统及依赖这些系统的指挥官们提供更多了解无线领域所需的信息。
在RFMLS的四个组成部分中，特征学习和波束合成属于射频前端，注意力引导和自主射频传感器配置属于频谱感知。
二、美国海军为EA-18G开发机器学习算法
美国海军希望通过“电磁机动战”（EMW）获得在电磁频谱中的决定性军事优势，使海军能在所有任务领域内自由行动。实施电磁机动战的先决条件是要能够感知电磁空间的态势，要达成这一目标，需要运用先进的数据处理手段来解析大量的非结构化数据，运用认知电子战方法以及先进的自动化技术提高在战术环境中主动控制频谱的能力。目前最重要的进展是在认知电子战（Cognitive EW，认知电子战可以描述为一个智能的电子战系统，它能够自主感知电磁环境，通过学习和推理，实时改变干扰策略，并评估干扰效果，以达到对威胁目标的自适应对抗。）
DARPA于2010年、2012年先后启动“行为学习自适应电子战”（BLADE）、“自适应雷达对抗”（ARC）两个认知电子战项目，前者已进行了样机演示，后者进展顺利。海军在看到这些战项目的成果后，于2016财年在未来海军能力项目下安排了“反应式电子攻击措施”（REAM）项目，开发信号探测和分类技术，用于识别敏捷雷达威胁，并改造DARPA的“自适应雷达对抗”项目的机器学习算法，支持电子战支援、电子攻击能力。
2018年5月，美海军授予诺格公司一份7300万美元的合同，为EA-18G“咆哮者”电子战飞机开发机器学习算法以快速识别并干扰敌方的雷达信号。这将为EA-18G增加人工智能能力，极大提升其电子战作战能力。经过认知电子战能力改进后，EA-18G将能够对抗捷变、自适应和未知的敌方雷达。
除了REAM项目外，美海军授予Leidos公司开发“自适应雷达对抗”项目的软件套件的合同，以便在海军F/A-18飞机上使用。这些活动表明海军的认知电子战技术已开始转入工程应用的研制阶段。
Figure 2 EA-18G“咆哮者”电子战飞机
三、美国陆军采用人工智能算法的电子战系统
2018年，美陆军组织了“盲信号分类挑战赛”，测试愈加拥挤的频谱环境中的信号并对其更好地分类。期间，美军方提供了大量的各种无线电信号作为训练数据，以便参赛者能够开发自己的算法。这项挑战赛旨在通过识别电磁频谱中的友好和敌对信号，减轻电子战中士兵的认知负担，确定那些能够提升电子战作战速度和精度的人工智能和机器学习工具。
美国陆军在电磁战领域的近期目标是在2023年前完成基本作战单位（即旅战斗队）的远程电子干扰能力建设，最终使电磁战和赛博战力量成为从排级到军级指挥官可即时召唤的“隐形炮兵”。在不断完善陆军综合电子战系统（IEWS）的过程中，美军开发了基于网络的EWPMT（Electronic Warfare Planning and Management Tool）软件。
EWPMT由雷神公司研发，目前已交付EWPMT能力投放1和能力投放2，正在进行能力投放3的研发。雷神公司将在接下来的24个月内进行能力投放4的研发，该阶段将进一步开发软件和用户界面，以实现更紧密连接的移动系统。
EWPMT旨在解决并提高陆军对AI驱动电子战和频谱管理的能力。为了与美国陆军在网络和电子战领域之间的快速整合保持一致，雷神公司将更多的AI网络整合到电子战管理中。因为传感器、瞄准技术、导航系统和无线电不仅都依赖于电磁频谱，而且最终还会产生数据。通过扩展，数据和AI算法可以用于优化电子战行动，更进一步，软件可编程无线电的存在进一步增强了这种网络与电子战的协同作用。
目前由AI引导的电子战软件升级（例如，陆军和雷声公司所追求的升级）极大地缩短了电子战传感器到射手的时间，并组织了另外的数据池，这决定了战争的胜负。
四、通用公司SignalEye电子战软件
通用动力公司的SignalEye（信号之眼）解决方案通过使用机器学习自动对信号进行分类，从而提供频谱状况感知。该电子战软件在战术上为操作人员提供及时、准确的RF电磁频谱威胁展示界面，并能够检测对手的行动趋势。
SignalEye是仅软件层面解决方案，不需要专门的硬件加速，它可以部署在商用笔记本电脑上，作为前端解决方案的附件，例如iRF的SMR-7522 LiteRail，这是一款微型便携式宽带微波接收器，专为在动态RF环境中接收和数字化先进的窄带和宽带信号目标而设计，LiteRail安装在坚固的机架中，可用于远程操作以及低尺寸，重量和功率（SWaP）平台或手提包应用。
Figure 3 Automated Spectrum Situational Awareness through Machine Learning 资料来源：通用动力公司
2019年4月，通用动力公司与寇蒂斯-莱特公司合作，将其SignalEye机器学习软件与后者的CHAMP-XD1处理机模块（基于美国英特尔公司的“至强”D处理器）组合，研制出新的视频威胁探测系统，为信号情报（SIGINT）和电子战态势感知提供采用开放式架构和人工智能的商用现货解决方案。这种解决方案可利用机器学习自动地对信号进行分类，提供及时、准确的射频频谱威胁视图。该解决方案中，“信号之眼”软件可始终处于学习状态，一旦发现威胁到平台和任务的信号就即刻发出警报；CHAMP-XD1是一种加固的数字信号处理器(DSP)引擎模块，专门针对计算密集型的工业、航空航天和国防领域的应用需求设计，既有风冷型，也有传导冷却型。
五、人工智能用于网络攻防
1、美国防信息系统局引入AI驱动的网络防御设备
美国国防信息系统局开始寻找一些商业网络安全工具，这些设备可采用自动化与机器学习来抵御常规攻击，让美国国防部的网络人员能够专注于处理那些更加迫在眉睫的威胁。美国国防信息系统局希望这些工具能够应对MITRE ATT&CK框架中近300种对抗策略与技术，该局还希望这些工具每天可以筛选1500多个组织的人工智能系统所传输的海量数据。
美国国防部联合人工智能中心目前正与美国国家安全局、美国网络司令部以及数十家网络安全供应商进行合作，在美国国防部杂乱无序的人工智能生态系统中实现数据收集标准化，此举有利于美国国防部推出更多的人工智能驱动型网络防御设备。
同时，美国陆军也在利用人工智能开发战术网络防御技术，确保网络决策安全性的同时，以机器速度自适应自主防御网络攻击。
2、DARPA的GARD项目
机器学习攻击能力的加速发展推动了一场军备竞赛：在开发新防御技术应对新攻击策略和漏洞的同时，创造了能绕过防御算法的改进型攻击方法。为了应对这一挑战，DARPA创建了确保人工智能抵御欺骗的稳健性（GARD）项目，旨在开发新一代对机器学习（ML）模型对抗性欺骗攻击的防御。
GARD项目将寻求开创性研究理念，以开发理论、防御技术和试验床，获得可靠的抗欺骗机器学习模型和算法。GARD项目寻求以检测、定位和预测进行防御，推动先进机器学习防御技术；并寻求通过开发抵抗不同模式物理攻击（视频和音频）的防御技术，推动先进机器学习防御技术超越标准的数字图像模式。
GARD项目的三个具体目标是：
开发防御性机器学习的理论基础。这些基础包括用于衡量机器学习弱点的标准，以及用于确定增强系统可靠性的机器学习性能标准；
在各种环境下创建和测试具备防御能力的（机器学习）系统；
构建一个新的测试平台，以表征机器学习的防御能力。
Figure 4 GARD Program Timeline
同时，美国核安全局研究和开发实验室桑迪亚国家实验室正在与Splunk的企业系统合作开发“高保真自适应欺骗和仿真系统（HADES）”，旨在提供欺骗环境并推进欺骗活动以梳理正在进行的攻击的相关情报和特征码。
六、人工智能用于网络舆情领域
1、美国海军发展AVAA技术
2019年11月，美国海军信息战中心授予帕森斯公司一项合同，用于提供先进视频活动分析技术（AVAA）。该合同为期三年，交易金额2.938亿美元。根据合同，该公司将提供技术、专业人员以及管理支持服务，以帮助海军建立和维持网络空间作战能力，并支持战术和战略层面的系统、服务和能力的互操作。
该公司的AVAA技术是一种自动化分析解决方案，应用了最新的人工智能/机器学习技术，可将不同来源的计算机视觉分析技术集成到单个处理通道中，还可自动收集数据并自动检测情报。
2、DARPA的KAIROS计划
2019年1月，DARPA启动了以知识为导向的人工智能推理模式（Knowledge-directed Artificial IntelligenceReasoning Over Schemas，KAIROS）计划，该计划旨在开发一个半自动化系统，能够识别和绘制看似无关的事件或数据之间的相关性，有助于为我们周围的世界提供信息或创建广泛叙述。
KAIROS项目将使用一种“基于模式的人工智能”技术感知世界各地的事件，尤其可用于发掘多媒体信息中的复杂事件，并对其进行上下文理解和时间推理，预测其如何发展。该项目将分为四个技术领域展开。
KAIROS的研究目标分为两部分。首先系统利用大数据来学习创建一系列模式，目的在于帮助系统生成一种可以同时描述简单和复杂事件的机制，将这些机制按照一定的序列组合就能够发掘出像时间线和关键角色一类重要的上下文信息。接下来系统将被用于分析复杂的现实世界数据，并尝试根据创建的模式提取事件和叙述。如果能够这样的系统在背后分析社会的运作和舆论的趋势，能够提前预知诸多风险，使得管理部门和政府可以及时防患于未然。
资料来源：DARPA
3、DARPA的SEMAFOR项目
深度造假是人工智能生成的图画、音频和视频，其逼真程度令人震惊。DARPA信息创新办公室的项目经理马特·图雷克（Matt Turek）博士表示，“在媒体操纵和社交媒体的交叉点上，存在虚假信息的威胁，意图对受众产生负面影响并引发骚乱。”
2019年8月，DARPA发起了语义取证（Semantic Forensics，SemaFor，SEMAFOR）项目，该项目致力于开发可分析多模式媒体信息（文本、音频、图像和视频）的语义技术，用于识别、阻止、了解并防御敌方的假情报活动攻击。
为了开发跨媒体模式和大规模使用的分析算法，SemaFor项目将创建工具，当结合使用时，可以帮助识别、阻止和理解伪造的多模态媒体。SemaFor项目将专注于三种特定类型的算法：语义检测、归因和表征。
Figure 5 SemaFor项目技术领域 资料来源：DARPA
小结
人工智能技术紧密契合网电空间海量数据特性，正极大影响和改变着人们对网电空间的认知模式。人工智能在网电空间的应用，正深刻改变军事对抗的样式，赋能军事力量运用，不断丰富网电空间作战行动。