美軍認知電子戰關鍵技術發展方向分析

圖 1 美軍認知電子戰關鍵技術方向

1

高 校

1.1 維珍尼亞理工大學

維珍尼亞理工大學 Timochy O’Shea 團隊在早期認知無線電網絡機器學習的基礎上，於 2016 年開展了基於摺積神經網絡的無線訊號調制辨識研究，在美海軍研究實驗室、美國國防部高級研究計劃 局（Defense Advanced Research Projects Agency，DARPA）、美國航空航天局（National Aeronautics and Space Administration，NASA）等機構支持下研究了調制辨識的深度架構、無線通道狀態資訊神經估計與基於生成式對抗網絡（Generative Adversarial Network，GAN）的通道生成分析評估結構化無線通訊訊號無監督表征等技術；同時，該團隊對學術界的另一個貢獻是陸續建立了 RadioML 系列的調制方式辨識開源數據集，以及寬頻訊號辨識數據集 。值得一提的是，該團隊還建立了 DeepSig 公司，開發了智能訊號檢測辨識軟件工具 OmniSIG，並推出與軟件無線電平台、智能計算平台結合的訊號分析AI 產品。基於 OmniSIG 並利用具有豐富類別的真實訊號基線數據集和 GPU 算力，可以快速辨識異常訊號，並支持訊號數據的使用者自訂和深度學習模型的使用者客製，支持標記、訓練和辨識基線數據庫未包含的未知訊號。

此外，該校還開展了訊號類別開集辨識方法研究， 並 對 4G、5G 上 下 行 信 號、Wi-Fi 6、 藍 牙、NB-IoT 及多種調制方式的訊號制式進行了訓練與開集驗證 ，利用極化資訊與陣列天線進行多目標定位與聚類，以及基於通用學習（Universal Learning）的雷達跟蹤波形選擇 。

1.2 約翰霍普金斯大學

約翰霍普金斯大學套用物理實驗室（Applied Physics Laboratory，APL）是美軍網絡安全、認知電子戰等研究領域的總體單位。2020—2021 年，前美國海軍情報官員、APL 實驗室研究人員 J. Micheal Dahm 結合各類影像情報進行分析後，釋出了涉及短波通訊、島間通訊、水下光纜、衛星通訊、雷達、電子戰與情報等方面的南海軍事能力系列分析報告。

2017 年，DARPA 頻 譜 協 作 挑 戰（Spectrum Collaboration Challenge，SC2）專案「鬥獸場」在該實驗室建立並啟用了世界最大的射頻模擬實驗平台，可模擬數百台無線通訊器材的即時互動，包括手機、軍用電台、物聯網器材等 ，支撐了頻譜智能感知和決策工具的開發。

該實驗室的 Kyle A. Casterline 等研究人員還對標自適應電子戰行為學習（Behavioral Learning for Adaptive Electronic Warfare，BLADE）和自適應雷達對抗（Adaptive Radar Countermeasures，ARC）等專案，認為美軍對雷達與通訊系統的捷變分析挑戰已有大量研究基礎，側重研究了輻射源辨識與電子戰資源分配相關的機器學習技術，並提出幾個新的突破方向：一是除自動調制辨識外，結合頻寬、中心頻率、脈沖重復間隔、到達角等更多參數進行分析；二是對新觀察到的調制類別或輻射源模式進行辨識和解釋，面向這些被稱為「軟件定義的威脅」目標，實作機器速度下的快速辨識與表征，結合特征學習、無監督學習等解決模型泛化、開集辨識問題；三是提升電子戰的自主作戰能力，透過智能體並根據對手波形的貝葉斯假設采取幹擾動作，並擴充套件到由協同電子戰平台組成的多智能體環境 。

1.3 東北大學

在 DARPA 支持下，美國東北大學無線物聯網研究所較早就參與了射頻機器學習系統（Radio Frequency Machine Learning Systems，RFMLS）等專案，主要開展基於深度學習的輻射源個體辨識研究，並幫助 DARPA 建立了專用數據集，以及 IEEE 802.11 a/g（Wi-Fi）開源數據集 。其關鍵技術突破方向主要包括輻射源指紋機理分析、個體辨識深度學習演算法最佳化、無線通道對射頻指紋的影響分析等。該實驗室在全波暗室、真實環境及線纜直連等環境下進行了多種測試，收集了 20 個具有相同射頻電路的無線器材並構建了 7 TB 的實驗數據集。同時，對 DARPA 提供的 400 GB 的數據集（上萬台 Wi-Fi 和 ADS-B 的訊號）進行了分析。此外，東北大學還開展了無線通道對基於摺積神經網絡（Convolutional Neural Network，CNN）的射頻指紋辨識演算法的影響的首次評估。實驗結果表明，無線通道會顯著影響分類精度，當器材數量增加時精度會隨之降低，而對 I/Q 數據進行均衡可以提高精度。

1.4 其他高校

從 MILCOM 近年在認知電子戰領域的論文來看，除訊號智能辨識外，智能演算法對抗也成為研究的熱點。例如，亞利桑那大學提出了面向基於深度神經網絡的智能幹擾，並針對 5 GHz UNII 共享頻段的多類訊號進行了測試驗證。雖然 4 種深度學習模型在「良性」雜訊下具有較高分類準確率，但在攻擊者知曉防禦者的模型網絡參數、訓練集的「白盒」攻擊下，即使接收訊噪比高，也能透過快速梯度符號攻擊（Fast Gradient Sign Method，FGSM）來產生對抗擾動，以顯著降低其辨識準確率。在更接近真實的場景下，即攻擊者對防禦者的分類器只有有限知識，在加性高斯白雜訊（Additive White Gaussian Noise，AWGN）通道和相同訊噪比（Signal to Noise Ratio，SNR）條件下，對抗擾動攻擊也能夠大大降低分類準確率。聖地牙哥州立大學則采用強化學習提出了抵抗衛星通訊智能幹擾的防禦策略，在攻擊者策略和攻擊模型等資訊不完備的條件下，Q 學習也能達到較好的效能。

伊利諾大學和喬治梅森大學聯合分析了基於GPU 和摺積神經網絡進行智能辨識時，處理時延與模型參數配置的關系，並構建了混合的時延模型來評估和解釋摺積神經網絡，最後使用 ResNet50 V2和 Inception V3 和多種 GPU 進行了驗證。采用這種方法可以更準確地預計不同參數配置時的智能辨識處理時延，從而能更全面地開發已有的系統資源。

喬 治 梅 森 大 學 還 率 先 開 展 了 60 GHz 毫 米 波IEEE 802.11ad 器材辨識，結合被測器材 SNR 時空軌跡（隱含了輻射源位置和指紋資訊），使用機器學習進行身份仿冒等欺騙攻擊檢測，並使用 GAN 來生成並補充訓練用正樣本和負樣本，提升分類能力 。

德薩斯大學基於射頻通道使用狀態來推斷網絡拓撲，提出了在具有足夠資訊的條件下能夠得到網絡拓撲唯一解的模型，即在具備資訊解析能力的情況下的網絡拓撲唯一解的尋找方法，並分析了網絡復原演算法所需的用於收集所需通道數據的觀測時間 。

2

智 庫

2.1 蘭德公司

蘭德公司（Rand Corporation）是美國以軍事為主的綜合性戰略研究機構，在電磁頻譜作戰、馬賽克戰、無人作戰、AI 作戰等方面有多項深度分析報告。該公司 Padmaja Vedula 等研究人員透過對美空軍電子戰部隊軍官與作戰人員的大量訪談，整理發表了【在電磁頻譜中智勝敏捷對手】報告，重點梳理了美國空軍在電子戰綜合重編程（Electronic Warfare Integrated Reprogramming，EWIR）中面臨的困境和解決路徑 。電子戰重編程的目的，是提供軟件、固件和任務數據可快速重編程，以應對不斷演變的威脅。考慮到傳統的電子戰載荷模式是固定的，而使用通用架構的智能檢測辨識模型，一方面可以根據需要來很方便地載入與切換，另一方面可以根據目標威脅的情況快速地學習與生成，這樣就能透過重編程的自身變化來應對目標環境的變化。該報告認為，在電磁頻譜中進行快速重編程，包括評估作戰環境、檢測對手動向並做出適當反應，這必須在幾秒到幾分鐘之內完成；因此，需要制訂敏捷軟件和硬件更新升級方案，加強數據工程建設並強化各系統之間的互操作性。

此外，【在電磁頻譜中智勝敏捷對手】報告還認為，美空軍應在近期采取幾個步驟，逐步改進結構性問題，以維持其優勢地位，包括：根據現有的EWIR 流程，力求進一步實作自動化；重新設計軟件和硬件的開發流程，加快使 EWIR 能力趨於實戰化，發展和維護未來的自主學習能力；實作配套的電子戰能力建設，不斷探索認知電子戰能力。

2.2 戰略與預算評估中心

美戰略與預算評估中心（Center for Strategic and Budgetary Assessments，CSBA）在【贏得不可見戰爭：如何保持美國在電磁頻譜上的優勢】報告中提出了關於電磁頻譜機動作戰的發展建議 ，包括：更多地采用被動感知與多站感知；把電磁頻譜也視作與海陸空天網同等的一個作戰域，把資訊視作在電磁頻譜或網絡域上移動的內容；在防止被敵方定位、辨識與瞄準的同時，增強幹擾機、誘餌等的破壞能力和引導物理攻擊的能力；更多地采用網絡化的電子戰、電磁頻譜作戰系統及電磁頻譜管理能力，提升協調能力並減少自身電磁頻譜沖突；提升電磁支援能力，實作低截獲、低檢測特性，提升電子戰效率，減少協調所需的通訊量；提升認知電磁頻譜能力，在規劃建設的電子戰系統中更多地采用自適應與認知演算法，對敵方行為進行自適應響應，加快認知電子戰相關專案研發，建立測試流程和數據管理流程；解決標準與安全中的互操作性挑戰。此外，該報告建議結合真實事件的虛擬化來建設訓練靶場和進行電子戰訓練，增強作戰理念開發、戰術創新與精通式訓練。

該機構還在【馬賽克戰：采用人工智能與自主系統來實作決策中心戰】報告中指出，為避免敵方針對己方開展指控與感知能力的飽和式、集中式攻擊，需要采用軍力可靈活組合的馬賽克作戰方式來提升網絡適應力和彈性，以應對敵方攻擊的復雜性和不確定性 。在軍力分散但又要提升有效決策的條件下，需要更多地采用自主系統來支持分布式任務指控，並使用人工智能來輔助決策。

2.3 國會研究服務部

美國國會研究服務部（Congressional Research Service，CRS）是為美國會提供軍事預算等政策咨詢的智庫。其在【美國防部電磁頻譜使用概述】報告中指出，基於人工智能的使用主要包括兩個方面：一是基於人工智能的認知電子戰系統，二是人工智能使能的動態頻譜共享 [33]。前者主要用於辨識新的電磁輻射，判斷輻射源是否來自敵方，以及開發對應的有效的幹擾訊號，因此美軍認為電子戰平台需要具備對未來戰場的未知訊號的即時判決能力，以及需要利用算力優勢來提升電子欺騙能力，采用數碼射頻儲存（Digital Radio Frequency Memory）等欺騙訊號來復混成敵方瞄準等。例如，DARPA 發起的頻譜合作挑戰賽，目標是確保指數化增長的無線器材能具有完全接入到擁擠的電磁頻譜的機會，因此使用 AI 和機器學習演算法來開發動態頻譜共享選項，實作自主協調頻譜使用。

該機構在【2022 財年電子戰撥款趨勢】報告中指出，未來作戰更多使用的是基於電磁頻譜的網絡化通訊系統而不是單獨的武器系統，因此電子戰成為美國國會預算的重要議題 。2019—2022 年美國該方向專案的年預算穩定保持在 90 億 ~100 億美元，預算發放機構按金額大小依次是海軍、空軍、陸軍，以及 DARPA、國防資訊系統局、聯合參謀部、國防部辦公室、作戰測評機構、特種作戰司令部等防禦部門。

3

美軍研究機構

3.1 聯合參謀部

美聯合參謀部推出了一系列條令性指導檔，被稱為聯合出版物（Joint Publication，JP）。其中2020 年 5 月釋出的 JP 3-85【聯合電磁頻譜作戰】中明確了電磁頻譜作戰的組織架構、人員職責、作戰規劃與實施等內容，並把電磁頻譜管理與電子戰、電磁戰融合到一個體系中 [35]。該條令明確了：電磁攻擊系統可以產生的攻擊效應包括破壞（Destroy）、降級（Degrade）、中斷（Disrupt）、欺騙（Deceive）；電磁支援的效應包括檢測（Detect），即發現並辨識電磁輻射源；利用（Exploit），指充分利用出於戰術、戰役或戰略目的而獲得的任何資訊，如充分利用輻射的電磁能來收集、表征、定位和跟蹤電磁輻射源。該條令還推薦了典型工具，如美陸軍用於控制與管理電磁頻譜的雷神公司電子戰規劃和管理工 具（Electronic Warfare Planning and Management Tool，EWPMT），這是一種綜合性的工具，既具備對電子戰資產進行遠端控制和管理能力，也能執行進攻性和防禦性的目標瞄準，還能透過同步電子戰和電磁頻譜管理實作機動性。

3.2 陸 軍

美國陸軍在 AFC 71-20-8【陸軍未來指揮理念：網絡空間與電磁作戰 2028】圍繞網絡與電磁攻防指出了美陸軍需要重點發展的基礎研究、先進技術和創新突破 。其中，基礎研究體現在大數據分析、人工智能與機器學習、綜合電磁戰（Integrated EW）、網絡空間態勢理解、軟硬件融合、自主主動網絡空間防禦、電磁防禦與電磁偽裝；先進技術體現在自主認知射頻、量子數據處理、極端射頻條件下的通訊；創新突破方面則提出了 34 項具體技術需求，重點強調了網絡化電磁戰的融合思路，如結合分布式感知、高安全通訊、情景感知、可重構、組網計算、行為預測、人與 AI 融合決策、視覺化技術等。

美國陸軍研究實驗室和伊利諾大學共同研究了基於半監督調制辨識的自對比學習，透過使用自監督的對比學習預訓練來有效利用無標簽數據，因此只需要少量標簽就能夠實作更高效能，大大減少了深度學習所需的標註工作量 。

美國陸軍研究實驗室還提出了結合摺積神經網絡和自編碼器進行電磁射線跟蹤的方法，以支撐實作快速的訊號傳播建模仿真，有利於軍事任務規劃、通訊及電子戰資產部署，特別是在城市這種反射較多的復雜場景，能夠預測較為復雜的空間互動 。

3.3 空 軍

美空軍技術學院系統性提出了基於摺積神經網絡的射頻指紋魯棒學習方法，考慮到無線器材具有在多個頻點工作的跨通道特性，研究了頻率通道對指紋辨識結果的影響及各類深度學習方法的遷移能力，分析了不同頻率通道組合的融合學習對提升射頻指紋辨識魯棒性的效能。此外，對於合作式的無線器材，提出了透過解調解碼後再重新進行編碼調制的復原，構建有指紋和無指紋訊號，並透過摺積神經網絡來對比分析射頻指紋。

美空軍研究實驗室資助的某個專案考慮到基於訊號特征難以辨識針對無線通訊的新的網絡攻擊，基於 IQ 數據和譯碼後的網絡流量數據進行多模態融合分析，從而檢測異常無線網絡傳輸 [40]。該專案針對 Zigbee 進行了 5 種有監督機器學習演算法的驗證，可以提取持續時間、接收包數、包大小等網絡流特征，並可以透過重放攻擊和發射機偽裝欺騙來構建異常樣本。

空軍研究實驗室還提出了利用可解釋性好的資訊量（informativeness）參數特征來衡量多維度數據，以評估經過短時傅立葉變換後的時頻訊號數據集樣本的同質性，還可以基於樣本間的相關性來評估同一傳感器采集的數據樣本質素和復雜度，以及不同傳感器的一致性。

3.4 海 軍

美海軍研究生院針對脈沖通訊等非傳統通訊方式，使用連續小波變換後的脈沖訊號小波尺度圖進行摺積神經網絡深度學習，在有雜訊的軍事通訊通道環境下進行脈沖訊號檢測和 0-1 位元辨識，可以快速並有效地辨識出訊號的微小變化，提升對脈沖訊號的檢測能力 。

美海軍研究生院還針對雷達探測系統在相同尺寸飛行目標時的區分問題，如小型無人機與鳥類等的區分，基於安杜瑞爾（Anduril）工業公司提供的不同環境下的鳥類和無人機雷達軌跡數據，探索時空軌跡數據中的隱藏結構，開發無監督和監督學習模型，提高模型在動態變化環境條件下的魯棒性。此外，針對在新環境下對原模型的系統校準難題，該機構提出了模型穩健性叠代的修改方法，取得了邊際改善，並同時指出：需要更多地收集雷達軌跡數據特征以捕捉類別差異，並評估標註數據集在有監督、半監督時所需的樣本數量；需要更多地考慮雷達數據與光學、RF 傳感器數據的融合，並評估環境對飛行行為樣式等的影響；需要提升不同類別無人機或鳥類的細分類方法等。

美國海軍學院基於在 9 個城鎮采集的 368 000條電磁傳播測量數據，透過機器學習對傳播距離路徑、接收端地形等工程化特征進行提取，從而最佳化傳播模型並提高預測能力。透過把運動中的接收端采集到的實際訊號測量結果與 ITM、eHata 及自由空間傳播模型計算結果進行比對，發現了不同地區的不同關鍵特征，並可用於提升模型效能。

3.5 測評機構

美國國防部作戰試驗鑒定年度報告（DOT&E）2020 年報指出，隨著越來越多的人工智能與機器學習技術被使用，需要提供完整的新的評估工具和方法，而其旗下的測試資源管理中心（Test Resources Management Center，TRMC）雖然提出了 1 000 萬美元的測試工具預算，計劃用於對基於 AI 的數據融合演算法進行測試，但因為市場缺少有效的工具選項，該資金被用於其他專案。

DOT&E 2021 年報則指出，需要加強對自主和AI 系統的測試，建立路線圖，分析這類測試所需的戰略、實踐、方法、基礎設施、數據工具、人力等，評估 AI 與自主武器系統可能引入的風險，如在大型作戰空間及未測試環境場景下的行為表現的可信性、戰鬥決策的合法性、面向對抗攻擊的可存活性等，這些均面臨著挑戰並需要進一步研究 。

4

廠 商

4.1 BAE 公司

BAE 系統公司牽頭了 DARPA 的射頻機器學習系統（RFMLS）專案，主要研究射頻取證、頻譜感知、射頻系統整合與演示 3 方面內容。該專案的第一階段目標是利用認知方法建立機器學習演算法，使用特征學習技術來區分訊號，並透過建立深度學習演算法，在即時場景中學習和區分重要訊號和非重要訊號 。

BAE 系統公司還承擔了 F-35 的電子戰系統研制，其對認知電子戰有較為深刻的認識，正在將認知電子戰整合到多個平台上，還提出了一個可延伸的框架，支持整合第三方演算法。BAE 認為，當前認知電子戰主要面臨的難題是在發現無法辨識的威脅訊號時如何智能應對，並根據需求場景、處理時延，提出了 4 個級別的智能套用：第 1 級是最快的響應環路，在傳感器級做出微秒級響應；第 2 級是秒級時延內解釋訊號或是處理來自同一平台上其他器材的資訊，以不斷更新決策；第 3 級是電磁作戰管理，處理任務內多個平台的共享數據，並分發結果；第4 級是耗時最長的離線處理，即把在任務中遇到的訊號進行儲存，並將數據帶回基地進行深度機器學習與研判，當發現新的訊號時，提出智能辨識演算法和電子戰對策，以便在未來的任務中進行套用並消除對應威脅 。

4.2 其 他

雷神公司針對數據采集受限於作戰人員，數據融合、推理、分析受限於指揮人員，以及分析人員面對大數據量時的認知限制，提出了把相應任務負擔轉移給機器的 TAK-ML 架構，以實作機器速度的采集、融合與學習。

柯林斯公司在傳統跳頻、波束化等低檢測、低截獲安全手段的基礎上，提出了基於隨機化 RF 訊號墨點的方式，不用修改空口，只基於軟件實作對天線單元的功率譜分配，以防止敵方定位戰術 5G發射節點。此外驗證了基於輻射源多輸入多輸出（Multiple-Input Multi-Output，MIMO）天線的新方法對發射節點位置評估的不確定性的增強，從而能減少敵方定向幹擾的效能 。

Peraton Labs 公 司 基 於 深 延 遲 回 路 儲 存 計 算（Deepdelay Loop Reservoir Computing，DLR） 構 建了時序訊號樣本的低功耗、高準確率分類器，實作了基於現場可編程邏輯陣列（Field ProgrammableGate Array，FPGA）片上系統的演示平台，且具備現場訓練能力。該公司在 DARPA 專案的資助下構建了基於分布式 DLR（D-DLR）的射頻指紋訓練與辨識平台，支持多個輻射源數據集中物件無重疊與有重疊兩種情況。此外，該公司對 20 個 Wi-Fi 器材進行了分布式個體辨識測試驗證，結果表明，相比本地運算，分布式方法只需要增加少量的計算與通訊開銷，且能夠保持較高的辨識準確率。

L3 Harris 公司針對基於電台接收機端訊號的訊噪比進行預測和基於提取的短波信令內容進行預測這兩種短波通道預測方法，基於機器學習進行 模 型 訓 練， 並 針 對 自 動 建 鏈（Automatic Link Establishment，ALE）波形，驗證了其提出的用於通道預測的混合訓練模型和混合推理模型 。

DeepWave 公 司 開 發 了 人 工 智 能 無 線 電 收 發信 機（Artificial Intelligence Radio Transceiver，AIR-T）一體化平台，其中，FPGA 用於嚴格的即時處理，CPU 用於控制、介面及套用軟件，GPU 用於高並列處理與機器學習，兼具小型化、低時延、高算力優勢。

5

發展啟示

從上文對美軍認知電子戰關鍵技術研究情況的分析可以看出，美軍認知電子戰領域主要的技術方向和應對思路如表 1 所示。

表 1 認知電子戰技術方向與應對思路