Cognitive Electronic Warfare

An Artificial Intelligence Approach

认知电子战 —— 一种人工智能方法

凯伦·齐塔·海格（Karen Zita Haigh）
朱莉娅·安德鲁先科（Julia Andrusenko）

序言

电子战（Electronic Warfare, EW）领域的进步决定了战争的胜负。这些技术进步的研究、开发与应用，塑造了各级指挥官在战场空间中所采用的战术、作战机动和战略。先进的研发工作对威慑能力具有重大贡献。美国国防部每年在电子战领域投入约70亿美元；我曾在五角大楼领导这些系统的开发与采办工作，如今作为国家安全部门创新体系的首席技术官，继续推动这些系统的发展。

认知电子战（Cognitive EW）是决定未来战斗结果的关键进展之一。一位第二次世界大战时期的电子战研究人员，仍能认出当今许多实际部署的系统。将人工智能（Artificial Intelligence, AI）应用于电子战系统，使其具备认知能力，是一项至关重要的进步，可使我们的系统在任务执行过程中实现自适应与学习。在当今以软件定义能力为主的数字世界中，电子战系统必须能够应对此前未知的信号。在当今高度互联的战场空间——即所谓的“军事物联网”（Internet of Military Things）中，系统可在任务执行期间持续获知或至少估算出反馈信息。通过聚合的传感器数据流与态势理解，电子战系统能够基于这种实时反馈进行自适应调整。在适当的自动化支持下，这种反馈与学习过程可比人类对数据进行推理的速度更快。在单次任务或交战过程中实现此类自适应能力，可帮助我方士兵与飞行员成功完成任务，甚至在某些情况下得以在交战中生存下来。

虽然我们很容易宣称某个电子战系统能够实时从其环境中学习，但若假设任意系统都能有效且稳健地执行其功能，则未免过于理想化。包括军方在内的整个社会，都对人工智能所开启的未来充满期待。要实现这一未来，我们需要凯伦和朱莉娅这样的专家，将理论与实际应用紧密联系起来。尽管展示一个演示样例很容易，但军事系统在其运行中必须具备稳健性，并将接受严格的测试与评估。

人工智能（Artificial Intelligence, AI）在我们生活中的应用将改变我们日常执行各项任务的方式。认知技术在军事领域的应用同样需要安全性，以保护其功能不被破坏。机器学习（Machine Learning）与自适应能力（Adaptivity）正开始为军事领域带来变革。尽管在算法保护、具体实现方式、训练数据以及实时学习等方面存在诸多引人深思的哲学性问题，但该领域的学术基础已相当扎实，能够为从业者提供宝贵的洞见。鉴于人工智能创新与进步的速度日新月异，军事系统必须以“相关速度”（speed of relevance）充分利用这些进展。

凯伦和朱莉娅在本书中出色地构建了一个框架，使开发者能够将这些最新进展融入其能力体系之中。书中首先阐述了对人工智能的核心理解，以此作为基础，继而深入探讨了认知电子战（Cognitive EW）的目标函数（objective functions）。每种电子战功能均具有独特性，书中对其中的细微差别进行了必要深度的描述。每一位采办专业人员都深知，武器系统的维持才是真正产生成本的环节。针对这一点，本书涵盖了数据管理、正确架构的构建以及对这些新型系统的测试等内容。最后，凯伦和朱莉娅为读者打开了通往这些新型系统功能的大门。全书在广度与深度之间取得了良好平衡，确保各方目标一致，助力实现崇高使命——帮助国家有效威慑，并在必要时赢得战争。

威廉·G·康利博士（Dr. William G. Conley）
水星系统公司（Mercury Systems）首席技术官
前美国国防部电子战（EW）办公室主任
2021年7月

自序

我经常听到有人说，认知电子战（Cognitive Electronic Warfare, Cognitive EW）的领域太过广阔，人们不知从何入手。我总是回应道：“人工智能（Artificial Intelligence, AI）就像数学一样：总有一天它会无处不在。”无论角色或年龄如何，每个人都应具备足够的AI知识，以识别AI在日常问题中的适用场景。AI不仅仅是“自动驾驶汽车”或“终结者”；AI还体现在摄像头中的人脸识别、购物时的商品推荐，以及对飓风路径的预测。正如数学和物理学属于电子战（EW）系统一样，AI也理应融入EW系统之中。本书旨在照亮前行的道路，并激发读者运用AI解决那些仅靠传统方法无法攻克的电子战难题的热情。

本书是为射频（Radio Frequency, RF）领域的专业人士——包括电子战、认知无线电（Cognitive Radio）和/或认知雷达（Cognitive Radar）专家——所撰写，旨在帮助他们深入了解AI的应用方式与适用场景。我们的目标是协助电子战系统设计人员对AI与机器学习（Machine Learning, ML）解决方案进行初步筛选与引导。机器学习是其中的关键组成部分，但人工智能远不止于机器学习。

如果你觉得我们在通信与雷达之间，或在电子攻击（Electronic Attack, EA）与电子防护（Electronic Protection, EP）之间来回切换，那确实如此。从AI的角度来看，这些问题本质上是可互换的。我们在上述四个领域中使用相同的AI技术。当然也存在一些重要差异，例如电子战毁伤评估（Battle Damage Assessment, BDA），但AI能够将这些理念整合起来，解决共性问题，并推动系统设计从“共存”迈向“协同设计”（codesign）。

全书贯穿使用一个持续案例：BBN策略优化器（BBN Strategy Optimizer, BBN SO）。这是一个通信电子防护项目，它能够在任务相关的时间尺度上通过任务内学习（in-mission learning）来应对全新环境，随后执行硬实时（hard real-time）优化与决策，以选择最佳的缓解策略。示例7.1介绍了该案例的核心概念，书中许多讨论点也都源自这一工作。

我们要感谢以具体方式直接为本书做出贡献的各位同仁：亚伦·沃克（Aaron Walker）、克里斯·盖布（Chris Geib）、马特·马尔凯尔（Matt Markel）、比尔·康利（Bill Conley）、皮特·里斯（Pete Reese）、欧阳峰（Feng Ouyang）、肖恩·麦奎德（Shaun McQuaid），以及Artech House出版社的一位匿名审稿人。

最早促使我思考“面向射频的AI”（AI-for-RF）问题的两位人士是克里斯·拉明（Chris Ramming）和吉姆·弗里伯赛尔（Jim Freebersyser）：前者提出了最初的问题，后者则从霍尼韦尔公司（Honeywell）内部研究预算中资助了首个相关项目。若非这两位，我绝不会产生足够的兴趣与动力将此事坚持到底。格雷格·特罗克塞尔（Greg Troxel）和约翰·特兰奎利（John Tranquilli）耐心地帮助我这个“奇怪的AI人”学习如何正确拼写“RF”，并理解这一领域中真正具有挑战性的所在。

同时，我也要感谢众多其他同仁，他们帮助我深化思考，并开发出真正在实战环境中有效运行的AI-射频（AI-RF）系统。这些人包括：路易斯·布沙尔（Louis Bouchard）、迈克尔·库克（Michael Cook）、安伯·多兰（Amber Dolan）、黛安·埃格诺（Dianne Egnor）、雷吉娜·海因（Regina Hain）、布莱恩·胡德（Brian Hood）、大卫·兰登（David Landon）、林莉（Li Lin）、斯科特·卢斯（Scott Loos）、艾伦·麦凯（Allan Mackay）、哈拉·穆斯塔法（Hala Mostafa）、安德鲁·尼尔森（Andrew Nelson）、杰森·雷迪（Jason Redi）、维克拉姆·萨尔达纳（Vikram Sardana）、唐俊逸（Choon Yik Tang）、克里斯·范德瓦尔克（Chris Vander Valk）、斯里瓦桑·瓦拉达拉詹（Srivatsan Varadarajan）以及尤素芬·亚曼（Fusun Yaman）。此外，我也要感谢我在DARPA、空军研究实验室（AFRL）、海军研究办公室（ONR）以及各项技术转化合同中的项目主管和合作团队成员。

朱莉娅（Julia）是我在这一工作中极为出色的合作伙伴：她提供了不同的视角，在我需要时与我争论，在我陷入困境时为我加油鼓劲。我要感谢我的博士导师玛努埃拉·维洛索（Manuela Veloso），她教会我坚持自己的想法，即使整个社会尚未准备好接受它。最后，感谢我的家人——他们或许能理解书中大部分名词，却未必明白那些专业表述，但始终给予我坚定的支持。

—凯伦·海格（Karen Haigh）

凯伦和我于2019年11月在弗吉尼亚州诺福克市举行的IEEE军事通信会议（IEEE Military Communications Conference）上首次相识。当时她邀请我协助撰写本书。我记得自己最初的答复是“不”，随后又说“让我考虑一下”。凯伦，感谢你坚持不懈地邀请我加入这场与你同行的非凡旅程。我完全赞同凯伦的观点，向所有帮助我们应对认知电子战（Cognitive EW）这一复杂多维难题的同仁致以由衷的谢意。最后，从我个人角度，我要特别感谢我在约翰斯·霍普金斯大学应用物理实验室（Johns Hopkins University Applied Physics Laboratory）那些才华横溢的同事们，感谢他们始终如一地支持我的各项事业。谢谢大家！

—朱莉娅·安德鲁先科（Julia Andrusenko）

认知电子战定义

认知电子战（Cognitive Electronic Warfare, CogEW）系统与基于人工智能（Artificial-Intelligence, AI）的电子战（EW）系统有什么区别吗？

电子战（Electronic Warfare, EW）是涉及电磁频谱（Electromagnetic Spectrum, EMS）的任何协调行动，包括无线电、雷达、红外、光电（可见光）、紫外、X射线和伽马射线频率。EW系统采取行动，有效利用电磁频谱，以实现保护、利用和管理频谱的目标。现代电子战的挑战已超出了传统方法能够解决的范围。将AI技术融入EW系统，是管理该复杂问题域及其快速时间尺度的唯一途径 。但问题是：一个使用AI内部算法的EW系统，与一个认知电子战系统有什么区别？

让我们从更一般的问题开始：什么是认知系统（Cognitive System）？

认知系统感知其环境并采取行动以实现目标。它能够在更高层次上进行推理和理解，处理符号和概念信息，从而在复杂情境下做出准确决策。认知系统具有情境感知能力，能够处理不确定性，并能自主作出判断。

认知的定义

认知（Cognition）指的是动物获取、处理、存储并利用环境信息的机制。这包括感知、学习、记忆和决策。

来源：Sara Shettleworth, Cognition, Evolution, and Behavior , Oxford University Press, Second edition, Dec 2009. 本书被认为是生命与行为科学领域的奠基性文献。

图1 展示了这种认知循环。一个认知系统具备以下特征：

• 迭代性（Iterative）（长期行为）
• 交互性（Interactive）（改变环境）
• 审慎性（Deliberative）（目标导向）
• 变革性（Transformative）（自学习）

图1：认知系统是迭代的、交互的、审慎的和变革的。

该定义适用于任何领域，无论是生物还是合成的：幼儿、青少年、工程师、乌鸦、大象、章鱼或机器人。不同系统根据所处环境以不同方式展现认知。幼儿表现出巨大的学习能力。青少年正在发展决策能力，但水平不一。我们迟迟承认章鱼的智能，部分原因是我们长期持有人类中心化的决策模式预期。

要构建一个认知电子战系统（Cognitive EW system, CogEW），我们在认知循环中增加关于电磁频谱的知识，如图2所示。该CogEW系统依然保持迭代性、交互性、审慎性和变革性。

图2：认知电子战系统通过引入电磁频谱知识来扩展认知系统。

认知系统与AI增强系统的关键区别在于：认知系统在部署后仍能学习。

• 自适应系统（Adaptive system）：其行为随当前条件变化，即 \(a = ƒ(c)\)，其中 \(a\) 为动作，\(c\) 为条件。
• 认知系统（Cognitive system）：通过与环境交互，改变其决策方式，即能够改变函数 \(ƒ\)。

AI系统可以使用来自AI各子领域的技术，如知识管理、态势评估、决策制定和机器学习，来执行自适应任务。例如，一个基于AI的电子战系统可以学习识别不同调制方式的模型，或生成任务资产部署计划。

但只有当系统能够直接与环境交互并更新其决策过程时，它才成为CogEW系统。所以给出以下认知电子战的定义：

认知电子战定义

认知电子战能够理解和预测电磁频谱环境，做出目标导向的决策以提升电子战系统的性能，并在任务相关的时间尺度上，通过最少的人类监督，从自身行动中学习。

要被视为“认知”，系统必须与环境交互，并利用经验改变决策方式。总结如下：

• 基于AI的EW系统：使用AI技术解决EW问题。
• 认知EW系统：目标导向，并从与环境的交互中学习。

这对电子战意味着什么？CogEW系统可以处理比人类更快的时间线，比人类应对更多的复杂性，并学会如何应对新的电磁频谱条件。AI技术将成为每个EW系统的一部分，在认知环境下记录和分析系统性能，并通过适应和学习来提升经验表现。