Elektronik Harp RF Spektrum Bilişinde Makine Öğreniminin Uygulanması
Yazılım tanımlı radyoların özünde bulunan dijital, programlanabilir radyo frekansı (RF) ekipmanı eğilimi, radarın dalga biçimlerini hızla değiştirebileceği ve uçuş sırasında benzersiz sinyaller oluşturabileceği anlamına gelir. Giderek kalabalıklaşan ve rekabetçi bir radyo frekansı ortamında, düşman vericilerinin yerini tespit etmesi, tanımlaması, müdahale etmesi ve kafa karıştırması giderek zorlaşmaktadır. Bu nedenle, bugün odak noktası, makine öğreniminin elektronik harbe (EW) veya bilişsel elektronik savaşa uygulanmasıdır.
Bu yoldaki önemli bir adım, DARPA RF makine öğrenimi sistemi projesinin hedeflerinden biri olan spektrum farkındalığını artırmaktır. DARPA'ya göre proje, "verilerden öğrenebilen yeni nesil hedef odaklı radyo frekansı sistemlerinin" temelini atacak. RF / makine öğrenimi ilişkisini çözen birçok programdan biridir. Proje, BAE Systems, Expedition Technology, Northeastern University, Teledyne Technology ve SRI ile sözleşme imzaladı.
Proje yöneticisi Paul Tillman, projenin "temel" bir çalışma olduğunu söyledi. Elektronik harp ve radar sistemlerinin nasıl iyileştirileceği de dahil olmak üzere birçok sorunu çözebilecek teknik bir temel oluşturuyor. RF sinyal ortamının nasıl daha iyi anlaşılacağı projenin bir üst düzey meselesidir. Bu hedefe ulaşmak için DARPA, "spektrum verilerinin anlamını anlamak" için radyo frekansı spektrumuna makine öğrenimi uygulayan temel algoritmalar ve teknikler geliştirmeyi planlıyor.
DARPA, yüksek düzeyde, spektrum paylaşımını geliştirerek sınırlı spektrum kaynaklarının kapasitesini genişletmenin bir yolu olarak radyo frekansı sinyal algısını takip etmektedir. BAE Systemsın FAST Lab Araştırma ve Geliştirme Organizasyonunda RF, EW ve ileri elektronik direktörü Chris Lapa, sistemin iletişim, navigasyon, konumlandırma, gözetleme ve algılama için spektrumu kullandığını söyledi.
Spektrum algılama da önemlidir çünkü IoT cihazları dahil olmak üzere daha fazla radyo, iletişim sistemi, radar, sinyal bozucu ve diğer birçok uygulama spektrumda çalışır ve düşman vericiler kamufle etme konusunda daha iyi hale gelmiştir. Elektronik savaş sistemlerinin, diğer spektrum paylaşan tarafların niyetlerini çıkarabilmesi gerekir.
Makine öğrenimi test çalıştırması
Tillman, DARPA'nın "daha basit örnek problem setleri" üzerine bazı ön araştırmalar yaptığını söyledi. Araştırmacılar, sinyalin kullandığı modülasyonu anlamak için evrişimli bir sinir ağı kurdular. Bu çalışmalar, makine öğrenimi sistemlerinin her sinyal-gürültü oranında geleneksel öğrenme yöntemlerinden daha üstün olduğunu göstermektedir. Bu nedenle, bu sorunun kapsamı nispeten küçük olsa da, makine öğrenimi sistemlerinin "sinyal ortamını daha iyi anlamak için radyo frekansı spektrumundan ek özellikler ve bilgiler çıkarabileceğine" dair kanıt sağlar.
AlphaGo'nun Go oyununda kanıtladığı gibi, yapay zeka karar verme sorunlarını çok geniş bir kombinasyon alanında çözebilir. Tillman, makine öğrenimini yalnızca toplanan spektrum verilerini işlemek için değil, aynı zamanda hangi spektrum verilerinin ilk olarak alınacağı gibi karar vermeye yardımcı olmak için kullanmayı umuyor.
Bilişsel sistem gerçek zamanlı öğrenme yeteneğine sahiptir. Bilişsel bir sistem, deneyimine bağlı olarak aradığı veya sunduğunu değiştirebilir. DARPA'ya göre, bu karar verme yeteneği büyük bir ilerleme olacaktır.Geleneksel radyo frekansı sistemlerinde, çalışma ortamının istatistiksel verilerine bakılmaksızın, frekans ve uzaysal yön genellikle sıralı olarak taranır. Bu sistemler, spektrumda neler olduğu hakkında çok az şey biliyor.
Sistem evrimi
Günümüzün radyo frekansı sistemleri, birinci nesil yapay zeka sistemlerine benzer şekilde kurala dayalı akıl yürütmeyi kullanır. Örneğin, Northrop Grumman'ın Görev Sistemleri Bölümü, Deniz Havacılık Operasyonları Direktörü John Thompson, çoğu elektronik destek önlemi (ESM) sisteminin arama tabloları kullandığını söyledi. Veriler gövdeye girer ve gelen sinyalleri uygun yanıtlarla ilişkilendiren elektronik tablo formatındaki yazılımla sıralanır. Ancak radar yeteneklerinin artan dijitalleşmesi, uyarlanabilirlik ve bilişsel elektronik savaş ihtiyacını artırıyor.
John Thompson
Ordu, zamanında tespit etmek, belirlemek, bulmak ve yanıt vermek için önceden belirlenmiş bir tehdit veritabanına güvenemez çünkü günümüz teknolojisi, herhangi bir donanım değişikliği olmaksızın yazılım yoluyla tehdit dalga biçimini değiştirebilir. Mevcut sistem temelde, istihbarat topluluğu tarafından sinyallerin analizine dayanan bir dizi kural belirler.
Thompson, bilişsel sistemin başarılı operasyonların anahtarı olacağını tahmin ediyor. Bu sistemler, bilinmeyen alınan sinyallere yanıt olarak RF aktarımlarını temel planlarının ötesinde değiştirebilecek. Bunun tersine, "çevik" sistemler (önceden belirlenmiş bir sırayla frekansları anahtarlama gibi işlevler gerçekleştiren) ve "uyarlanabilir" sistemler (tepkisini ortamda hissedilen değişikliklere göre değiştiren) yazılım programlarının kısıtlamaları altında çalışır. Bilişsel sistemler "kendi yazılımlarını yazmanın ötesine geçecek" ve programlama kutusunun dışında düşünme yeteneklerine atıfta bulunacaklar. Algoritma ne kadar çok veri örneklenirse, çıkarımının doğru olma olasılığı o kadar yüksek olur.
Mevcut sistemlerin uyarlanabilirliği
Northrop Grumman, ABD Donanması'nın Reaktif Elektronik Saldırı Önlemleri (REAM) programı kapsamında, EA-18G "Growler" taşıyıcı elektronik harp (EA) uçağı için makine öğrenimi algoritmaları geliştiriyor. Hedef, 2025 civarında filo geçişi. Plan, çevik ve uyarlanabilir bilinmeyen veya düşman radarlara karşı elektronik savaş yeteneklerini geliştirecek.
Northrop Growler'ın bir uzantısı, Remedy kod adlı bir drone sürüsü konseptidir. Thompson, uçağın zehirli gaz tanklarına yerleştirilen bu kurbanlık insansız hava araçlarının yakınlık sensörleri olarak hareket edeceğini ve "bilişsel eritme potasına" daha fazla veri sağlayacağını söyledi. Planın dersleri "iyileştirici dronlar için geçerli olacak." Şirket, multispektral durumsal farkındalık sağlamak için radyo frekansı ve kızılötesi sensörler üzerinde çalışıyor.
Kilfjord, Raytheon'un planının, ürünlerinde en iyi algoritmaları hızla benimseyip uygulayabilen ve kullanabilen bir altyapı oluşturmak olduğunu söyledi. Şirketin tamamen dijital radar uyarı alıcısı AN / ALR-69A (V) coğrafi konumlandırmayı görüntüleme özelliğine sahiptir. Daha önce, AN / ALR-69A (V) uyarı alıcıları C-130H ve KC-46A uçaklarına monte edilmişti ve şu anda F-16'da test ediliyor.
Kilfjord, tüm elektromanyetik spektrumun keşfedilmesinin zor olduğunu söyledi. Tehdit frekansta hareket ediyor göründüğünde, özellikle tehdidin frekans kayması RF sisteminin frekans penceresinden daha büyükse daha zor hale gelir. Frekans çevikliği, geniş bant, çeviklik ve akıllı elektronik savaş sistemlerine olan talebi yönlendirir.
Thompson, gelecekteki RF sistemlerinin daha hızlı örneklemesi ve farklı lehçeleri veya dalga biçimlerini hızlı bir şekilde anlamaları gerektiğini söyledi. Bununla birlikte, tüm çevik, uyarlanabilir ve bilişsel teknolojiler (evrim eğrisi boyunca noktalar), günümüzün elektronik savaş sisteminin birikimi olacak ve birçok tehdide karşı etkili olmaya devam edecek.
RF parmak izi
Makine öğrenimi tabanlı sistemler, benzeri görülmemiş şekillerde öğrenebilir ve tepki verebilir. Makine öğrenimi, şimdiye kadar hayal bile edilemeyen radyasyon kaynakları arasındaki farkları keşfedebilir.Bu fark, üretim hataları gibi faktörlerin neden olduğu "kasıtsız modülasyon" dalga formlarına dayanmaktadır. Bu veriler, uzman sistemlere dayalı ekipman tarafından atılabilir.
RFML projesinin teknik alanlarından biri olan radyo frekansı parmak izi teknolojisi, benzersiz sinyal özellikleriyle radyo frekansı vericilerini tanımlayabilir. DARPA, geçmiş tüp tabanlı RF sistemlerinden "daha ince bir RF parmak izine sahip" katı hal teknolojisini araştırıyor. Lapa, vericileri sıcaklık değişikliklerine göre ayırt etmenin mümkün olabileceğini söyledi. Belki de nüans, vericinin parlak güneş ışığında mı yoksa gölgede mi olduğuna bağlı olarak tespit edilebilir.
Süreç etkisi
Bilişsel RF, hala daha büyük bir donanım sorunudur. Yarı iletken malzemeler ve işleme ekipmanı alanlarına daha fazla yatırım giriyor. Bahsettiği en son gelişmelerden biri, geniş bantlı analogdan dijitale dönüştürme ve dijitalden analoğa dönüştürme, çok işlemcili CPU ve sahada programlanabilir geçit dizisi yeteneklerini tek bir yonga üzerinde bütünleştiren Xilinx'in RF yonga sistemidir. Ön uç donanımın entegrasyonuyla, makine öğrenimi gibi teknolojiler işleme zincirinde daha da uygulanacak.
Lapa, dijitalleşme yolunda bir kez, elektronik savaş / RF uygulamalarının daha çok bir veri yönetimi problemi haline geleceğini söyledi - bir yazılım veya dijital sinyal işleme problemi. "Tüm veriler dijitalleştirildikten ve veriler ihtiyacınız olan hızda işlenebildiğinde, RF sistemi çok daha esnek olabilir. Bellek kayıtlarını veya bellenim yüklemesini değiştirerek tüm alıcı yolu veya tüm iletim yolunu değiştirirseniz, Oyun kurallarındaki değişiklikler.
Güvenilirlik
Kilfjord, ilk günlerde pilotların sistemin daha iyi yapacağına inanmayı öğrenmeleri gerektiğini öngörüyor. Bugün, birçok makine öğrenimi uygulaması kara kutu gibi. Onlara girdi verirsiniz ve size ne yapmanız gerektiğini söyler. Nedenini söylemediler, bu da onlara inanmayı zorlaştırıyor. Belki de sistemin "bilişsel seviyeyi yükseltmek veya düşürmek" için bir düğmesi olmalıdır.
Lapa, akıllı bir sistemin muhakemesi opak olsa bile, düşünme sürecinin yine de çıkarılabileceğini söyledi. BAE mühendisi, arka plan programını görüntüleyebilir ve sistem tarafından kullanılan parametreleri görebilir. Sistem gerçek zamanlı olarak öğreniyorsa, düşünme sürecini anlamak için post-proses gerekli olabilir. Operatör, işlemleri gerçekleştirirken sistemin durumunu ve hafızasındaki verileri görüntüleyebilir. Veri kaydı ve bakım görev kayıtlarının giderek daha önemli hale geldiğini vurguladı.
Ancak "geçmişe bakma" kokpitteki pilota herhangi bir yardım sağlamaz, çünkü pilotun rolü geleneksel olarak "gözlemlemek, yönlendirmek, karar vermek ve harekete geçmek" veya OODA döngüsüne programlanmıştır. Gelecekte Rapa, "İnsanları OODA döngüsünden çıkarmamız gerekiyor, böylece sistem gözlemleyebilir, karar verebilir ve rakipten daha hızlı tepki verebilir."
Kilfjord, pilotların tehditlere her zaman yanıt verebileceği durumlar olduğunu söyledi. Bilişsel elektronik savaş her zaman "mükemmel bir araçtır" ve onu her şey için kullanamazsınız. Ancak insanların rolü azalacak, çünkü bir tehdit tarafından kilitlendiğinizde, size saldırmak için zamanınız kısalacak ve kısalacaktır. Makine öğrenimi yöntemleri deterministikten (sistem bir eğer-öyleyse kuralını takip ettiğinde) olasılığa (belirsiz modelin kuralla eşleşip eşleşmediğini değerlendirmek zorunda kaldığında) değişiyor.
Eğitim ve test zorlukları
Kilfjord, "Bilişsel elektronik savaşın ana zorluklarından biri, sisteme uygun miktarlarda ve kalitede veri sağlayabilmektir," dedi. Büyük miktarda veri önceki gözlemlere dayanmasına rağmen, Kilfjord simülasyonun bilişsel sistemlerin geliştirilmesinde önemli bir rol oynayacağını umuyor. "Belki de tehlikede olmadan bir şeyler öğrenebilmemiz için bazı senaryolar tasarlayabiliriz." Dedi.
Bununla birlikte, bazı açılardan bilişsel elektronik savaş geliştirmek, sürücüsüz arabalar geliştirmekten çok daha zordur. İkincisi sınırsız veri elde edebilir, ancak "bilinmeyen radarlar için devasa bir veri deposu yoktur."
İlgili sinyal verileri genellikle düşük sinyal kalitesindedir, işaretsizdir ve zamanında değildir. Bu veriler "çok seyrek ve basittir" ve özel uygulamalar gerektirir. Veri eksikliğinden dolayı, zorlu ve pahalı bir süreç olan daha fazla modelleme ve simülasyon gereklidir. Lapa, aslında ticari olarak türetilmiş makine öğrenme yöntemlerinin elektronik savaşta etkili olmadığını söyledi.
Kaynak: ABD Savunma Bakanlığı Muharebe Testi Değerlendirme Web Sitesi, Ulusal Savunma Bilim ve Teknoloji Haberleri
Chen Jun, Askeri Bilimler Bilgi Araştırma Merkezi, Askeri Bilimler Akademisi
