构建一种“更智能”的机载电子攻击的方法 留言

美军现在很清楚地知道,美国的机载武器平台已经面临反介入/区域拒止(A2/AD)的战场环境。与曾经面临的作战环境相比,机载武器平台在这样的环境中将表现得更为激烈。这个令人生畏的挑战正在变得愈演愈烈。

因此,机载电子攻击(AEA)能力和整体AEA战略需要显着改善和重组,以跟上作战环境威胁的发展。

美国国防部已经确定,为适应新的作战环境,不能通过对现有系统的渐进式改进来实现,而是必须采取一种指数级的改进,并采用最新的技术。特别是人工智能(AI)体系结构和机器学习技术和算法。

AEA的情况下,这些技术被认为是高度集成的网络中的认知电子战自学习系统,能够实时检测环境,做出相应的反应并适应新的威胁。

先进综合防空系统(IADS)的运行范围和复杂性增加了,主动和被动监视和定向能力都是AEA规划者最关心的问题。目前的方法几乎全部依赖于专用的AEA平台,例如具有高功率宽带干扰系统的EA-18G咆哮者和EC-130H指南针呼叫飞机。

然而,这些低密度,高需求的系统主要是在威胁系统之外运行,所以随着威胁范围的扩大,这些“隔离”平台的高功率干扰的有效性是显着减少。

与此同时,他们的干扰信号的波束宽度也随着距离同时扩大,使得它们本身更加明显,更容易受到更广泛的威胁。

改进的系统,如为EA-18G开发的下一代干扰机(NGJ),将稍微能够解决这个问题,但是它们不能完全解决这个问题。

无论如何,还需要额外的AEA能力来补充对抗能力。预计这些技术将会采取拦截/低概率检测(LPI / LPD)无人机或消耗系统(空军的微型空中发射诱饵MALD-X和美国海军的版本MALD-N)。

克拉克说:“我们已经看到,AEA从基本上是一种对立的旁瓣干扰方式演变成为一种更具竞争力的环境中的独立的能力。这些系统可以让你靠近,并以较低的功率产生效果,而不会受到攻击。” 

机载电子攻击与第三次抵消战略

关于下一代AEA的发展和计划,美国国防部长Ashton Carter和国防部副部长Bob Work提出了国防部新的“第三次抵消战略”。

为了保证美军将继续在所有可能的对手方面拥有决定性的军事优势,战略核心就是要快速发展和部署国防部所有服务和任务领域的最新技术能力。

包括在“深度学习系统,大数据和人机协作”这一特定的技术领域,这些都是基于人工智能与人类智能的紧密结合,这些将是必不可少的,以确保美军保持永久优势。

射频易商城图 美国空军的EC-130H是获得远距离AEA能力的中流砥柱,但它将很快被更小的飞机取代。

在商业领域人工智能有了巨大的增长,现在国防部也有很多兴趣,将人工智能和机器学习应用到我们的系统中,使它们在实时处理任务时更智能,更具有适应性。

针对AEA,Niedzwiecki指出整个电磁频谱(EMS)中无线电通信激增。这会在环境中造成电磁堵塞,大量不同的重叠信号使电磁堵塞更严重,但只要梳理清楚环境中的信号即可知道目标是什么,堵塞了什么,以及何时堵塞。

另一个区别是,今天的系统更多的具备软件可重新编程功能。而过去的雷达主要由模拟元件组成,需要花费数年的时间才能完成功能更新。而随着软件可编程和数字处理架构的普及,这些威胁系统更加灵活,采取收集威胁数据的老方法,并将其带回实验室开发对抗算法,以处理应对新的威胁信号类型,这是完全不切实际的。

这样的老方法耗时太长,第三次抵消战略已经意识到这个问题,利用机器学习和先进的信号处理是克服它的好方法。

“威胁设备的发射器在频谱范围内越来越敏捷,波形、频率和行为能够在从脉冲到接收的时间范围内改变。频谱信号密度相应增长也加剧了这一挑战。特别是在高密度环境中被遮挡的情况下,敏捷雷达以意想不到的频率出现,难以找到波形。因此在决定做什么之前,系统将利用少量的威胁行为进行观察。学习新雷达必须在威胁发现目标之前实时发生。” 

认知电子战需要解决威胁

为了满足和跟上威胁的发展步伐,Yuse提出需要可以感知射频环境并适应的认知系统。“我们的系统必须快速响应对手EMS参数的动态变化。认知电子战,实时决策和相关的战术执行是重中之重。针对EMS运营(EMSO),机器学习提供了观察、分析和应对任务之前未知的威胁的能力。”

DARPA在该领域进行着广泛而持续的努力,CSBA的克拉克概述了技术的当前状态,并期望遵循的道路是先进的。

“今天,我们的系统非常自动化,能够产生针对刺激的预先计划响应,但我们现在正在进入使这些系统适应的领域,这意味着他们可以获取信息,并根据信息告诉他们,能够采取几个预先计划的反应,并提出一种技术或多个技术组合,这是有效的。这个系统更聪明,但是它们的反馈仍然需要基于操作员的输入。”

Clark将下一步描述为实际转换到机器学习或AI的地方。“我们正在寻找电子战系统,它能够检测到一个未知的信号,看起来不像以前看到的任何信号,但是根据其基本特征,能够找出一种可能有效的技术,使用它创建的技术,观察效果是什么,然后实时更改该技术。这种技术将会随着机器在环境中所看到的情况而不断变化。”Clark说,DARPA目前正在研究这种体验式学习,作为该机构认知电子战工作的一部分,目前正在建设示范性的功能。

据BAE的Niedzwiecki说:“事实上,研发领域的工作是在认知电子战中进行的。我们正在积极参与这个过程,特别是在机器学习算法方面。”他描述的目标如下:“我没有去查看一个新的信号如何与我以前见过的事物相匹配,而是用它的一般特征来推断它的能力,然后我用一系列技术来试图攻击这个威胁,为了确定我是否有效而作出反应的行为改变。然后我使用这些知识来训练我的算法。”

射频易商城图 微型空中发射诱饵干扰器(MALD-J)能够飞入防御空域,可近距离干扰IADS。

但是Niedzwiecki强调,这不仅仅是潜在的威胁信号参数和特征,不是一般的行为,而是参与决策的过程。“例如,在天气雷达或商用空中交通管制雷达,除了信号特征外,还将具有一定的行为特征,如扫描整个空域。这些行为特征对于瞄准特定飞机的跟踪雷达及其发射的信号是不同的。基于一些算法利用这些知识来帮助确定哪些信号优先,哪些是最好的技术。”

Niedzwiecki指出,电子战研发社区正在利用机器学习方面的许多优势,结合深入了解的商业行业,已经将重点放在大数据领域。“我们正在把这些东西应用到电子战领域,结合机器学习、先进信号处理以及我们对物理的理解来解决问题。”

事实上,摩尔定律(处理器能力提高的速度)还在继续发挥作用。“现在好的是,我们的很多算法都可以在非常低端的SWaP处理器上运行,所以当你想用一些商业应用程序去实现机器学习时,这些算法就驻留在大型网络服务器机房中。

目前,我们正在研究这些算法如何在战术平台嵌入式系统上运行。有很多开发工作正在优化这些算法,这些算法可以减少SWaP,而对整体性能影响最小。通过改进处理器,例如使用图形处理单元(GPU),允许您进行大规模并行计算,用这些处理架构来进行电子战应用。” 

联网非常重要

但是,最终的解决方案并不是在单个平台层面上完成的。这需要能够同时解决许多不同平台和传感器的资源。如果传感器/平台级机器学习的好处要真正达到最大化,那么每个系统必须能够立即与网络上的其他所有系统共享所有的学习信息。

正如CSBA的克拉克所指出的那样,第三抵消战略强调的领域之一,就是能够进行网络化运作。“这是任务的重要组成部分。

电子战由电子保护(EP),电子支援(ES)和电子攻击(EA)组成,除非您可以管理和控制网络运行和生活的EMS,否则您将无法进行联网战争。我们在网络战争中的优势是有风险的。

我们可能会升级网络技术,并有很多的经验,但是这取决于我们是否能够获得和使用EMS的能力。如果我们是对手的话,在我们接入EMS之后,所有这些网络技术都不适用。这就是为什么在第三次抵消中如此重视电子战,以确保我们能够获得所需的EMS来促进网络化的能力。”

雷神的Yuse对这一点做出了回应。“技术的同步融合,将整合和优化任务系统,并最终实现一揽子计划,这是战略核心。战略性地设计和部署一个成功的AEA能力,需要适应先前未知行为的系统,并保留传统的有效性。这些系统必须整合多种感应模式并协调多种效果。

我们正在投资,将EMSO从严格的使命推动者转变为自身的效应者。各种综合技术和系统将在技术和武器组合中发挥作用。高功率隔离式干扰器、非传统平台上的小型轻量级AEA系统,高价值平台上高度集成的复杂系统都将包括在内。这将需要从动能和非动能EMSO效应的层面来防御威胁。”

为了达到AEA目前预期的最终能力,网络技术的重大进步是必不可少的。 Niedzwiecki指出:“网络总是被要求进一步推进,因为有几个不同的因素。一方面是EMS变得越来越拥挤,找到可用的频谱进行通信而不受干扰是一个越来越大的挑战。当然,除非对手积极尝试堵塞你的通信信号。

因此,在A2 / AD环境中操作和提供这些系统的网络是一个挑战,我们要把认知AEA概念应用于认知EP。如何利用我对通信信号干扰环境的理解,实时优化我的波形,并在发生干扰时保持通信正常。”

另一方面,AEA网络工作性能与网络容量和数据速率有关,当前在网络上需要传递越来越多的信息。为了有效地完成,需要高效的网络优化技术。 Niedzwiecki指出:“这是另一个需要高度重视的领域。确保网络资源管理和网络协调算法足够灵活,可以处理丢失的数据或丢失的信息。从电子战角度来看,在信号密度高的情况下,管理资源的能力尤其重要,例如,针对某些信号的平台和针对其他平台的平台。” 

通信与雷达整合的机载电子战

除了不断演变的威胁之外,机器学习算法、处理和网络技术的进步也将影响执行AEA的平台的类型、组合和任务。在任务方面,目前主要有不同的专业平台和系统服务的通信和雷达AEA任务,将越来越多地满足单一的多用途系统。 

CSBA的Clark说:“过去,我们不得不单独对待它们,因为当你使用基于硬件的信号处理和干扰系统(TWTs,波导等)时,你不具备这种适应性。用硬件驱动产生信号的频率范围和特性。”

鉴于威胁雷达和通信系统一般在不同的频率范围内运行,这意味着不同的AEA系统和携带它们的平台也不同。现在,克拉克说,随着基于GaN的AESA技术的出现,我们可以期待看到更多的多功能软件控制系统能够在更宽的带宽上执行这两个任务。

“今天我们已经看到了一些这样的情况,例如,一些雷达干扰系统有能力进入通信频率范围,反之亦然。我们将在NGJ和海军的SEWIP Block 3中看到更多的这一点,我们必然会看到通用的AEA系统适用于通信和雷达。”

雷神公司的Yuse对此表示赞同,但他补充道:“AEA的能力需要融合到复杂的、可扩展的、价格合理的端到端EMSO系统中,而智能EMSO的未来则是关于网络,高收益、EA、赛博空间、可扩展通用后端和多功能阵列。

混合模式可能是有效的,但是需要网络化来配合,且伴随着分布式管理和通信等内在挑战。另外,多用途系统也面临挑战。

主要原因是多用途工具为了获得有效的多种用途,往往是妥协的,达不到最理想的用途。具有主要和次要功能(或冗余)的系统可能是一个很好的妥协,并有助于提升整体战斗弹性。”

BAE的Niedzwiecki说这引起了资源管理的问题。“当你在一个环境中查看多个信号时,算法将不得不找出哪些信号是最重要的,哪些信号是最致命的,哪些信号是我的系统能够最高优先级、最大限度地发挥整体任务的有效性。”

射频易商城图 DARPA “小精灵”计划旨在证明蜂拥式网络无人平台可以在IADS内,执行各种任务,包括AEA。(DARPA)

这反过来又涉及到最符合AEA要求的平台或系统的组合,以及在电子战层面上有效资源管理的需要。还可以推广到更广泛的任务管理,以及系统自主运行的程度。 

Niedzwiecki说道:“有了这些信息,任务指挥官会对威胁空间有一个更好的描述,以便在任务中做出战术决定。”

另一方面,减少人工任务负载是将认知电子战和机器学习应用到AEA任务中最显着的益处之一。为了描述需要考虑的替代方案和权衡,Niedzwiecki指出:“由于所需的时间安排,您肯定会希望这些系统是采用完全自治的配置和任务组,但是也有其他的方法可能需要有一个操作员处于‘人在回路’状态。在这种情况下,虽然操作员实际上并不在回路中驱动决策过程,但他们可以观察到正在发生的事情并确认机器建议的一个方法,或者在某些情况下,手动覆盖它。”

第三种选择是运营商在线环境,Niedzwiecki把它描述为更多的任务指挥官:“你不仅要使用你收集和处理EMS的信息,还要使用所有的信息,包括您在从平台上的所有其他传感器收集信息,以帮助优化整体使命。”有指挥官的地方就是“人在回路”可以接管的地方。Niedzwiecki指出:“即便如此,目前也在研究如何尽可能地使这个过程自动化,以便减少战士的认知负担。” 

超越基于通信和雷达的威胁

雷达和通信系统将不再是唯一的有助于应对复杂IADS环境或者A2 / AD环境的威胁系统。其他潜在的监视、瞄准以及主动、被动武器技术也必须加以考虑和处理,例如:利用商业发射器(电视和无线电信号)信号工作的被动雷达、卫星系统、红外与光学传感器、无人机和便携式防空系统等。

 

原文始发于微信公众号(雷达通信电子战)

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注

在线客服