源自：电讯技术
作者：李 琨 姜典辰
摘 要
人工智能技术应用带来军事态势感知能力极大增强,日趋成为联合全域指挥控制的关键使能因素。然而,由于战场边缘环境的受限特性,人工智能和机器学习在战场物联网应用中面临新的挑战。针对战场边缘特性及其智能化应用需求,总结了美陆军面向战场物联网的边缘智能发展现状,分析了其在该领域的研究重点,介绍了其在加速边缘智能处理异构智能资源融合方面的典型解决方案,最后得出提升分布式智能处理效率、增强网络韧性、优化异构资源融合是增强战场边缘智能的发展思路的结论,以期为战场边缘智能相关研究提供参考。
关键词
战场物联网;边缘智能;联合全域指挥控制;韧性网络;分布式架构
引 言
人工智能在军事领域的创新应用带来了战场态势感知和决策能力的不断增强,智能化战场装备日趋成为实施联合全域作战的关键使能因素。近年来,围绕战场智能感知、智能分析和辅助决策,以及自主行动过程等要素,各军事大国加速推进以先进传感器、机器学习、移动宽带、边缘计算为核心特征的新技术应用研究,依托新一代通信手段和智能组网技术,大力开展各作战单元和作战要素网络化、一体化、自主化建设,加紧构建支持多域作战的战场全维智能感知体系,以抢占未来智能化战场的制高点。在这一趋势下,美陆军率先发展了以机器学习、深度融合、智能感知技术应用为核心的“战场物联网” (Internet ofBattlefield Things,IoBT),力图将人工智能应用推向未来战场前沿[1]。其构想是,在复杂多样、干扰对抗、高作战节奏和极度动态的战场边缘环境下,依托敏捷、智能化、自适应的人-多智能体组网系统,通过不断感知、识别和快速利用新出现的优势窗口,持续对作战进行规划、准备、执行与评估,提供实时分析和决策支持功能,加速多域融合,使各种能力产生快速效应,形成比对手更快的感知-判断-决策-行动(ObserveOrient-Decide-Act,OODA)周期速度,支持联合全域指挥 控 制 ( Joint All-Domain Command and Control,JADC2),从而构成非对称优势[2]。
然而,由于战场边缘的固有特性,在边缘环境下往往伴随着通信、网络和处理能力的下降,因此很难利用现有云计算和网络架构为战场物联网的边缘智能应用提供支撑,尤其是在如何缩短感知到效应的时间、增强网络的安全性和韧性,以及提升边缘智能处理能力等方面,仍然面临巨大的挑战。
针对 这 一 问 题, 美 陆 军 研 究 实 验 室 ( ArmyResearch Laboratory,ARL)与卡耐基梅隆大学等多家研究机构合作,建立了军、校、企三方合作研究联盟(Collaborative Research Alliance,CRA),致力于未来联合全域作战边缘智能应用方面的创新研究工作,持续对智能目标驱动网络、机器学习、分布式人工智能架构等进行深入探究,并取得了一系列成果[3]。研究表明,采用分布式边缘智能处理架构和异构资源融合方案,将分布式人工智能、对抗环境下的机器学习、韧性组网等边缘智能技术应用到战场物联网系统中,能够为云计算减轻负担,有助于解决通信连接降级、延时长、安全性差、易受攻击等问题,是支持未来决策优势的关键因素。
1 战场边缘特性及智能化需求
1 .1 战场边缘的定义和特性
战场边缘可以从用户角度和技术角度来定义[4]:
(1)从用户角度来看,战场边缘是指距离战术前沿的“最后一英里”作战范围,其用户主要是部署在前沿位置并直接参与执行边缘任务的各类作战单位,包括单兵、小型移动组群,移动作战中心以及固定作战中心。
(2)从技术角度来看,战场边缘是指在这一特定环境下,作战装备会受到特定因素限制(如通信连接或存储可用性受限等),呈现出某种程度上的操作能力或技术性能降级或受限特性,主要体现在网络连通性、资源可用性、信息保障以及用户界面等四个方面的性能降低或受限。基于对网络连接时间的百分比、在给定时段内网络收发的数据量、数据包传输所需的时间,以及物理硬件资源、计算处理能力等指标的综合考量,战场边缘主要特性体现为网络连通性差,数据处理和存储的可用资源有限,信息安全面临更大的风险,用户界面和系统设计具有更大难度,等。
1. 2 边缘智能需求
1. 2. 1 任务能力需求
(1)缩短感知与效应之间的时间[5]。要利用边缘智能实现态势感知和决策优势,就必须以一种适当的速度运行,这种速度应与对手的人工智能能力和不断变化的战术相匹配。当前最重要的是需要及时检测到传感器的细微变化并作出响应。
(2) 安全、 韧 性 网 络 和 信 息 获 取、 传 输 和 处理[6]。一是需要韧性的信息获取和处理,能够承受在通信无连接、断续连接和低带宽( Disconnected,Intermittent & Limited,DIL)、信息源丢失以及恶意数据输入等情况下及不确定数据环境下的态势理解。二是需要韧性目标驱动网络,即具有灵活的拓扑自适应性,即使在出现中断和攻击的情况下,也能从故障、攻击和瓶颈中恢复,继续达成其任务目标。三是需要开发支持高可靠自适应和自感知学习系统的方法模型,应对恶意输入的网络攻击,评估恶意输入操控发生的可能性。
(3)分布式信息协同和交互[7]。需要能够在不同设备组成的异构网络上运行的新的分布式学习系统和算法,且能够对不断变化的网络连接表现出弹性。在网络碎片化的极端情况下,系统能够继续学习并根据其碎片内的可用资源做出最佳预测,这是一项关键需求。
1. 2. 2 系统设计需求
在系统设计上,考虑到边缘智能系统的计算、存储、处理、能耗等战场边缘特殊应用特点,需要提高战场边缘组网和计算的性能、运行速度和机动性,满足时延率低、能耗量小、精确度高和安全可靠的关键需求,为边缘用户提供高效、便捷、适用的战场边缘智能服务。
-
(1) DIL 环 境 下 的 边 缘 数 据 处 理 和 存 储 能力[8]。在战场边缘环境下,需要利用新的软、硬件技术和架构方式,以本地方式生成并处理任务关键型数据,并在无法访问云的情况下确保其持续可用,同时在恢复连接后立即实现数据同步,将信息资源传输到战术网边缘,实现云边协同,获得战场边缘的态势感知和决策优势。
-
(2)瞬态自适应边缘计算能力[9]。传统的容错机制并不适合瞬态处理,需要开发新的瞬态计算模型,建立一种高效的瞬态机制,用于分析瞬态性对应用工作负载的影响,用于处理战场背景下出现的不同瞬态场景,即处理和恢复战场边缘环境下未预料的、动态的、频发的瞬态状况。
-
(3)优化的体积、重量、功耗( Size,Weight andPower,SWaP)和操作界面[10]。便携性是战场边缘用户、尤其是单兵应用的重要考虑因素,因此减小设备的体积重量对于战场边缘应用至关重要。另外,边缘智能设备必须具备用户友好特性,满足远程环境当中非技术用户的操作需要。在发生故障的情况下,作战人员能够在战场轻松更换单元,以实现操作的连续性。
2 战场物联网边缘智能发展现状
2. 1 研究目的
作为战场边缘智能化发展的重要内容,美陆军研究实验室于 2017 年提出了战场物联网概念[11],旨在开发一种基于自适应异构传感器和目标驱动的泛在网络,增强战场边缘士兵和指挥控制系统的自主迅捷信息分析能力,对抗敌方对战场空间的影响和控制,加速感知-决策周期过程。
战场物联网的主要作用是,通过一种异构传感器组成的智能网状网,将来自所有域———陆、海、空、太空和网络空间的传感器连接起来,使各种数据汇集到一个实时的、“可共享的数据湖”[12],并利用人工智能软件、数据库、处理器和算法,将传感器信息转化为可识别的、优先的目标,从而迅速将最佳的“效应器”投射至目标或与目标关联起来,以快速调用相应单位/ 能力(包括动能、网络、电子战或信息作战等)产生最佳效应,从而在大国冲突的快速作战节奏下,使己方获取决策上的优势。
2. 2 研究进展
战场物联网系统是一个新兴的跨学科领域。2017 年 3 月,美陆军研究实验室启动“战场物联网合作 研 究 联 盟 ” ( Internet of Battlefield ThingsCollaborative Research Alliance,IoBT CRA) 项目[13],通过开展军方与校企研究团队合作,构建新的战场物联网技术研发模式,以推进专用于未来战场边缘智能应用,主要聚焦四大领域:目标驱动异构 IoBT 的搜索组合和适用性研究;支持智能服务的 IoBT 自主性研究;分布式异步处理与“物”分析;网络空间的物理安全研究。IoBT 项目近期主要进展如图 1 所示。
在智能目标驱动网络方面,美陆军开展了战场物联网智能目标驱动网 络 演 进 研 究 ( Internet ofBattlefield Things Research on Evolving IntelligentGoal-driven Network,IoBT REIGN)[14],以构建战场环境下各种“物”广泛连通性技术基础;研究了军用物联网架构与商用软硬件相结合,使商用物联网设备资源能够整合到更大的军用指控系统中,为战术作战中心的态势感知及决策支持能力提供支持,并展示了其“利用远程广域网(Long Range Wide AreaNetwork,LoRaWAN) 支持城市环境中的战场物联网”研究成果[15]。
在智能自主性方面,针对多域作战环境的复杂性、动态性和对抗性,美陆军提出了一种神经网络处理的新框架[16],使人工智能能够更好地判断敌对环境中的对象和潜在威胁,有助于在现代战场上实现对复杂、智能、泛在系统的指挥和控制,得出更准确的判断和结论。
在分布式智能处理方面,美陆军开发出一种基于人工智能的雾计算平台[17],以实现异构战术环境下 的 分 布 式 处 理 ( Distributed Processing inHeterogeneous Tactical Environment, DPHTE), 支持战场物联网的广泛异构数据分析和管理;同时开发出一种深度压缩卸载的新方法[18],以加速人工智能处理和决策过程; 大力推进分布式虚拟试验场(Distributed Virtual Proving Ground,DVPG)项目[19],以促进异构资源快速融合,为构建未来分布式环境提供支持。
在网络空间安全和韧性方面,围绕战场物联网人工智能和机器学习在多域作战中的应用[20],美陆军对复杂环境下的自主智能网络防御、对抗性机器学习和推理模型等相关领域进行了探讨,提出了基于博弈论原理的响应系统、复杂场景机动多智能体规划、多智能体对抗环境下的分布式分层强化学习等发展思路和方案。
3 典型方案
近期美陆军发展的边缘处理和数据传输架构、分布式虚拟试验场项目是战场物联网边缘智能应用的两种典型方案,下面对此进行具体介绍。
3. 1 边缘智能处理架构
边缘处理和数据传输架构是一种新的边缘智能处理综合架构方案。与传统的单一集中式人工智能架构相比,该架构结合了分布式人工智能架构,作为算法编排或组合的一部分来增强边缘处理和传输能力,旨在缩短从传感器到效应的时间,从而实现决策优势。
如图 2 所示,该架构方案整合了大型综合作战中心与边缘节点、边缘设备中的各种人工智能能力,将分布式人工智能的快速性和灵活性与集中式人工智能的计算能力和广度相融合,以解决在不同战场地理区域进行数据处理和决策支持的问题。
(1)在战术支持和前沿区域,电子干扰对抗更强,作战环境更加苛刻,可用的存储设备更少,且计算能力更加受限,可使用分布式边缘智能设备进行本地数据搜集和自主处理,支持本地快速决策;各边缘设备之间以及它们与分散在战术支持区域中的各边缘节点之间都可共享数据和模型,为边缘战术任务提供支持。
(2)在战术支持区域及其邻近的作战支持区域,可在各边缘节点部署分布式人工智能系统,进行实时数据处理、缓存和分发,各节点智能系统可与位于前沿作战基地(或主战基地)的同层级边缘节点以及位于作战支持区域的更高层级节点共享通用作战图;各边缘节点可以访问大型综合作战中心或云级的处理和存储,为作战任务提供支持。
(3)在战略支援区域,可通过云级或数据湖进行大型数据处理和数据挖掘,并配备大型集中式人工智能/ 机器学习系统,可将海量数据与大型算法聚合在一起,但数据过时是一个主要风险,因此主要进行更多实时性要求相对较小的综合性处理,为战术中心指挥控制提供支持。
3. 2 异构资源融合架构
为推进战场物联网各种异构资源融合研究,美陆军研究实验室启动了分布式虚拟试验场 ( 即DVPG)项目,旨在构建一种分布式虚拟战场研究环境,在现有基础设施规模上,通过综合经验性试验加速研究进程。具体而言,DVPG 是一种联合试验设施,它能够同时进行异构源融合虚拟化试验,即试验不局限于在一个物理位置上,也不限于仅通过物理方式与系统/ 设备实现交互,而是可通过多种接口、多标准和过程来定义这种交互操作。
如图 3 所示,DVPG 采用一系列广泛分布式节点来构建虚拟通用操作环境,在这一环境下,大量异构智能设备和自主系统以透明方式动态交互工作,以实现任务效应驱动的决策。该环境中的每个节点代表一种含有传感器和处理能力的不同试验设施,其中有 3 个顶层节点可提供扩展功能:一是机器人研 究 合 作 园 区 ( Robotic Research CollaborationCampus,R2C2)节点,它拥有大量机器人并具备以自主性为中心的试验能力;二是陆军人工智能创新院( Army Artificial Intelligence Innovation Institute,A2I2)节点,它具备创新的人工智能和机器学习能力,可提供大型的数据集和数据存储库,支持人工智能的基本理解、开发、验证和转化应用;三是多用途感知区域节点,它是 DVPG 的一个枢纽,由 51 个约9 m 高的塔组成,每个塔上安装有 15 ~ 20 个异构传感器,覆盖范围达 14 km×40 km,区域内设置了干扰对抗和苛刻自然环境特性,并附带边缘和指挥所系统处理能力,还可实时接入战场物联网合作研究联盟的各子节点,以通过不同实验室测试设备进行处理。
2021 年 8 月,美陆军在北约联盟勇士互操作综合化演习(Coalition Warrior Interoperability eXercise,CWIX 2021)中进行了 DVPG 虚拟试验场的演示评估。演示场景包括模拟一个拥有大量智能体的大型城市,在任务期间利用无人值守地面传感器和移动自主智能体(地面和空中)实施机会感知,捕获目标相关的任务数据等。结果显示,在北约伙伴国之间能够实现异构传感器远程连接及持续的数据集成和融合,支持进一步综合化。根据评估结果,确定了后续研究重点:一是通过减小能耗来延长平台电池使用寿命,以满足长时任务需求;二是减小数据传输规模,以确保平台与指挥所之间远距离通信;三是如何利用非传统的机会感知或多模态处理非视距感测来提高探测速度;四是快速共享探测到的相关信息并使其具有更高的确定性,以加速和优化指挥官的决策。
4 发展方向
从美陆军上述发展来看,其战场物联网边缘智能的主要发展方向可归结为以下几个方面:一是寻求新的计算范式,发展超高性能,使战场物联网突破分布性、异构性和规模性瓶颈,以缩短传感器到效应的时间;二是增强分布式持续瞬态网络的系统韧性,致力于动态环境下韧性创新方案研究,以应对未来新的威胁环境;三是改进现有人工智能应用范式,开发知识导向的分布式智能架构,将科学物理模型与基于神经网络的机器推理关联起来,实现高价值军事网络的综合应用效果。具体而言,其研究工作侧重于以下几个方面:
(1)增强基于微弱指标的快速动态变化或异常检测能力在多域作战效应决策环内,所有效应都是基于传感器检测到信息而自动产生的,因此需要快速检测到传感器测量的关键变化。然而,在极端复杂的边缘环境下,有多种因素都可能导致产生测量误差,检测到的特征往往带有随机性和不确定性。因此,应重点针对动态异常、移动目标、异常增长和异质目标等检测类别,开发一种基本可行的快速变化检测(即尽快检测到变化结果)方案,并逐渐扩展到有挑战性的分布式动态检测方案。
(2)提升智能系统在欺骗环境下的模型自适应能力随着机器学习算法的出现,诱饵和伪装手段已经延伸到战场物联网环境,对手利用机器学习属性,输入错误示例,使其产生错误分类或错误预测。这种欺骗性输入引起推理算法中错误分类外观变化极小,不会显著改变传感器输入,因此很难检测出这种输入操作。为此,近期研究提出一种基于归因的置信度指标检测方法[5,21],用于评估对手操纵的可能性。通过该方法,可对底层原始深层神经网络中原始输入图像进行调整,并对原始深层神经网络所产生的反应进行评估,从而测量模型的一致性。
(3)创新多模态数据融合和推理算法战场物联网异构传感器数据规模量巨大,易导致数据处理和传输延迟。针对这一问题,应重点开发新的分布式推理方法,通过评估动态网络带宽和边缘资源能力来划分跨边缘和云资源的神经网络推理模型,将渐进式模型层切片与网络分区相结合,从而能够在保持高性能准确性的同时保持低延迟和低能耗。同时,设计一种新的神经网络框架,用于区分执行推理的优先级,并缩短触发关键任务的时延,以提高检测速度。此外,对于多模态感测延迟的问题,应侧重考虑使用输入子集进行推测性推理的方法进行优化。
(4)优化分布式人工智能联邦学习模式由于战场边缘可用的通信资源匮乏,对人工智能联邦学习系统和推理算法应用构成挑战。新的思路是,采用任务相关的压缩方案来减少联邦学习算法的通信需求,即重新考虑资源分配协议,将通信目的纳入其中,以改善所用资源与实现结果之间的平衡。这项工作应从一些基本问题入手,例如,考虑分布式学习的最佳沟通模式、学习算法的基本存储需求等。研究表明,在基于复杂数据样本的分布式学习过程中,利用通信目的匹配方法可使通信效率提高 3~4 个数量级,这些效率反过来又使自动化系统的端到端延迟显著缩减。
(5)加强动态对抗环境下的网络韧性针对高动态和对抗环境下的韧性网络,重点是构建一种分布式自动化系统,该系统可在动态(非固定)环境下管理和控制传感器-效应/ 决策环路中的资源,以在战争迷雾和敌对欺骗的边缘环境下可靠运行。该领域的创新研究主要包括:通过新的算法提高对传感器攻击的容错率;通过风险感知设置提高对资源中断的韧性;通过技术改善计算平台在运行时的延迟变化闭环稳健性; 拜占庭式容错(Byzantine Fault Tolerance,BFT)机制和可证明的稳健分布式优化;安全深度学习推理,对分布数据的稳健性、安全强化学习和高置信度泛化等。
5 结束语
作为联合全域指挥控制的重要支撑,边缘智能正在成为大国角逐的新战场。在分布式人工智能架构基础上,结合战场物联网异构资源融合、处理,将数据密集型计算任务分散到战场边缘,是缩短战场边缘感知-决策效应环的有效解决方案。但由于战场边缘固有的高动态和资源受限特点,需要从系统工程的角度出发,进一步实现人工智能模型轻量化,提升边缘智能处理的快速性、稳健性,增强对抗环境下的网络韧性。另一方面,随着未来多域战场复杂程度加剧,对手会利用机器学习属性设计输入错误示例,将人工智能导向错误推断和预测。因此,针对高动态和对抗环境下的动态异常检测、模型自适应能力和创新推理算法研究将成为未来一个重要方向。
声明:公众号转载的文章及图片出于非商业性的教育和科研目的供大家参考和探讨，并不意味着支持其观点或证实其内容的真实性。版权归原作者所有，如转载稿涉及版权等问题，请立即联系我们删除。