1、发展背景
|
简介：2023年11月，美空军发布多源数据的自适应融合和推理（AFAR）项目广泛机构公告（BAA），以探索和开发AFAR能力，包括分析方法和工具、算法开发、项目和实验等。 美空军研究实验室的信息部门正在寻求创新的方法来融合、分析和推理多源数据，推进分析活动，以支持其指挥、控制、通信、计算机和情报（C4I）和赛博任务。 1、发展背景
与均势对手遂行作战的过程将产生大量数据，空军分析人员需要对这些数据进行处理和评估。由于空军情报数据量大且多样，这种分析十分耗时且成本高昂。随着数据和信息的数量和复杂性不断增加，对更强分析能力的需求也急剧增长。根据《下一代情报监视与侦察（ISR）优势飞行计划2018-2028》，空军未充分利用或整合其掌握的所有潜在信息源，导致对对手意图、能力和作战的了解有限。跨平台和网络的信息分散性压制了决策者接收、处理和响应可操作情报的能力。因此，需要进一步开发相关能力以提升当前的性能水平，克服迁移到新数据类型和领域的限制，并实现新的、更复杂的能力。 所有决策支持系统面临的最大技术挑战之一是数百万个传感器收集的数据都是异构的，而用于存储这些数据的是不同的烟囱架构。为了进行有效分析，需要从原始的不同数据源拼凑出关键实体、事件和位置的综合图。从不同数据源获取、融合和理解信息仍然是一个困难且尚未解决的问题。 2、技术需求
空军研究实验室正在寻求新颖的研发方法来推进综合知识图谱的自动化生成并增强移动目标的大规模交战。此外，还寻求开发最先进的技术，用于大规模、不同数据源的数据对齐，并创建分析模型来评估公开信息（PAI）/商业可用信息（CAI）中发生的“战术”现象。 知识图谱为下游决策的大量异构/多模态数据的对齐和推理提供了一个自然的框架，目前正在开发分析工具来支持这种推理。然而，这些分析工具均假设知识图谱已经存在，且需要研究从多个异构数据源自动生成更全面的知识图谱，以加快当前的目标瞄准时间。 目前，跟踪传感器由操作员手动控制，并通过临时多模态数据融合（经由电子情报（ELINT）、光电/红外（EO/IR）、跟踪数据）从跟踪对象中识别出高价值目标（HVT）。该手动流程导致了发现、定位、跟踪、瞄准、交战和评估（F2T2EA）杀伤链的延迟，而在均势对手的冲突中，每一秒都至关重要。自动识别并提出潜在高价值目标列表，将能够快速重新分配跟踪传感器的任务，以实现更快的杀伤链。在过去的三十年里，动态决策的常见解决方案是“多标准决策分析”（MCDA）。作战数据的可用性在特定时间内是可变的，可用的信息可能会因情况而异，尤其是在强对抗环境中。至关重要的是，系统能够根据数据的可用性调整其属性的权重，以便生成可行的高价值目标排名。 诸如公开信息等新兴领域的数据高度分散，包括开源和商业可用的数据源，例如社交媒体、移动设备数据、道路观测网络、商业卫星信息等。这些数据集高度异构，信息覆盖区域复杂且重叠，其准确性和可信度各异。总的来说，这造成了许多挑战，包括1）如何描述从公共数据集中提取信息的准确性；2）如何协调跨数据集的威胁事件指示，以减少向分析师提供冗余或冲突信息；3）如何将公开信息派生的威胁事件指标与传统传感器信息相融合。 3、研究领域
AFAR项目广泛机构公告提出了三大研究领域：1）用于目标分析的自适应知识和信息（AKITA）；2）增强大规模移动目标交战（EMoTES）；以及3）公开信息（PAI）集成融合（PEF）。 3.1 用于目标分析的自适应知识和信息（AKITA） AKITA将自动融合异构多源情报数据，并将信息存储在知识图谱中，以减轻目标分析过程的调研负担。具体包括：情报提取和映射自动化、时空基础、系统集成和演示三个分领域。这些技术是显著减少完成目标系统分析调查阶段所需时间的关键。 （1）情报提取和映射自动化 该领域将研发异构、多源空军情报数据集的自动融合技术，并将信息存储在知识图谱中。这些数据集将由相对静态（即现代综合数据库（MIDB））和动态（即ChatSurfer）的数据组成，因此需要研究出融合这两者的方法。融合技术还需将数据映射到所提供或定制的本体上。该领域旨在解决的技术挑战可能包括：本体对齐和扩展、多源数据提取和融合、知识图谱生成、知识图谱定性度量、链接预测和对象/实体解析等。 （2）时空基础 目标瞄准需要了解实体/对象在何时位于何处，这可以为分析提供信息，例如发现活动模式和确定行动方案。该领域将研发构建现实世界实体的时空基础并适时更新该信息的方法，其旨在解决的技术挑战可能包括：多源事件解析、对象属性解析、事件链接和不明确的时间/位置引用等。 （3）系统集成和演示 上述两个领域中开发的技术需要集成到支持分析师交互和验证的系统中。正确的集成将为分析师提供一个可用的图形界面（GUI），以探索知识图谱并执行分析。该领域将把上述两个领域中的算法和能力集成到目标分析平台中，并可能包括支持平台端到端功能的研发。 3.2 增强大规模移动目标交战（EMoTES） 实现大规模移动目标交战的关键是提高针对具有挑战性和高价值目标的发现/定位/跟踪（F2T）能力。目前用于目标监管的目标优先级划分和传感器编排方法是临时的，无法满足竞争环境所要求的速度。EMoTES将研究通过高价值目标提名来增强杀伤链中的发现环节，并通过传感器资源管理和数据融合来增强定位/跟踪能力。EMoTES的最终目标是改善目标监管能力。 （1）高价值目标提名 部署情报资产存在固有风险。为了适应竞争环境下不断变化的情况，需要快速为传感器重新分配任务，为此，需要了解高价值目标的情况并排列优先级。空军研究实验室正在寻求开发多情报自适应推荐系统（MARS），该系统将使用新的推荐系统以非统一、动态的上下文数据来显示高价值目标，以满足这一作战需求。MARS必须融合异构数据类型，包括地面移动目标指示器（GMTI）、电子情报、高空影像、全动态视频（FMV）、合成孔径雷达（SAR）图像和融合跟踪数据等。政府可为此技术领域提供信息，包括移动目标指示器跟踪数据、车队信息以及地面和海上目标的信号情报数据。 在竞争环境中，分配任务所花费的时间至关重要。该研究领域的一个关键方面是最大限度地缩短分析师提出重新分配平台任务建议之间的时间。另一个需要考虑的关键因素是数据动态水平。鉴于情报平台可能部署在强对抗环境中，推荐系统可用的数据将有所不同。该研究领域旨在为人在环上的推荐系统开发技术，以根据分析师的响应情况和反馈排序来显示高价值目标。该系统将获取动态级别的多情报数据，并向用户提供高价值目标排序，用户可据此重新排序，并在预算时间内向系统提供反馈。评估指标应包括精度、召回率、收敛时间和高价值目标推荐速度等。 （2）传感器资源管理和数据融合 在当前实现大规模移动目标指示和大规模跟踪（空中、海面和地面移动目标）的作战需求的推动下，自主传感网格开发（ASX）旨在开发和演示跨越传感网格的自主多传感器资源管理和数据融合方法，以改善跟踪监管并提高态势感知。这包括开展关键任务应用研究，以更有效地编排、汇集和融合跨传感器的数据，从而改善跟踪监管，以发现/定位/跟踪具有挑战性的目标。 鉴于传感器的分布式特性、不同的时间尺度以及数据开发的异构性，自主控制传感网格极具挑战性。该项目将寻求闭环分布式传感器网络管理和数据融合。应优先选用成熟的跟踪能力来支持本地、分布式和边缘跟踪，执行传感器到跟踪轨迹和轨迹到轨迹的融合。空军寻求通过以下研究领域研发传感器资源管理方法：
3.3 公开信息集成融合 公开信息集成融合将解决公开信息和商业可用信息分析和多源融合所面临的关键挑战。其中，多源融合不仅涉及公开信息和商业可用信息，还包括与传统情报来源相结合，从而为分析师提供高性能、高精度和易于调整的工具，以便对感兴趣的实体、团体和事件进行威胁评估、解释和预测。该研究领域将支持最先进技术的设计和实施，以实现大规模、不同数据源的数据对齐，并创建分析模型来评估公开信息/商业可用信息中发生的“战术”现象。该研究领域具体包括准确性分析和多模态数据融合。 公开信息集成融合将利用公开信息固有的及时性、快节奏来开发一个系统，同时审查这些公开信息的来源，并与图像情报等传统情报来源进行外部验证，以确保信息的准确性。该研究领域将提高威胁预测的准确性、主题的广度和证据支撑的深度。 （1）准确性分析 该领域的目标是建立并规范评估公开信息真实性的方法，以便以最佳方式整合不同准确度或真实性水平的来源。与以前的方法相比，这将通过识别不一致、偏见、虚假信息和故意传播虚假信息来提高公开信息分析的准确性，例如威胁检测。该重点领域将通过分析来源准确性，使用外部信息进行佐证，从而提高公开信息的实用性和可访问性。准确性分析方法将从多个来源和模式评估公开信息，并为检测到的威胁事件提供置信度评分。该研究领域还包括对故意传播虚假信息（包括深度造假）进行检测、归因和特征描述。 （2）多模态融合 当前的分析方法并未整合所有潜在的可用信息源，即公开信息和传统情报源。这导致对实体的意图、能力和活动的了解有限。此外，公开信息的多模态融合和威胁检测方法是临时的，且聚焦于狭窄的兴趣领域，例如动乱。公开信息数据集高度异构，覆盖区域复杂、重叠，准确性和可信度各异。个别来源可能存在偏差或局限性，但是当作为一个整体并与传统情报来源融合时，可以深入描述威胁特征。该领域旨在将从多源、多模态公开信息中检测出的不同置信度的威胁事件与传统情报数据源相融合。这与传统的多情报融合问题不同。虽然来自硬传感器的数据在时间和空间上非常准确，但公开信息可能缺乏有关位置、时间等的具体信息。感兴趣的公开信息来源包括新闻、论坛、社交媒体、附属遥测数据（CTD）、商业图像和物联网（IoT）设备信息等。 |
|
|
来自： Sevenv55biecss > 《js10》
