美军认知电子战关键技术发展方向分析

传统的电子战系统探测到感兴趣的敌方雷达或无线电信号后，会将其与系统威胁库中的已知信号进行匹配识别。一旦信号被识别，干扰机会立即选择一个预先加载的对抗算法并发射干扰信号，从而对特定的雷达和无线电接收机实现干扰或欺骗。

随着认知雷达和认知无线电应用的发展，这些用频设备使用不断变化的新波形来应对环境变化，导致传统的电子战系统无法实现对敌方信号的准确认知及干扰算法的最优匹配，同时复杂电磁环境中存在着各类密集信号或新信号可能会掩盖敌方信号。因此，传统电子战面临对新威胁感知难度大、目标自主感知与应变能力强及对抗组网信息系统难度大等挑战。

对此，美军提出了认知电子战概念，通过先验知识及自主交互学习来感知并改变周围局部电磁环境能力的智能、动态的闭环系统，可基于对电磁环境快速变化的实时感知来高效地调整接收以及干扰方式，提高系统的适应性与可靠性。认知电子战改变了传统电子战因为“人在回路”导致的环境适应能力、效能评估能力及实时性和灵活性等能力缺陷，实现电子战从“人工认知”向“机器认知”的升级，而基于静态数据库的模式将转向基于快速机器学习的认知电子战架构，以响应敌方不断发展带来的需求。

在上述背景下，以人工智能为特色的美军电子战项目推进与技术突破得到了快速发展，相关成果也逐步公开。现有文献主要围绕美军认知电子战项目、体系架构或是结合群体智能、马赛克战等具体方向的分析 。为了更体系化地理解美军认知电子战的研究情况，特别是其关键技术的研究方向与突破情况，本文从美高校、智库、军事机构、厂商 4 个不同角度，从样本、智能模型、安全与测评、平台与应用等多个维度进行了梳理和分析。美军认知电子战的关键技术方向如图 1 所示。下文依次展开进行了分析，并在最后对其发展思路和启示进行了梳理和总结。

此外，该校还开展了信号类型开集识别方法研究， 并 对 4G、5G 上 下 行 信 号、Wi-Fi 6、 蓝 牙、NB-IoT 及多种调制方式的信号制式进行了训练与开集验证 ，利用极化信息与阵列天线进行多目标定位与聚类，以及基于通用学习（Universal Learning）的雷达跟踪波形选择 。

1.2 　约翰霍普金斯大学

约翰霍普金斯大学应用物理实验室（Applied Physics Laboratory，APL）是美军网络安全、认知电子战等研究领域的总体单位。2020—2021 年，前美国海军情报官员、APL 实验室研究人员 J. Micheal Dahm 结合各类图像情报进行分析后，发布了涉及短波通信、岛间通信、水下光缆、卫星通信、雷达、电子战与情报等方面的南海军事能力系列分析报告。

2017 年，DARPA 频 谱 协 作 挑 战（Spectrum Collaboration Challenge，SC2）项目“斗兽场”在该实验室建立并启用了世界最大的射频模拟实验平台，可模拟数百台无线通信设备的实时交互，包括手机、军用电台、物联网设备等 ，支撑了频谱智能感知和决策工具的开发。

该实验室的 Kyle A. Casterline 等研究人员还对标自适应电子战行为学习（Behavioral Learning for Adaptive Electronic Warfare，BLADE）和自适应雷达对抗（Adaptive Radar Countermeasures，ARC）等项目，认为美军对雷达与通信系统的捷变分析挑战已有大量研究基础，侧重研究了辐射源识别与电子战资源分配相关的机器学习技术，并提出几个新的突破方向：一是除自动调制识别外，结合带宽、中心频率、脉冲重复间隔、到达角等更多参数进行分析；二是对新观察到的调制类型或辐射源模式进行识别和解释，面向这些被称为“软件定义的威胁”目标，实现机器速度下的快速识别与表征，结合特征学习、无监督学习等解决模型泛化、开集识别问题；三是提升电子战的自主作战能力，通过智能体并根据对手波形的贝叶斯假设采取干扰动作，并扩展到由协同电子战平台组成的多智能体环境 。

1.3　东北大学

在 DARPA 支持下，美国东北大学无线物联网研究所较早就参与了射频机器学习系统（Radio Frequency Machine Learning Systems，RFMLS）等项目，主要开展基于深度学习的辐射源个体识别研究，并帮助 DARPA 建立了专用数据集，以及 IEEE 802.11 a/g（Wi-Fi）开源数据集 。其关键技术突破方向主要包括辐射源指纹机理分析、个体识别深度学习算法优化、无线信道对射频指纹的影响分析等。该实验室在全波暗室、真实环境及线缆直连等环境下进行了多种测试，收集了 20 个具有相同射频电路的无线设备并构建了 7 TB 的实验数据集。同时，对 DARPA 提供的 400 GB 的数据集（上万台 Wi-Fi 和 ADS-B 的信号）进行了分析。此外，东北大学还开展了无线信道对基于卷积神经网络（Convolutional Neural Network，CNN）的射频指纹识别算法的影响的首次评估。实验结果表明，无线信道会显著影响分类精度，当设备数量增加时精度会随之降低，而对 I/Q 数据进行均衡可以提高精度。

1.4　其他高校

从 MILCOM 近年在认知电子战领域的论文来看，除信号智能识别外，智能算法对抗也成为研究的热点。例如，亚利桑那大学提出了面向基于深度神经网络的智能干扰，并针对 5 GHz UNII 共享频段的多类信号进行了测试验证。虽然 4 种深度学习模型在“良性”噪声下具有较高分类准确率，但在攻击者知晓防御者的模型网络参数、训练集的“白盒”攻击下，即使接收信噪比高，也能通过快速梯度符号攻击（Fast Gradient Sign Method，FGSM）来产生对抗扰动，以显著降低其识别准确率。在更接近真实的场景下，即攻击者对防御者的分类器只有有限知识，在加性高斯白噪声（Additive White　Gaussian Noise，AWGN）信道和相同信噪比（Signal to Noise Ratio，SNR）条件下，对抗扰动攻击也能够大大降低分类准确率。圣迭戈州立大学则采用强化学习提出了抵抗卫星通信智能干扰的防御策略，在攻击者策略和攻击模型等信息不完备的条件下，Q 学习也能达到较好的性能。

伊利诺伊大学和乔治梅森大学联合分析了基于GPU 和卷积神经网络进行智能识别时，处理时延与模型参数配置的关系，并构建了混合的时延模型来评估和解释卷积神经网络，最后使用 ResNet50 V2和 Inception V3 和多种 GPU 进行了验证。采用这种方法可以更准确地预计不同参数配置时的智能识别处理时延，从而能更全面地开发已有的系统资源。

乔 治 梅 森 大 学 还 率 先 开 展 了 60 GHz 毫 米 波IEEE 802.11ad 设备识别，结合被测设备 SNR 时空轨迹（隐含了辐射源位置和指纹信息），使用机器学习进行身份仿冒等欺骗攻击检测，并使用 GAN 来生成并补充训练用正样本和负样本，提升分类能力 。

此外，《在电磁频谱中智胜敏捷对手》报告还认为，美空军应在近期采取几个步骤，逐步改进结构性问题，以维持其优势地位，包括：根据现有的EWIR 流程，力求进一步实现自动化；重新设计软件和硬件的开发流程，加快使 EWIR 能力趋于实战化，发展和维护未来的自主学习能力；实现配套的电子战能力建设，不断探索认知电子战能力。

2.2　战略与预算评估中心

美战略与预算评估中心（Center for Strategic and Budgetary Assessments，CSBA）在《赢得不可见战争：如何保持美国在电磁频谱上的优势》报告中提出了关于电磁频谱机动作战的发展建议 ，包括：更多地采用被动感知与多站感知；把电磁频谱也视作与海陆空天网同等的一个作战域，把信息视作在电磁频谱或网络域上移动的内容；在防止被敌方定位、识别与瞄准的同时，增强干扰机、诱饵等的破坏能力和引导物理攻击的能力；更多地采用网络化的电子战、电磁频谱作战系统及电磁频谱管理能力，提升协调能力并减少自身电磁频谱冲突；提升电磁支援能力，实现低截获、低检测特性，提升电子战效率，减少协调所需的通信量；提升认知电磁频谱能力，在规划建设的电子战系统中更多地采用自适应与认知算法，对敌方行为进行自适应响应，加快认知电子战相关项目研发，建立测试流程和数据管理流程；解决标准与安全中的互操作性挑战。此外，该报告建议结合真实事件的虚拟化来建设训练靶场和进行电子战训练，增强作战理念开发、战术创新与精通式训练。

该机构还在《马赛克战：采用人工智能与自主系统来实现决策中心战》报告中指出，为避免敌方针对己方开展指控与感知能力的饱和式、集中式攻击，需要采用军力可灵活组合的马赛克作战方式来提升网络适应性和弹性，以应对敌方攻击的复杂性和不确定性 。在军力分散但又要提升有效决策的条件下，需要更多地采用自主系统来支持分布式任务指控，并使用人工智能来辅助决策。

2.3 　国会研究服务部

美国国会研究服务部（Congressional Research Service，CRS）是为美国会提供军事预算等政策咨询的智库。其在《美国防部电磁频谱使用概述》报告中指出，基于人工智能的使用主要包括两个方面：一是基于人工智能的认知电子战系统，二是人工智能使能的动态频谱共享 [33]。前者主要用于识别新的电磁辐射，判断辐射源是否来自敌方，以及开发对应的有效的干扰信号，因此美军认为电子战平台需要具备对未来战场的未知信号的实时判决能力，以及需要利用算力优势来提升电子欺骗能力，采用数字射频存储（Digital Radio Frequency Memory）等欺骗信号来复杂化敌方瞄准等。例如，DARPA 发起的频谱合作挑战赛，目标是确保指数化增长的无线设备能具有完全接入到拥挤的电磁频谱的机会，因此使用 AI 和机器学习算法来开发动态频谱共享选项，实现自主协调频谱使用。

3.2　陆　军

美国陆军在 AFC 71-20-8《陆军未来指挥理念：网络空间与电磁作战 2028》围绕网络与电磁攻防指出了美陆军需要重点发展的基础研究、先进技术和创新突破 。其中，基础研究体现在大数据分析、人工智能与机器学习、综合电磁战（Integrated EW）、网络空间态势理解、软硬件融合、自主主动网络空间防御、电磁防御与电磁伪装；先进技术体现在自主认知射频、量子数据处理、极端射频条件下的通信；创新突破方面则提出了 34 项具体技术需求，重点强调了网络化电磁战的融合思路，如结合分布式感知、高安全通信、情景感知、可重构、组网计算、行为预测、人与 AI 融合决策、可视化技术等。

美国陆军研究实验室和伊利诺伊大学共同研究了基于半监督调制识别的自对比学习，通过使用自监督的对比学习预训练来有效利用无标签数据，因此只需要少量标签就能够实现更高性能，大大减少了深度学习所需的标注工作量 。

美国陆军研究实验室还提出了结合卷积神经网络和自编码器进行电磁射线跟踪的方法，以支撑实现快速的信号传播建模仿真，有利于军事任务规划、通信及电子战资产部署，特别是在城市这种反射较多的复杂场景，能够预测较为复杂的空间交互 。

3.3　空　军

美空军技术学院系统性提出了基于卷积神经网络的射频指纹鲁棒学习方法，考虑到无线设备具有在多个频点工作的跨信道特性，研究了频率信道对指纹识别结果的影响及各类深度学习方法的迁移能力，分析了不同频率信道组合的融合学习对提升射频指纹识别鲁棒性的效能。此外，对于合作式的无线设备，提出了通过解调解码后再重新进行编码调制的复原，构建有指纹和无指纹信号，并通过卷积神经网络来对比分析射频指纹。

美空军研究实验室资助的某个项目考虑到基于信号特征难以识别针对无线通信的新的网络攻击，基于 IQ 数据和译码后的网络流量数据进行多模态融合分析，从而检测异常无线网络传输 [40]。该项目针对 Zigbee 进行了 5 种有监督机器学习算法的验证，可以提取持续时间、接收包数、包大小等网络流特征，并可以通过重放攻击和发射机伪装欺骗来构建异常样本。

空军研究实验室还提出了利用可解释性好的信息量（informativeness）参数特征来衡量多维度数据，以评估经过短时傅里叶变换后的时频信号数据集样本的同质性，还可以基于样本间的相关性来评估同一传感器采集的数据样本质量和复杂度，以及不同传感器的一致性。

3.4　海　军

美海军研究生院针对脉冲通信等非传统通信方式，使用连续小波变换后的脉冲信号小波尺度图进行卷积神经网络深度学习，在有噪声的军事通信信道环境下进行脉冲信号检测和 0-1 比特识别，可以快速并有效地识别出信号的微小变化，提升对脉冲信号的检测能力 。

美海军研究生院还针对雷达探测系统在相同尺寸飞行目标时的区分问题，如小型无人机与鸟类等的区分，基于安杜瑞尔（Anduril）工业公司提供的不同环境下的鸟类和无人机雷达轨迹数据，探索时空轨迹数据中的隐藏结构，开发无监督和监督学习模型，提高模型在动态变化环境条件下的鲁棒性。此外，针对在新环境下对原模型的系统校准难题，该机构提出了模型稳健性迭代的修改方法，取得了边际改善，并同时指出：需要更多地收集雷达轨迹数据特征以捕捉类型差异，并评估标注数据集在有监督、半监督时所需的样本数量；需要更多地考虑雷达数据与光学、RF 传感器数据的融合，并评估环境对飞行行为样式等的影响；需要提升不同类型无人机或鸟类的细分类方法等。

美国海军学院基于在 9 个城镇采集的 368 000条电磁传播测量数据，通过机器学习对传播距离路径、接收端地形等工程化特征进行提取，从而优化传播模型并提高预测能力。通过把运动中的接收端采集到的实际信号测量结果与 ITM、eHata 及自由空间传播模型计算结果进行比对，发现了不同地区的不同关键特征，并可用于提升模型性能。

3.5　测评机构

美国国防部作战试验鉴定年度报告（DOT&E）2020 年报指出，随着越来越多的人工智能与机器学习技术被使用，需要提供完整的新的评估工具和方法，而其旗下的测试资源管理中心（Test Resources Management Center，TRMC）虽然提出了 1 000 万美元的测试工具预算，计划用于对基于 AI 的数据融合算法进行测试，但因为市场缺少有效的工具选项，该资金被用于其他项目。

BAE 系统公司还承担了 F-35 的电子战系统研制，其对认知电子战有较为深刻的认识，正在将认知电子战整合到多个平台上，还提出了一个可扩展的框架，支持集成第三方算法。BAE 认为，当前认知电子战主要面临的难题是在发现无法识别的威胁信号时如何智能应对，并根据需求场景、处理时延，提出了 4 个级别的智能应用：第 1 级是最快的响应环路，在传感器级做出微秒级响应；第 2 级是秒级时延内解释信号或是处理来自同一平台上其他设备的信息，以不断更新决策；第 3 级是电磁作战管理，处理任务内多个平台的共享数据，并分发结果；第4 级是耗时最长的离线处理，即把在任务中遇到的信号进行存储，并将数据带回基地进行深度机器学习与研判，当发现新的信号时，提出智能识别算法和电子战对策，以便在未来的任务中进行应用并消除对应威胁 。

4.2　其  他

雷神公司针对数据采集受限于作战人员，数据融合、推理、分析受限于指挥人员，以及分析人员面对大数据量时的认知限制，提出了把相应任务负担转移给机器的 TAK-ML 架构，以实现机器速度的采集、融合与学习。

柯林斯公司在传统跳频、波束化等低检测、低截获安全手段的基础上，提出了基于随机化 RF 信号印迹的方式，不用修改空口，只基于软件实现对天线单元的功率谱分配，以防止敌方定位战术 5G发射节点。此外验证了基于辐射源多输入多输出（Multiple-Input Multi-Output，MIMO）天线的新方法对发射节点位置评估的不确定性的增强，从而能减少敌方定向干扰的效能 。

Peraton Labs 公 司 基 于 深 延 迟 回 路 储 存 计 算（Deepdelay Loop Reservoir Computing，DLR） 构 建了时序信号样本的低功耗、高准确率分类器，实现了基于现场可编程逻辑阵列（Field ProgrammableGate Array，FPGA）片上系统的演示平台，且具备现场训练能力。该公司在 DARPA 项目的资助下构建了基于分布式 DLR（D-DLR）的射频指纹训练与识别平台，支持多个辐射源数据集中对象无重叠与有重叠两种情况。此外，该公司对 20 个 Wi-Fi 设备进行了分布式个体识别测试验证，结果表明，相比本地运算，分布式方法只需要增加少量的计算与通信开销，且能够保持较高的识别准确率。

L3 Harris 公司针对基于电台接收机端信号的信噪比进行预测和基于提取的短波信令内容进行预测这两种短波信道预测方法，基于机器学习进行 模 型 训 练， 并 针 对 自 动 建 链（Automatic Link Establishment，ALE）波形，验证了其提出的用于信道预测的混合训练模型和混合推理模型 。

表 1　认知电子战技术方向与应对思路

与其他军事领域的发展方向类似，美军认知电子战也需要重点解决数据、模型算法等问题，包括改进神经网络架构，优化训练算法，提高模型泛化能力，解决数据不足和过拟合等问题。笔者从以上分析中得到的启示如下文所述。

（1）提升数据整合能力。数据是算法模型的基础，需要尽可能获取相应领域的足够数据并进行标注，有利于快速得到更优化的算法。分类构建辐射源射频指纹数据集，构建完善的真实信号、未知信号采集分析流程，同步推动数据计划、云计划来提升数据的标准化采集、网络共享与获取能力。

（2）构建与优化智能模型。智能模型主要围绕快速变化的信号及其行为来构建，并以智能方式来支撑决策，对操作人员、决策人员提供强力辅助。智能模型优化的主要目的是提升目标识别的准确率、模拟生成的逼真度及不同环境或数据集间的迁移性。

（3）发展智能软硬件平台。面向信号识别的智能软件平台主要针对对未知信号识别的快速响应支持。在硬件能力提升上，基于 FPGA 的高速实时性、片上系统高集成性与边缘计算低功耗性，来实现典型模型。此外，还利用 GPU 平台的通用性和并行计算优势来升级训练大数据、大模型平台，并采用FPGA+GPU 等架构来综合提升实时性与准确率。