李 琨，姜典辰

(1.中國西南電子技術(shù)研究所，成都 610036；2.中國電子科學研究院,北京 100041;3.中國電科發(fā)展戰(zhàn)略研究中心,北京 100043)

0 引 言

人工智能在軍事領(lǐng)域的創(chuàng)新應(yīng)用帶來了戰(zhàn)場態(tài)勢感知和決策能力的不斷增強，智能化戰(zhàn)場裝備日趨成為實施聯(lián)合全域作戰(zhàn)的關(guān)鍵使能因素。近年來，圍繞戰(zhàn)場智能感知、智能分析和輔助決策，以及自主行動過程等要素，各軍事大國加速推進以先進傳感器、機器學習、移動寬帶、邊緣計算為核心特征的新技術(shù)應(yīng)用研究，依托新一代通信手段和智能組網(wǎng)技術(shù)，大力開展各作戰(zhàn)單元和作戰(zhàn)要素網(wǎng)絡(luò)化、一體化、自主化建設(shè)，加緊構(gòu)建支持多域作戰(zhàn)的戰(zhàn)場全維智能感知體系，以搶占未來智能化戰(zhàn)場的制高點。在這一趨勢下，美陸軍率先發(fā)展了以機器學習、深度融合、智能感知技術(shù)應(yīng)用為核心的“戰(zhàn)場物聯(lián)網(wǎng)”(Internet of Battlefield Things,IoBT)，力圖將人工智能應(yīng)用推向未來戰(zhàn)場前沿[1]。其構(gòu)想是，在復雜多樣、干擾對抗、高作戰(zhàn)節(jié)奏和極度動態(tài)的戰(zhàn)場邊緣環(huán)境下，依托敏捷、智能化、自適應(yīng)的人-多智能體組網(wǎng)系統(tǒng)，通過不斷感知、識別和快速利用新出現(xiàn)的優(yōu)勢窗口，持續(xù)對作戰(zhàn)進行規(guī)劃、準備、執(zhí)行與評估，提供實時分析和決策支持功能，加速多域融合，使各種能力產(chǎn)生快速效應(yīng)，形成比對手更快的感知-判斷-決策-行動(Observe-Orient-Decide-Act,OODA)周期速度，支持聯(lián)合全域指揮控制(Joint All-Domain Command and Control,JADC2)，從而構(gòu)成非對稱優(yōu)勢[2]。

然而，由于戰(zhàn)場邊緣的固有特性，在邊緣環(huán)境下往往伴隨著通信、網(wǎng)絡(luò)和處理能力的下降，因此很難利用現(xiàn)有云計算和網(wǎng)絡(luò)架構(gòu)為戰(zhàn)場物聯(lián)網(wǎng)的邊緣智能應(yīng)用提供支撐，尤其是在如何縮短感知到效應(yīng)的時間、增強網(wǎng)絡(luò)的安全性和韌性，以及提升邊緣智能處理能力等方面，仍然面臨巨大的挑戰(zhàn)。

針對這一問題，美陸軍研究實驗室(Army Research Laboratory,ARL)與卡耐基梅隆大學等多家研究機構(gòu)合作，建立了軍、校、企三方合作研究聯(lián)盟(Collaborative Research Alliance,CRA)，致力于未來聯(lián)合全域作戰(zhàn)邊緣智能應(yīng)用方面的創(chuàng)新研究工作，持續(xù)對智能目標驅(qū)動網(wǎng)絡(luò)、機器學習、分布式人工智能架構(gòu)等進行深入探究，并取得了一系列成果[3]。研究表明，采用分布式邊緣智能處理架構(gòu)和異構(gòu)資源融合方案，將分布式人工智能、對抗環(huán)境下的機器學習、韌性組網(wǎng)等邊緣智能技術(shù)應(yīng)用到戰(zhàn)場物聯(lián)網(wǎng)系統(tǒng)中，能夠為云計算減輕負擔，有助于解決通信連接降級、延時長、安全性差、易受攻擊等問題，是支持未來決策優(yōu)勢的關(guān)鍵因素。

1 戰(zhàn)場邊緣特性及智能化需求

1.1 戰(zhàn)場邊緣的定義和特性

戰(zhàn)場邊緣可以從用戶角度和技術(shù)角度來定義[4]：

(1)從用戶角度來看，戰(zhàn)場邊緣是指距離戰(zhàn)術(shù)前沿的“最后一英里”作戰(zhàn)范圍，其用戶主要是部署在前沿位置并直接參與執(zhí)行邊緣任務(wù)的各類作戰(zhàn)單位，包括單兵、小型移動組群，移動作戰(zhàn)中心以及固定作戰(zhàn)中心。

(2)從技術(shù)角度來看，戰(zhàn)場邊緣是指在這一特定環(huán)境下，作戰(zhàn)裝備會受到特定因素限制(如通信連接或存儲可用性受限等)，呈現(xiàn)出某種程度上的操作能力或技術(shù)性能降級或受限特性，主要體現(xiàn)在網(wǎng)絡(luò)連通性、資源可用性、信息保障以及用戶界面等四個方面的性能降低或受限。

基于對網(wǎng)絡(luò)連接時間的百分比、在給定時段內(nèi)網(wǎng)絡(luò)收發(fā)的數(shù)據(jù)量、數(shù)據(jù)包傳輸所需的時間，以及物理硬件資源、計算處理能力等指標的綜合考量，戰(zhàn)場邊緣主要特性體現(xiàn)為網(wǎng)絡(luò)連通性差，數(shù)據(jù)處理和存儲的可用資源有限，信息安全面臨更大的風險，用戶界面和系統(tǒng)設(shè)計具有更大難度,等。

1.2 邊緣智能需求

1.2.1 任務(wù)能力需求

(1)縮短感知與效應(yīng)之間的時間[5]。要利用邊緣智能實現(xiàn)態(tài)勢感知和決策優(yōu)勢，就必須以一種適當?shù)乃俣冗\行，這種速度應(yīng)與對手的人工智能能力和不斷變化的戰(zhàn)術(shù)相匹配。當前最重要的是需要及時檢測到傳感器的細微變化并作出響應(yīng)。

(2)安全、韌性網(wǎng)絡(luò)和信息獲取、傳輸和處理[6]。一是需要韌性的信息獲取和處理，能夠承受在通信無連接、斷續(xù)連接和低帶寬(Disconnected,Intermittent & Limited,DIL)、信息源丟失以及惡意數(shù)據(jù)輸入等情況下及不確定數(shù)據(jù)環(huán)境下的態(tài)勢理解。二是需要韌性目標驅(qū)動網(wǎng)絡(luò)，即具有靈活的拓撲自適應(yīng)性，即使在出現(xiàn)中斷和攻擊的情況下，也能從故障、攻擊和瓶頸中恢復，繼續(xù)達成其任務(wù)目標。三是需要開發(fā)支持高可靠自適應(yīng)和自感知學習系統(tǒng)的方法模型，應(yīng)對惡意輸入的網(wǎng)絡(luò)攻擊，評估惡意輸入操控發(fā)生的可能性。

(3)分布式信息協(xié)同和交互[7]。需要能夠在不同設(shè)備組成的異構(gòu)網(wǎng)絡(luò)上運行的新的分布式學習系統(tǒng)和算法，且能夠?qū)Σ粩嘧兓木W(wǎng)絡(luò)連接表現(xiàn)出彈性。在網(wǎng)絡(luò)碎片化的極端情況下，系統(tǒng)能夠繼續(xù)學習并根據(jù)其碎片內(nèi)的可用資源做出最佳預測，這是一項關(guān)鍵需求。

1.2.2 系統(tǒng)設(shè)計需求

在系統(tǒng)設(shè)計上，考慮到邊緣智能系統(tǒng)的計算、存儲、處理、能耗等戰(zhàn)場邊緣特殊應(yīng)用特點，需要提高戰(zhàn)場邊緣組網(wǎng)和計算的性能、運行速度和機動性，滿足時延率低、能耗量小、精確度高和安全可靠的關(guān)鍵需求，為邊緣用戶提供高效、便捷、適用的戰(zhàn)場邊緣智能服務(wù)。

(1)DIL環(huán)境下的邊緣數(shù)據(jù)處理和存儲能力[8]。在戰(zhàn)場邊緣環(huán)境下，需要利用新的軟、硬件技術(shù)和架構(gòu)方式，以本地方式生成并處理任務(wù)關(guān)鍵型數(shù)據(jù)，并在無法訪問云的情況下確保其持續(xù)可用，同時在恢復連接后立即實現(xiàn)數(shù)據(jù)同步，將信息資源傳輸?shù)綉?zhàn)術(shù)網(wǎng)邊緣，實現(xiàn)云邊協(xié)同，獲得戰(zhàn)場邊緣的態(tài)勢感知和決策優(yōu)勢。

(2)瞬態(tài)自適應(yīng)邊緣計算能力[9]。傳統(tǒng)的容錯機制并不適合瞬態(tài)處理，需要開發(fā)新的瞬態(tài)計算模型，建立一種高效的瞬態(tài)機制，用于分析瞬態(tài)性對應(yīng)用工作負載的影響，用于處理戰(zhàn)場背景下出現(xiàn)的不同瞬態(tài)場景，即處理和恢復戰(zhàn)場邊緣環(huán)境下未預料的、動態(tài)的、頻發(fā)的瞬態(tài)狀況。

(3)優(yōu)化的體積、重量、功耗(Size,Weight and Power,SWaP)和操作界面[10]。便攜性是戰(zhàn)場邊緣用戶、尤其是單兵應(yīng)用的重要考慮因素，因此減小設(shè)備的體積重量對于戰(zhàn)場邊緣應(yīng)用至關(guān)重要。另外，邊緣智能設(shè)備必須具備用戶友好特性，滿足遠程環(huán)境當中非技術(shù)用戶的操作需要。在發(fā)生故障的情況下，作戰(zhàn)人員能夠在戰(zhàn)場輕松更換單元，以實現(xiàn)操作的連續(xù)性。

2 戰(zhàn)場物聯(lián)網(wǎng)邊緣智能發(fā)展現(xiàn)狀

2.1 研究目的

作為戰(zhàn)場邊緣智能化發(fā)展的重要內(nèi)容，美陸軍研究實驗室于2017年提出了戰(zhàn)場物聯(lián)網(wǎng)概念[11]，旨在開發(fā)一種基于自適應(yīng)異構(gòu)傳感器和目標驅(qū)動的泛在網(wǎng)絡(luò)，增強戰(zhàn)場邊緣士兵和指揮控制系統(tǒng)的自主迅捷信息分析能力，對抗敵方對戰(zhàn)場空間的影響和控制，加速感知-決策周期過程。

戰(zhàn)場物聯(lián)網(wǎng)的主要作用是，通過一種異構(gòu)傳感器組成的智能網(wǎng)狀網(wǎng)，將來自所有域——陸、海、空、太空和網(wǎng)絡(luò)空間的傳感器連接起來，使各種數(shù)據(jù)匯集到一個實時的、“可共享的數(shù)據(jù)湖”[12]，并利用人工智能軟件、數(shù)據(jù)庫、處理器和算法，將傳感器信息轉(zhuǎn)化為可識別的、優(yōu)先的目標，從而迅速將最佳的“效應(yīng)器”投射至目標或與目標關(guān)聯(lián)起來，以快速調(diào)用相應(yīng)單位/能力(包括動能、網(wǎng)絡(luò)、電子戰(zhàn)或信息作戰(zhàn)等)產(chǎn)生最佳效應(yīng)，從而在大國沖突的快速作戰(zhàn)節(jié)奏下，使己方獲取決策上的優(yōu)勢。

2.2 研究進展

戰(zhàn)場物聯(lián)網(wǎng)系統(tǒng)是一個新興的跨學科領(lǐng)域。2017年3月，美陸軍研究實驗室啟動“戰(zhàn)場物聯(lián)網(wǎng)合作研究聯(lián)盟”(Internet of Battlefield Things Collaborative Research Alliance,IoBT CRA)項目[13]，通過開展軍方與校企研究團隊合作，構(gòu)建新的戰(zhàn)場物聯(lián)網(wǎng)技術(shù)研發(fā)模式，以推進專用于未來戰(zhàn)場邊緣智能應(yīng)用，主要聚焦四大領(lǐng)域：目標驅(qū)動異構(gòu)IoBT的搜索組合和適用性研究；支持智能服務(wù)的IoBT自主性研究；分布式異步處理與“物”分析；網(wǎng)絡(luò)空間的物理安全研究。IoBT項目近期主要進展如圖1所示。

圖1 美陸軍戰(zhàn)場物互聯(lián)網(wǎng)(IoBT)近期進展時間軸

在智能目標驅(qū)動網(wǎng)絡(luò)方面，美陸軍開展了戰(zhàn)場物聯(lián)網(wǎng)智能目標驅(qū)動網(wǎng)絡(luò)演進研究(Internet of Battlefield Things Research on Evolving Intelligent Goal-driven Network,IoBT REIGN)[14]，以構(gòu)建戰(zhàn)場環(huán)境下各種“物”廣泛連通性技術(shù)基礎(chǔ)；研究了軍用物聯(lián)網(wǎng)架構(gòu)與商用軟硬件相結(jié)合，使商用物聯(lián)網(wǎng)設(shè)備資源能夠整合到更大的軍用指控系統(tǒng)中，為戰(zhàn)術(shù)作戰(zhàn)中心的態(tài)勢感知及決策支持能力提供支持，并展示了其“利用遠程廣域網(wǎng)(Long Range Wide Area Network,LoRaWAN)支持城市環(huán)境中的戰(zhàn)場物聯(lián)網(wǎng)”研究成果[15]。

在智能自主性方面，針對多域作戰(zhàn)環(huán)境的復雜性、動態(tài)性和對抗性，美陸軍提出了一種神經(jīng)網(wǎng)絡(luò)處理的新框架[16]，使人工智能能夠更好地判斷敵對環(huán)境中的對象和潛在威脅，有助于在現(xiàn)代戰(zhàn)場上實現(xiàn)對復雜、智能、泛在系統(tǒng)的指揮和控制，得出更準確的判斷和結(jié)論。

在分布式智能處理方面，美陸軍開發(fā)出一種基于人工智能的霧計算平臺[17]，以實現(xiàn)異構(gòu)戰(zhàn)術(shù)環(huán)境下的分布式處理(Distributed Processing in Heterogeneous Tactical Environment,DPHTE)，支持戰(zhàn)場物聯(lián)網(wǎng)的廣泛異構(gòu)數(shù)據(jù)分析和管理；同時開發(fā)出一種深度壓縮卸載的新方法[18]，以加速人工智能處理和決策過程；大力推進分布式虛擬試驗場(Distributed Virtual Proving Ground,DVPG)項目[19]，以促進異構(gòu)資源快速融合，為構(gòu)建未來分布式環(huán)境提供支持。

在網(wǎng)絡(luò)空間安全和韌性方面，圍繞戰(zhàn)場物聯(lián)網(wǎng)人工智能和機器學習在多域作戰(zhàn)中的應(yīng)用[20]，美陸軍對復雜環(huán)境下的自主智能網(wǎng)絡(luò)防御、對抗性機器學習和推理模型等相關(guān)領(lǐng)域進行了探討，提出了基于博弈論原理的響應(yīng)系統(tǒng)、復雜場景機動多智能體規(guī)劃、多智能體對抗環(huán)境下的分布式分層強化學習等發(fā)展思路和方案。

3 典型方案

近期美陸軍發(fā)展的邊緣處理和數(shù)據(jù)傳輸架構(gòu)、分布式虛擬試驗場項目是戰(zhàn)場物聯(lián)網(wǎng)邊緣智能應(yīng)用的兩種典型方案，下面對此進行具體介紹。

3.1 邊緣智能處理架構(gòu)

邊緣處理和數(shù)據(jù)傳輸架構(gòu)是一種新的邊緣智能處理綜合架構(gòu)方案。與傳統(tǒng)的單一集中式人工智能架構(gòu)相比，該架構(gòu)結(jié)合了分布式人工智能架構(gòu)，作為算法編排或組合的一部分來增強邊緣處理和傳輸能力，旨在縮短從傳感器到效應(yīng)的時間，從而實現(xiàn)決策優(yōu)勢。

如圖2所示，該架構(gòu)方案整合了大型綜合作戰(zhàn)中心與邊緣節(jié)點、邊緣設(shè)備中的各種人工智能能力，將分布式人工智能的快速性和靈活性與集中式人工智能的計算能力和廣度相融合，以解決在不同戰(zhàn)場地理區(qū)域進行數(shù)據(jù)處理和決策支持的問題。

圖2 戰(zhàn)場邊緣處理和數(shù)據(jù)傳輸架構(gòu)

(1)在戰(zhàn)術(shù)支持和前沿區(qū)域，電子干擾對抗更強，作戰(zhàn)環(huán)境更加苛刻，可用的存儲設(shè)備更少，且計算能力更加受限，可使用分布式邊緣智能設(shè)備進行本地數(shù)據(jù)搜集和自主處理，支持本地快速決策；各邊緣設(shè)備之間以及它們與分散在戰(zhàn)術(shù)支持區(qū)域中的各邊緣節(jié)點之間都可共享數(shù)據(jù)和模型，為邊緣戰(zhàn)術(shù)任務(wù)提供支持。

(2)在戰(zhàn)術(shù)支持區(qū)域及其鄰近的作戰(zhàn)支持區(qū)域，可在各邊緣節(jié)點部署分布式人工智能系統(tǒng)，進行實時數(shù)據(jù)處理、緩存和分發(fā)，各節(jié)點智能系統(tǒng)可與位于前沿作戰(zhàn)基地(或主戰(zhàn)基地)的同層級邊緣節(jié)點以及位于作戰(zhàn)支持區(qū)域的更高層級節(jié)點共享通用作戰(zhàn)圖；各邊緣節(jié)點可以訪問大型綜合作戰(zhàn)中心或云級的處理和存儲，為作戰(zhàn)任務(wù)提供支持。

(3)在戰(zhàn)略支援區(qū)域，可通過云級或數(shù)據(jù)湖進行大型數(shù)據(jù)處理和數(shù)據(jù)挖掘，并配備大型集中式人工智能/機器學習系統(tǒng)，可將海量數(shù)據(jù)與大型算法聚合在一起，但數(shù)據(jù)過時是一個主要風險，因此主要進行更多實時性要求相對較小的綜合性處理，為戰(zhàn)術(shù)中心指揮控制提供支持。

3.2 異構(gòu)資源融合架構(gòu)

為推進戰(zhàn)場物聯(lián)網(wǎng)各種異構(gòu)資源融合研究，美陸軍研究實驗室啟動了分布式虛擬試驗場(即DVPG)項目，旨在構(gòu)建一種分布式虛擬戰(zhàn)場研究環(huán)境，在現(xiàn)有基礎(chǔ)設(shè)施規(guī)模上，通過綜合經(jīng)驗性試驗加速研究進程。具體而言，DVPG是一種聯(lián)合試驗設(shè)施，它能夠同時進行異構(gòu)源融合虛擬化試驗，即試驗不局限于在一個物理位置上，也不限于僅通過物理方式與系統(tǒng)/設(shè)備實現(xiàn)交互，而是可通過多種接口、多標準和過程來定義這種交互操作。

如圖3所示，DVPG采用一系列廣泛分布式節(jié)點來構(gòu)建虛擬通用操作環(huán)境，在這一環(huán)境下，大量異構(gòu)智能設(shè)備和自主系統(tǒng)以透明方式動態(tài)交互工作，以實現(xiàn)任務(wù)效應(yīng)驅(qū)動的決策。該環(huán)境中的每個節(jié)點代表一種含有傳感器和處理能力的不同試驗設(shè)施，其中有3個頂層節(jié)點可提供擴展功能：一是機器人研究合作園區(qū)(Robotic Research Collaboration Campus,R2C2)節(jié)點，它擁有大量機器人并具備以自主性為中心的試驗?zāi)芰?；二是陸軍人工智能?chuàng)新院(Army Artificial Intelligence Innovation Institute,A2I2)節(jié)點，它具備創(chuàng)新的人工智能和機器學習能力，可提供大型的數(shù)據(jù)集和數(shù)據(jù)存儲庫，支持人工智能的基本理解、開發(fā)、驗證和轉(zhuǎn)化應(yīng)用；三是多用途感知區(qū)域節(jié)點，它是DVPG的一個樞紐，由51個約9 m高的塔組成，每個塔上安裝有15～20個異構(gòu)傳感器，覆蓋范圍達14 km×40 km，區(qū)域內(nèi)設(shè)置了干擾對抗和苛刻自然環(huán)境特性，并附帶邊緣和指揮所系統(tǒng)處理能力，還可實時接入戰(zhàn)場物聯(lián)網(wǎng)合作研究聯(lián)盟的各子節(jié)點，以通過不同實驗室測試設(shè)備進行處理。

圖3 分布式虛擬試驗場(DVPG)架構(gòu)

2021年8月，美陸軍在北約聯(lián)盟勇士互操作綜合化演習(Coalition Warrior Interoperability eXercise,CWIX 2021)中進行了DVPG虛擬試驗場的演示評估。演示場景包括模擬一個擁有大量智能體的大型城市，在任務(wù)期間利用無人值守地面?zhèn)鞲衅骱鸵苿幼灾髦悄荏w(地面和空中)實施機會感知，捕獲目標相關(guān)的任務(wù)數(shù)據(jù)等。結(jié)果顯示，在北約伙伴國之間能夠?qū)崿F(xiàn)異構(gòu)傳感器遠程連接及持續(xù)的數(shù)據(jù)集成和融合，支持進一步綜合化。根據(jù)評估結(jié)果，確定了后續(xù)研究重點：一是通過減小能耗來延長平臺電池使用壽命，以滿足長時任務(wù)需求；二是減小數(shù)據(jù)傳輸規(guī)模，以確保平臺與指揮所之間遠距離通信；三是如何利用非傳統(tǒng)的機會感知或多模態(tài)處理非視距感測來提高探測速度；四是快速共享探測到的相關(guān)信息并使其具有更高的確定性，以加速和優(yōu)化指揮官的決策。

4 發(fā)展方向

從美陸軍上述發(fā)展來看，其戰(zhàn)場物聯(lián)網(wǎng)邊緣智能的主要發(fā)展方向可歸結(jié)為以下幾個方面：一是尋求新的計算范式，發(fā)展超高性能，使戰(zhàn)場物聯(lián)網(wǎng)突破分布性、異構(gòu)性和規(guī)模性瓶頸，以縮短傳感器到效應(yīng)的時間；二是增強分布式持續(xù)瞬態(tài)網(wǎng)絡(luò)的系統(tǒng)韌性，致力于動態(tài)環(huán)境下韌性創(chuàng)新方案研究，以應(yīng)對未來新的威脅環(huán)境；三是改進現(xiàn)有人工智能應(yīng)用范式，開發(fā)知識導向的分布式智能架構(gòu)，將科學物理模型與基于神經(jīng)網(wǎng)絡(luò)的機器推理關(guān)聯(lián)起來，實現(xiàn)高價值軍事網(wǎng)絡(luò)的綜合應(yīng)用效果。

具體而言，其研究工作側(cè)重于以下幾個方面：

(1)增強基于微弱指標的快速動態(tài)變化或異常檢測能力

在多域作戰(zhàn)效應(yīng)決策環(huán)內(nèi)，所有效應(yīng)都是基于傳感器檢測到信息而自動產(chǎn)生的，因此需要快速檢測到傳感器測量的關(guān)鍵變化。然而，在極端復雜的邊緣環(huán)境下，有多種因素都可能導致產(chǎn)生測量誤差，檢測到的特征往往帶有隨機性和不確定性。因此，應(yīng)重點針對動態(tài)異常、移動目標、異常增長和異質(zhì)目標等檢測類別，開發(fā)一種基本可行的快速變化檢測(即盡快檢測到變化結(jié)果)方案，并逐漸擴展到有挑戰(zhàn)性的分布式動態(tài)檢測方案。

(2)提升智能系統(tǒng)在欺騙環(huán)境下的模型自適應(yīng)能力

隨著機器學習算法的出現(xiàn)，誘餌和偽裝手段已經(jīng)延伸到戰(zhàn)場物聯(lián)網(wǎng)環(huán)境，對手利用機器學習屬性，輸入錯誤示例，使其產(chǎn)生錯誤分類或錯誤預測。這種欺騙性輸入引起推理算法中錯誤分類外觀變化極小，不會顯著改變傳感器輸入，因此很難檢測出這種輸入操作。為此，近期研究提出一種基于歸因的置信度指標檢測方法[5,21]，用于評估對手操縱的可能性。通過該方法，可對底層原始深層神經(jīng)網(wǎng)絡(luò)中原始輸入圖像進行調(diào)整，并對原始深層神經(jīng)網(wǎng)絡(luò)所產(chǎn)生的反應(yīng)進行評估，從而測量模型的一致性。

(3)創(chuàng)新多模態(tài)數(shù)據(jù)融合和推理算法

戰(zhàn)場物聯(lián)網(wǎng)異構(gòu)傳感器數(shù)據(jù)規(guī)模量巨大，易導致數(shù)據(jù)處理和傳輸延遲。針對這一問題，應(yīng)重點開發(fā)新的分布式推理方法，通過評估動態(tài)網(wǎng)絡(luò)帶寬和邊緣資源能力來劃分跨邊緣和云資源的神經(jīng)網(wǎng)絡(luò)推理模型，將漸進式模型層切片與網(wǎng)絡(luò)分區(qū)相結(jié)合，從而能夠在保持高性能準確性的同時保持低延遲和低能耗。同時，設(shè)計一種新的神經(jīng)網(wǎng)絡(luò)框架，用于區(qū)分執(zhí)行推理的優(yōu)先級，并縮短觸發(fā)關(guān)鍵任務(wù)的時延，以提高檢測速度。此外，對于多模態(tài)感測延遲的問題，應(yīng)側(cè)重考慮使用輸入子集進行推測性推理的方法進行優(yōu)化。

(4)優(yōu)化分布式人工智能聯(lián)邦學習模式

由于戰(zhàn)場邊緣可用的通信資源匱乏，對人工智能聯(lián)邦學習系統(tǒng)和推理算法應(yīng)用構(gòu)成挑戰(zhàn)。新的思路是，采用任務(wù)相關(guān)的壓縮方案來減少聯(lián)邦學習算法的通信需求，即重新考慮資源分配協(xié)議，將通信目的納入其中，以改善所用資源與實現(xiàn)結(jié)果之間的平衡。這項工作應(yīng)從一些基本問題入手，例如，考慮分布式學習的最佳溝通模式、學習算法的基本存儲需求等。研究表明，在基于復雜數(shù)據(jù)樣本的分布式學習過程中，利用通信目的匹配方法可使通信效率提高3～4個數(shù)量級，這些效率反過來又使自動化系統(tǒng)的端到端延遲顯著縮減。

(5)加強動態(tài)對抗環(huán)境下的網(wǎng)絡(luò)韌性

針對高動態(tài)和對抗環(huán)境下的韌性網(wǎng)絡(luò)，重點是構(gòu)建一種分布式自動化系統(tǒng)，該系統(tǒng)可在動態(tài)(非固定)環(huán)境下管理和控制傳感器-效應(yīng)/決策環(huán)路中的資源，以在戰(zhàn)爭迷霧和敵對欺騙的邊緣環(huán)境下可靠運行。該領(lǐng)域的創(chuàng)新研究主要包括：通過新的算法提高對傳感器攻擊的容錯率；通過風險感知設(shè)置提高對資源中斷的韌性；通過技術(shù)改善計算平臺在運行時的延遲變化閉環(huán)穩(wěn)健性；拜占庭式容錯(Byzantine Fault Tolerance,BFT)機制和可證明的穩(wěn)健分布式優(yōu)化；安全深度學習推理，對分布數(shù)據(jù)的穩(wěn)健性、安全強化學習和高置信度泛化等。

5 結(jié)束語

作為聯(lián)合全域指揮控制的重要支撐，邊緣智能正在成為大國角逐的新戰(zhàn)場。在分布式人工智能架構(gòu)基礎(chǔ)上，結(jié)合戰(zhàn)場物聯(lián)網(wǎng)異構(gòu)資源融合、處理，將數(shù)據(jù)密集型計算任務(wù)分散到戰(zhàn)場邊緣，是縮短戰(zhàn)場邊緣感知-決策效應(yīng)環(huán)的有效解決方案。但由于戰(zhàn)場邊緣固有的高動態(tài)和資源受限特點，需要從系統(tǒng)工程的角度出發(fā)，進一步實現(xiàn)人工智能模型輕量化，提升邊緣智能處理的快速性、穩(wěn)健性，增強對抗環(huán)境下的網(wǎng)絡(luò)韌性。另一方面，隨著未來多域戰(zhàn)場復雜程度加劇，對手會利用機器學習屬性設(shè)計輸入錯誤示例，將人工智能導向錯誤推斷和預測。因此，針對高動態(tài)和對抗環(huán)境下的動態(tài)異常檢測、模型自適應(yīng)能力和創(chuàng)新推理算法研究將成為未來一個重要方向。