Sfetcu, Nicolae (2024), Algoritmi de inteligență artificială în războiul electronic, IT & C, 3:2, 50-59, DOI: 10.58679/IT25231, https://www.internetmobile.ro/algoritmi-de-inteligenta-artificiala-in-razboiul-electronic/

Artificial Intelligence Algorithms in Electronic Warfare

Abstract

Electronic warfare is a critical area where the convergence of technology and strategy is shaping the battlefield. In this field, artificial intelligence algorithms have emerged as indispensable tools, providing unmatched capabilities in detection, processing and response. IA algorithms provide decision support to operators by suggesting optimal countermeasures or defensive actions. These systems can assess multiple threats and prioritize responses based on learned enemy tactics and the criticality of assets at risk.

This article explores the multifaceted role of IA algorithms in electronic warfare, illuminating their applications, challenges, and implications for future conflicts.

Keywords: electronic warfare, artificial intelligence, algorithms, radar, neural networks

Rezumat

Războiul electronic reprezintă un domeniu critic în care convergența tehnologiei și strategiei modelează câmpul de luptă. În acest domeniu, algoritmii de inteligență artificială au apărut ca instrumente indispensabile, oferind capacități de neegalat în detectare, procesare și răspuns. Algoritmii IA oferă operatorilor suport de decizie, sugerând contramăsuri optime sau acțiuni defensive. Aceste sisteme pot evalua amenințările multiple și pot prioritiza răspunsurile pe baza tacticilor învățate ale inamicului și a criticității activelor expuse riscului.

Acest articol explorează rolul multiforme al algoritmilor IA în războiul electronic, luminând aplicațiile, provocările și implicațiile acestora pentru conflictele viitoare.

Cuvinte cheie: războiul electronic, inteligența artificială, algoritmi, radar, rețele neuronale

IT & C, Volumul 3, Numărul 2, Iunie 2024, pp. 50-59
ISSN 2821 – 8469, ISSN – L 2821 – 8469, DOI: 10.58679/IT25231
URL: https://www.internetmobile.ro/algoritmi-de-inteligenta-artificiala-in-razboiul-electronic/
© 2024 Nicolae Sfetcu. Responsabilitatea conținutului, interpretărilor și opiniilor exprimate revine exclusiv autorilor.

Algoritmi de inteligență artificială în războiul electronic

Ing. fiz. Nicolae SFETCU[1], MPhil

nicolae@sfetcu.com

[1] Cercetător – Academia Română – Comitetul Român de Istoria și Filosofia Științei și Tehnicii (CRIFST), Divizia de Istoria Științei (DIS), ORCID: 0000-0002-0162-9973

Introducere

În războiul modern, câștigarea avantajului depinde adesea de capacitatea de a colecta rapid informații, de a lua decizii informate și de a implementa contramăsuri eficiente. Războiul electronic (EW) reprezintă un domeniu critic în care convergența tehnologiei și strategiei modelează câmpul de luptă. În acest domeniu, algoritmii de inteligență artificială (IA) au apărut ca instrumente indispensabile, oferind capacități de neegalat în detectare, procesare și răspuns. Algoritmii de inteligență artificială  joacă un rol semnificativ în războiul electronic modern, îmbunătățind capacitățile de detectare, analiză, luare a deciziilor și contramăsuri împotriva amenințărilor electronice.

Algoritmii IA oferă operatorilor suport de decizie, sugerând contramăsuri optime sau acțiuni defensive. Aceste sisteme pot evalua amenințările multiple și pot prioritiza răspunsurile pe baza tacticilor învățate ale inamicului și a criticității activelor expuse riscului.

Acest eseu explorează rolul multiforme al algoritmilor IA în războiul electronic, luminând aplicațiile, provocările și implicațiile acestora pentru conflictele viitoare.

Aplicații ale algoritmilor IA în războiul electronic

Signal Intelligence (SIGINT): Algoritmii IA excelează în analizarea unor cantități mari de date colectate din diverse surse, permițând identificarea rapidă a semnalelor relevante în mijlocul zgomotului. Algoritmii IA pot identifica și clasifica rapid semnalele electronice din mediu. Aceasta include distincția între semnalele ostile, neutre și prietenoase. Modelele de învățare automată sunt antrenate pe seturi vaste de date de tipuri de semnal și pot analiza datele spectrale în timp real pentru a detecta anomalii sau modele noi. Tehnicile de învățare automată pot recunoaște în mod autonom tiparele, clasifica semnalele și pot prezice comportamentele adversarilor, facilitând luarea deciziilor în timp real pentru operatorii EW.

Atacul electronic (EA): Algoritmii bazați pe inteligență artificială permit sistemelor EW să își adapteze dinamic tacticile ca răspuns la amenințările în evoluție. Prin războiul electronic cognitiv, IA poate genera în mod autonom semnale de bruiaj, poate optimiza parametrii de transmisie și poate anticipa contramăsurile adverse, maximizând astfel eficacitatea atacurilor electronice. În războiul electronic, gestionarea resurselor precum spectrul de frecvență, puterea și timpul este crucială. IA ajută la optimizarea acestor resurse prin prezicerea celor mai bune strategii de alocare bazate pe scenariile operaționale actuale și prognozate. Algoritmii IA sunt utilizați pentru a simula medii de război electronic în scopuri de antrenament. Aceste simulări ajută la pregătirea personalului pentru diferite scenarii, inclusiv condiții extrem de dinamice și imprevizibile, prin utilizarea IA pentru a genera tactici și răspunsuri realiste ale inamicului.

Protecție electronică (EP): Algoritmii IA joacă un rol esențial în îmbunătățirea rezistenței sistemelor prietenoase împotriva amenințărilor electronice. Prin analizarea continuă a datelor senzorilor și a traficului de rețea, măsurile EP bazate pe inteligență artificială pot detecta modele anormale care indică intruziunile cibernetice sau activitățile de război electronic, permițând apărarea proactivă și atenuarea rapidă. IA permite contramăsuri electronice mai adaptive și mai dinamice. Poate controla sistemele de bruiaj pentru a-și modifica tehnicile pe baza eficienței observate în angajamente în timp real. Această adaptare dinamică ajută la menținerea eficienței bruiajelor împotriva amenințărilor în evoluție.

Activități electromagnetice cibernetice (CEMA): În era războiului hibrid, integrarea capabilităților cibernetice și electromagnetice necesită algoritmi IA sofisticați. Prin operațiunile cognitive CEMA, IA permite o coordonare perfectă între atacurile cibernetice, manevrele de război electronic și acțiunile cinetice tradiționale, creând efecte sinergice și perturbând comunicațiile adversare și structurile de comandă. IA este, de asemenea, parte integrantă în operațiunile cibernetice EW, unde ajută la automatizarea operațiunilor cibernetice defensive și ofensive. Algoritmii IA pot detecta intruziunile cibernetice în rețelele de comunicații, pot sugera strategii de atenuare și chiar automatizează răspunsurile la atacurile cibernetice.

Tendințe în dezvoltarea algoritmilor IA pentru războiul electronic

Diferiți algoritmi de inteligență artificială pot fi utilizați prin tehnici de neuro-computing și de învățare profundă[1]:

Un algoritm de învățare este discutat de Amuru et al.[2] pentru a bloca perechile emițător-receptor în război electronic.

Un model bazat pe soft-computing pentru detectarea amenințărilor în setările EW este discutat de Noh și Jeong[3].

În articolul lui Waghray și Menghal[4] sunt discutate logica fuzzy și rețelele neuronale pentru luarea deciziilor în mediul EW.

O metodă de recunoaștere a modulării impulsului semnalului radar pe baza codificatorului automat de eliminare a zgomotului convoluțional și rețeaua neurală convoluțională profundă (DCNN) este discutat de Qu et al.[5].

Un sistem automat de clasificare a modulației pentru semnalele radar bazat pe algoritmul hibrid bazat pe IA, inclusiv bayesian naiv și SVM, este prezentat de Wang et al.[6].

Performanța unei metode anti-blocare bazată pe învățare prin consolidare profundă (DRL) este discutată de Li et al.[7].

O metodă bazată pe învățare profundă este propusă de Elbir, Mishra, și Eldar[8] pentru a selecta antenele într-un scenariu cognitiv radar.

Metoda bazată pe inteligență artificială prezentată de Gecgel Cetin, Goztepe, și Karabulut Kurt[9] poate să determine prezența bruiajului, împreună cu caracteristicile sale de atac.

MASINT pentru a analiza semnăturile radarului țintă[10] ajută la detecția, urmărirea, identificarea și descrierea caracteristicilor distinctive ale emițătorilor.

Un sistem de recunoaștere a semnalului radar bazat pe rețeaua de factorizare a matricei nenegative și învățarea ansamblului este prezentat de Gao et al.[11].

O metodă de identificare și clasificare a semnalului emițătorului radar bazată pe clustering și rețelele neuronale probabilistice este discutată de Liao, Li, și Yang[12].

Petrov, Jordanov, și Roe[13] prezintă metoda bazată pe ANN pentru recunoașterea în timp util și fiabilă a emițătorilor de semnal radar.

Un sistem automat de recunoaștere a formei de undă radar pentru detectarea, urmărirea și localizarea radarelor cu probabilitate scăzută de interceptare este discutat de Zhang et al.[14].

Un alt sistem de clasificare a semnalelor radar bazat pe rețele neuronale este prezentat de Shao, Chen, și Wei[15].

O metodă care combină graficul de vizibilitate cu învățarea automată pentru recunoașterea modelului de scanare a antenei radar este discutată de Wan et al.[16].

Un alt algoritm pentru estimarea perioadei de scanare a antenei radar (ASP) și recunoașterea tipului de scanare a antenei radar în mediul EW este prezentat de Barshan și Eravci[17].

Un cadru inovator pentru testarea diferitelor sarcini CEW, în care algoritmul DRL a fost folosit în scopul căutării țintei, este discutat de You, Diao, și Gao[18].

Sistemul de detectare a compusului haotic cu rază scurtă de acțiune este un sistem care are o puternică capacitate anti-blocare[19].

O tehnică pentru extragere și analiza diferitelor caracteristici ale bruiajului înșelător și ale semnalului ecou țintă pentru a realiza blocarea anti înșelătoare a sistemului de detecție pe rază scurtă a compusului haotic este discutată de Wei et al. [20].

Metoda de filtrare bazată pe rețeaua de unități recurente bidirecționale stivuite (SBiGRU) și antrenament infinit este discutată de Chen et al.[21].

Conform lui MarketsandMarkets[22], în iunie 2022, Lockheed Martin Corporation a lansat o nouă soluție IA/ML, cu un manager de misiune cognitivă și o suită de servicii de comandă și control pentru a furniza informații precise în timp util și operaționale, produsul Cognitive Tip & Cue pentru a găsi tancuri pe câmpul de luptă, detectarea modificărilor folosind imagini din satelitr, și TruthTrail, o aplicație care prezintă un mediu simulat care „recompensează” etichetatorii pentru munca lor.

În iulie 2022, Raytheon Technologies a folosit platforma C3 IA pentru a oferi capabilități de ultimă generație de inteligență artificială (IA) și învățare automată (ML), cu o soluție rapidă disponibilă pentru programul TITAN (Tactical Intelligence Targeting Access Node) al Armatei SUA.

În ianuarie 2023, Lockheed Martin Corporation a prezentat noul său model IA Aegis, folosit pentru a îmbunătăți eficiența operațiunii Agis Combat System pentru decizii îmbunătățite, conștientizarea situației, timp de reacție redus și capacitatea de a se apăra împotriva amenințărilor hipersonice.

În martie 2023, Northrop Grumman Corporation,împreună cu Shield AI, a fost selectată de Armata SUA pentru competiția Future Tactical Unmanned Aircraft System (FTUAS), Increment 2, pentru a înlocui sistemul aerian tactic fără pilot (UAS) RQ-7B Shadow cu capabilități avansate.

În aprilie 2023, Raytheon Technologies Corporation a lansat un sistem EO/IR asistat de IA, RAIVEN, care permite piloților militari să obțină o identificare mai rapidă și mai precisă a amenințărilor[23].

Provocări și considerații în utilizarea IA

Strategia de superioritate a spectrului electromagnetic (ESSS), publicată în octombrie 2020 de SUA, abordează numeroasele provocări cu care se confruntă în asigurarea, menținerea accesului la, utilizarea și manevrarea în spectrul electromagnetic[24].

Fuziunea datelor și interoperabilitatea: Utilizarea eficientă a algoritmilor IA în războiul electronic necesită o integrare perfectă pe platforme de senzori, rețele de comunicații și structuri de comandă diferite. Realizarea interoperabilității necesită formate de date standardizate, protocoale de criptare robuste și arhitecturi software agile, capabile să satisfacă diverse cerințe de misiune.

IA advers: Proliferarea capabilităților EW activate de IA introduce noi vulnerabilități și riscuri, deoarece adversarii caută să exploateze punctele slabe ale algoritmilor IA prin manipulare și înșelăciune adversară. Protecția împotriva IA adversă presupune testare riguroasă, validare și măsuri de îmbunătățire a rezistenței pentru a asigura fiabilitatea și fiabilitatea sistemelor EW bazate pe IA.

Implicații etice și juridice: Natura autonomă a algoritmilor IA ridică întrebări etice și juridice profunde cu privire la responsabilitate, proporționalitate și supraveghere umană în operațiunile de război electronic. Găsirea unui echilibru între eficacitatea operațională și considerațiile etice necesită cadre solide de guvernare, norme internaționale și procese transparente de luare a deciziilor, bazate pe expertiza interdisciplinară.

Implicațiile IA pentru conflictele viitoare

Avantaj asimetric: Națiunile care folosesc algoritmi IA în mod eficient vor câștiga un avantaj decisiv în războiul electronic, permițându-le să depășească adversarii, să exploateze vulnerabilitățile și să modeleze mediul informațional în avantajul lor. Democratizarea tehnologiilor IA amplifică, de asemenea, potențialul actorilor nestatali și al grupurilor de insurgenți de a folosi capabilități perturbatoare de război electronic, estompând distincția dintre războiul convențional și cel neregulat.

Dinamica de escaladare: Proliferarea capabilităților de război electronic bazate pe inteligență artificială introduce complexități în dinamica de escaladare, deoarece răspunsurile și contramăsurile automate pot escalada conflictele în mod neintenționat sau pot declanșa consecințe neintenționate. Atenuarea riscului de escaladare accidentală necesită canale de comunicare clare, mecanisme de de-escaladare și protocoale solide de gestionare a crizelor pentru a preveni neînțelegerile și calculele greșite.

Stabilitate strategică: Implicațiile strategice ale algoritmilor IA în războiul electronic se extind dincolo de câmpul de luptă, modelând rivalitățile geopolitice, structurile de alianță și posturile de descurajare. Pe măsură ce statele concurează pentru a dezvolta și implementa capabilități EW activate de IA, menținerea stabilității strategice necesită dialog, transparență și măsuri de consolidare a încrederii pentru a atenua riscul de percepție greșită, cursă de înarmare și escaladare neintenționată a conflictelor.

Concluzie

În general, IA îmbunătățește semnificativ capacitățile sistemelor de război electronic, făcându-le mai eficiente, mai receptive și mai adaptabile la tehnologiile și tacticile care se schimbă rapid în scenariile moderne de luptă.

Algoritmii de inteligență artificială remodelează peisajul războiului electronic, oferind oportunități și provocări fără precedent pentru organizațiile militare din întreaga lume. De la îmbunătățirea conștientizării situației și luarea deciziilor până la revoluționarea tacticilor și operațiunilor, capabilitățile EW bazate pe inteligență artificială dețin promisiunea de a oferi un avantaj strategic în conflictele viitoare. Cu toate acestea, realizarea acestui potențial necesită abordarea considerațiilor tehnice, etice și strategice, încurajând în același timp cooperarea și dialogul internațional pentru a naviga în mod responsabil în complexitățile războiului bazat pe inteligența artificială. Pe măsură ce națiunile navighează pe contururile în evoluție ale războiului electronic în era digitală, imperativul strategic constă în valorificarea algoritmilor IA ca multiplicatori de forță, susținând în același timp principiile de responsabilitate, transparență și conduită etică în căutarea păcii și securității.

Bibliografie

• Amuru, SaiDhiraj, Cem Tekin, Mihaela van der Schaar, și R. Michael Buehrer. 2015. „A systematic learning method for optimal jamming”. În 2015 IEEE International Conference on Communications (ICC), 2822–27. https://doi.org/10.1109/ICC.2015.7248754.
• Barshan, Billur, și Bahaeddin Eravci. 2012. „Automatic Radar Antenna Scan Type Recognition in Electronic Warfare”. IEEE Transactions on Aerospace and Electronic Systems 48 (4): 2908–31. https://doi.org/10.1109/TAES.2012.6324669.
• Chen, Jian, Shiyou Xu, Jiangwei Zou, și Zengping Chen. 2019. „Interrupted-Sampling Repeater Jamming Suppression Based on Stacked Bidirectional Gated Recurrent Unit Network and Infinite Training”. IEEE Access 7: 107428–37. https://doi.org/10.1109/ACCESS.2019.2932793.
• Dudczyk, Janusz, și A. Kawalec. 2013. „Specific emitter Identification based on graphical representation of the distribution of radar signal parameters”. Jokull 63 (noiembrie): 408–16.
• Elbir, Ahmet M., Kumar Vijay Mishra, și Yonina C. Eldar. 2019. „Cognitive Radar Antenna Selection via Deep Learning”. arXiv. https://doi.org/10.48550/arXiv.1802.09736.
• Gannon, Brian P. 2023. „Implement AI in Electromagnetic Spectrum Operations”. U.S. Naval Institute. 1 august 2023. https://www.usni.org/magazines/proceedings/2023/august/implement-ai-electromagnetic-spectrum-operations.
• Gao, Jingpeng, Yi Lu, Junwei Qi, și Liangxi Shen. 2019. „A Radar Signal Recognition System Based on Non-Negative Matrix Factorization Network and Improved Artificial Bee Colony Algorithm”. IEEE Access 7: 117612–26. https://doi.org/10.1109/ACCESS.2019.2936669.
• Gecgel Cetin, Selen, Caner Goztepe, și Gunes Karabulut Kurt. 2019. Jammer Detection based on Artificial Neural Networks: A Measurement Study. https://doi.org/10.1145/3324921.3328788.
• Li, Yangyang, Ximing Wang, Dianxiong Liu, Qiuju Guo, Xin Liu, Jie Zhang, și Yitao Xu. 2019. „On the Performance of Deep Reinforcement Learning-Based Anti-Jamming Method Confronting Intelligent Jammer”. Applied Sciences 9 (7): 1361. https://doi.org/10.3390/app9071361.
• Liao, Xiaofeng, Bo Li, și Bo Yang. 2018. „A Novel Classification and Identification Scheme of Emitter Signals Based on Ward’s Clustering and Probabilistic Neural Networks with Correlation Analysis”. Computational Intelligence and Neuroscience 2018 (noiembrie): e1458962. https://doi.org/10.1155/2018/1458962.
• MarketsAndMarkets. 2023. „Artificial Intelligence (AI) in Military Market Size Growth Opportunities Industry Trends and Analysis 2030”. MarketsandMarkets. 2023. https://www.marketsandmarkets.com/Market-Reports/artificial-intelligence-military-market-41793495.html.
• Noh, Sanguk, și Unseob Jeong. 2010. „Intelligent Command and Control Agent in Electronic Warfare Settings”. International Journal of Intelligent Systems 25 (6): 514–28. https://doi.org/10.1002/int.20413.
• Petrov, Nedyalko, Ivan Jordanov, și Jon Roe. 2013. „Radar Emitter Signals Recognition and Classification with Feedforward Networks”. Procedia Computer Science, 17th International Conference in Knowledge Based and Intelligent Information and Engineering Systems – KES2013, 22 (ianuarie): 1192–1200. https://doi.org/10.1016/j.procs.2013.09.206.
• Qu, Zhiyu, Wenyang Wang, Changbo Hou, și Chenfan Hou. 2019. „Radar Signal Intra-Pulse Modulation Recognition Based on Convolutional Denoising Autoencoder and Deep Convolutional Neural Network”. IEEE Access 7: 112339–47. https://doi.org/10.1109/ACCESS.2019.2935247.
• Shao, Guangqing, Yushi Chen, și Yinsheng Wei. 2020. „Convolutional Neural Network-Based Radar Jamming Signal Classification With Sufficient and Limited Samples”. IEEE Access 8: 80588–98. https://doi.org/10.1109/ACCESS.2020.2990629.
• Sharma, Purabi, Kandarpa Kumar Sarma, și Nikos E. Mastorakis. 2020. „Artificial Intelligence Aided Electronic Warfare Systems- Recent Trends and Evolving Applications”. IEEE Access 8: 224761–80. https://doi.org/10.1109/ACCESS.2020.3044453.
• Waghray, Namrita, și P. M. Menghal. 2011. „Simulation of radar topology networks to evolve the electronic warfare survivability metrics”. 2011 3rd International Conference on Electronics Computer Technology, aprilie, 355–59. https://doi.org/10.1109/ICECTECH.2011.5941622.
• Wan, Tao, Xinying Fu, Kaili Jiang, Yuan Zhao, și Bin Tang. 2019. „Radar Antenna Scan Pattern Intelligent Recognition Using Visibility Graph”. IEEE Access 7: 175628–41. https://doi.org/10.1109/ACCESS.2019.2957769.
• Wang, Feng, Shanshan Huang, Hao Wang, și Chenlu Yang. 2018. „Automatic Modulation Classification Exploiting Hybrid Machine Learning Network”. Mathematical Problems in Engineering 2018 (decembrie): e6152010. https://doi.org/10.1155/2018/6152010.
• Wei, Dongxu, Shuning Zhang, Si Chen, Huichang Zhao, și Linzhi Zhu. 2019. „Research on Deception Jamming of Chaotic Composite Short-Range Detection System Based on Bispectral Analysis and Genetic Algorithm–Back Propagation”. International Journal of Distributed Sensor Networks 15 (5): 1550147719847444. https://doi.org/10.1177/1550147719847444.
• You, Shixun, Ming Diao, și Lipeng Gao. 2019. „Deep Reinforcement Learning for Target Searching in Cognitive Electronic Warfare”. IEEE Access 7: 37432–47. https://doi.org/10.1109/ACCESS.2019.2905649.
• Zhang, Ming, Ming Diao, Lipeng Gao, și Lutao Liu. 2017. „Neural Networks for Radar Waveform Recognition”. Symmetry 9 (5): 75. https://doi.org/10.3390/sym9050075.

Note

[1] (Sharma, Sarma, și Mastorakis 2020)

[2] (Amuru et al. 2015)

[3] (Noh și Jeong 2010)

[4] (Waghray și Menghal 2011)

[5] (Qu et al. 2019)

[6] (Wang et al. 2018)

[7] (Li et al. 2019)

[8] (Elbir, Mishra, și Eldar 2019)

[9] (Gecgel Cetin, Goztepe, și Karabulut Kurt 2019)

[10] (Dudczyk și Kawalec 2013)

[11] (Gao et al. 2019)

[12] (Liao, Li, și Yang 2018)

[13] (Petrov, Jordanov, și Roe 2013)

[14] (Zhang et al. 2017)

[15] (Shao, Chen, și Wei 2020)

[16] (Wan et al. 2019)

[17] (Barshan și Eravci 2012)

[18] (You, Diao, și Gao 2019)

[19] (Wei et al. 2019)

[20] (Wei et al. 2019)

[21] (Chen et al. 2019)

[22] (MarketsAndMarkets 2023)

[23] (MarketsAndMarkets 2023)

[24] (Gannon 2023)

Articol cu Acces Deschis (Open Access) distribuit în conformitate cu termenii licenței de atribuire Creative Commons CC BY SA 4.0 (https://creativecommons.org/licenses/by-sa/4.0/).