空中威胁的快速演进与扩散——包括无人驾驶航空系统（UAS）、高超音速武器及其他新兴平台——对现代战争构成重大挑战。对手部署这些系统进行侦察、目标定位与直接打击，常以摧毁防空反导（AMD）传感器以夺取制空权为目标。尽管整体威胁数据丰富，但具体型号的细节信息仍有限且快速过时。依赖全面数据集与有限领域专家（SME）资源的传统建模与仿真（M&S）技术难以跟上这些动态威胁的步伐。因此，美国必须开发敏捷解决方案，在不完整数据条件下分析大量演进中的威胁。本文探索将先进M&S的自动数据生成与稀疏真实样本相结合的方法，以训练人工智能（AI）评估复杂威胁空间中的选项。本文研究AI技术如何推断缺失特征并构建反映流动战术的自适应作战模型。本文方法的核心是“分配、韧性及生存性传感器试验台”（STARS），该开放架构平台专为仿真与评估新策略而创建。通过使AI能够在零散观测间“串联线索”并与STARS交互，本文方法可增强实时决策能力，使指挥官能优化传感器部署、优先保障关键区域并有效部署对抗措施。此外，该方法面向“美国金穹计划”（GDA）等倡议，这些倡议旨在通过AI驱动集成加强分层防御，为适应快速演变的空中威胁提供可扩展解决方案，同时保留必要的人工监督。
现代战争日益由无人驾驶航空系统（UAS）、高超音速武器等空中威胁主导，这些平台通过其速度、复杂性与适应性挑战传统防御策略。对手利用这些系统进行侦察、瞄准关键资产，并通过摧毁或致盲传感器削弱防空反导（AMD）能力。虽然威胁数据总量持续增长，但在理解特定威胁型号、其演进特性及可能由AI控制器实时决策驱动的动态作战战术方面仍存在关键空白（邦达尔，2025年）。现有情报的快速过时加剧了这些空白，使传统建模与仿真（M&S）方法显得不足。M&S平台能探索假设性防御场景与传感器交互，但通常依赖大量输入模型库与专家时间。尽管传感器网络如今每日产生太字节数据——从高分辨率雷达回波到红外图像及电子战截获信息——但新威胁型号的关键细节仍然隐藏。数据量造成了饱和问题：重要信号湮没于噪声中，领域专家（SME）团队无法手动筛选每个字节，对手的创新由此漏检。因此，情报中心难以在数据分析工作量与快速更新威胁模型的需求间取得平衡。矛盾的是，在这座数据大山中，分析师也因对每个独立威胁的认知匮乏而受阻。由于UAS配置众多且瞬变，无法为每个型号建立精确定义模型。当攻击者能在数周内部署改装UAS或新型高超音速方案时，标准M&S流程产生的模型在定稿前即已过时。
本文研究先进M&S与AI的集成如何增强不完整或稀疏数据环境下的威胁分析与决策。方法将AI直接嵌入高保真M&S框架，以实现数据分类与推断的自动化。提出的“分配、韧性及生存性传感器试验台”（STARS）作为本研究的代表性仿真环境。通过利用AI驱动数据压缩，将过载的传感器输出数据提炼为简明特征集，在保留潜在威胁指标的同时突出异常。在后续章节中，详述四大核心AI应用——数据压缩、合成空白填充、资源优化及对抗场景生成——并演示AI增强的M&S如何将数据饱和转化为战略优势。该工作面向“美国金穹计划”（GDA）及“关岛防御任务”等，这些构想旨在建立能利用AI实现比对手创新更快适应的分层全域防御网络（美国国防部，2025年）。本文提出的方法为防御系统适应快速演变威胁提供了一条可扩展路径，确保能有效响应而不过度依赖过时或不完整数据。通过结合自动化模拟和机器学习的优势，本文有助于开发灵活、数据高效的解决方案，使战术指挥官能够在有争议的空域保持态势感知和作战弹性。
原文
相关内容
微信扫码咨询专知VIP会员