Behavior-Aware Multi-Objective Action Selection for Cognitive Radar against Cognitive ESM Threats
Dit artikel presenteert een gedragbewust multi-objective actieselectiekader voor cognitieve radars dat de missieprestaties en de kwaliteit van doelwitinschatting optimaliseert, terwijl de voorspelbaarheid voor cognitieve ESM-dreigingen wordt geminimaliseerd door een "Random Near-Best"-beleid toe te passen dat een hoge beloning combineert met verminderde gedragsregulariteit.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de onzichtbare wereld van elektromagnetische golven speelt zich een stille strijd af tussen radarsystemen en de sensoren die ontworpen zijn om hen te vinden. Een radar werkt door pulsen van energie uit te zenden en te luisteren naar de zwakke echo die terugkaatst van een doelwit, zoals een schip of een vliegtuig. Om deze taak goed uit te voeren, moet de radar slim genoeg zijn om haar signalen on the fly aan te passen, reagerend op het weer, interferentie of de beweging van het doelwit. Dit is het domein van de cognitieve radar, een systeem dat leert van zijn omgeving om betere beslissingen te nemen. Er is echter een addertje onder het gras: elke keer dat de radar spreekt, loopt zij het risico gehoord te worden door een vijandig luisterapparaat dat bekend staat als een Electronic Support Measures, of ESM-systeem. Deze apparaten scannen de hemel, zoekend naar de unieke signatuur van de transmissie van een radar om deze te identificeren en te lokaliseren. Traditioneel hebben ingenieurs geprobeerd radars te verbergen door hun signalen zwak of moeilijk detecteerbaar te maken, een strategie die bekend staat als low probability of intercept. Maar er is een nieuw soort dreiging opgekomen: de cognitieve ESM. In tegen tegenstelling tot oudere sensoren die slechts zoeken naar een specifiek signaal, observeren deze intelligente systemen de radar over een langere periode, waarbij ze haar gewoonten leren en haar volgende zet voorspellen op basis van patronen in haar gedrag.
Dit is de uitdaging die onderzoekers aan de Islamitische Azad Universiteit van Semnan wilden oplossen. Zij stelden een moeilijke vraag: hoe kan een radar effectief blijven in haar taak terwijl zij niet alleen haar signaal, maar ook haar hele gedrag verbergt? Als een radar altijd het beste signaal kiest voor een gegeven situatie, kan zij voorspelbaar worden, waardoor een slimme vijand kan raden wat zij als volgende zal doen. De onderzoekers ontwikkelden een nieuwe manier voor de radar om haar acties te kiezen, die een balans vindt tussen hoge prestaties en de noodzaak om onvoorspelbaar te blijven. Zij creëerden een systeem waarbij de radar haar opties evalueert op basis van twee hoofddoelen: hoe goed zij een doelwit kan volgen en hoe moeilijk zij te detecteren is door een standaardsensor. Maar zij voegden een derde, cruciale laag toe: zij maten hoe voorspelbaar de reeks keuzes van de radar zou lijken voor een slimme, lerende vijand.
Om dit te testen, bouwde het team een gedetailleerde simulatie met een radar, een bewegend doelwit en een populatie van honderd verschillende luisterapparaten, elk met zijn eigen unieke capaciteiten en detectiemethoden. Zij definieerden een radar-"actie" door vier specifieke instellingen: hoe breed het signaal zich verspreidt in frequentie, hoe vaak pulsen worden verzonden, hoeveel pulsen er achter elkaar worden verzonden, en de specifieke vorm van de golf die wordt gebruikt. In hun simulatie moest de radar kiezen uit 2.400 mogelijke combinaties van deze instellingen. De onderzoekers leerden eerst een computermodel om te voorspellen welke van deze acties het beste zouden werken voor de missie, met behulp van gegevens verzameld uit duizenden gesimuleerde scenario's. Dit model leerde kijken naar de directe resultaten van een radarpuls — zoals de helderheid van de echo en het niveau van de achtergrondruis — en schatten hoe goed die keuze zou zijn voor zowel het volgen als de stealth.
De kern van hun ontdekking ligt in de manier waarop de radar haar volgende zet kiest. De meest voor de hand liggende strategie zou zijn om altijd de enkele actie te kiezen die het computermodel voorspelt als de beste. Echter, de onderzoekers ontdekten dat het herhaaldelijk uitvoeren hiervan een rigide patroon creëert dat een cognitieve vijand gemakkelijk kan leren en uitbuiten. Aan de andere kant maakt het kiezen van acties die volledig willekeurig zijn de radar onvoorspelbaar, maar leidt dit vaak tot slechte prestaties bij het volgen van het doelwit. Het team stelde een middenweg voor die zij "Random Near-Best" noemen. In deze aanpak identificeert de radar eerst de zes beste acties die voorspeld worden goed te presteren. In plaats van de allerbeste te kiezen, selecteert zij willekeurig één van deze zes. Deze eenvoudige aanpassing houdt de radar zeer effectief in haar missie, terwijl het genoeg variatie in haar gedrag introduceert om een intelligente waarnemer te verwarren.
De resultaten van hun simulaties lieten zien dat deze aanpak opmerkelijk goed werkt. Wanneer de radar altijd de enkelvoudig beste voorspelde actie koos, behaalde zij een hoog niveau van missieprestaties, maar was haar gedrag zo regelmatig dat een cognitieve vijand haar bijna perfect kon modelleren. Wanneer de radar volledig willekeurig koos, was zij zeer moeilijk te voorspellen, maar daalde de missieprestatie aanzienlijk. De "Random Near-Best"-strategie vond een bijna perfect evenwicht. Zij behield 94% van de piekmissieprestaties, terwijl zij het gedrag van de radar bijna even moeilijk voorspelbaar maakte als de willekeurige strategie. In hun tests verminderde de nieuwe methode de gedragsmatige regelmaat die een cognitieve vijand kon uitbuiten met een grote marge, zonder het vermogen van de radar om haar werk te doen op te offeren.
De onderzoekers ontwikkelden ook een manier om deze gedragsmatige stealth te meten. Zij gebruikten vier verschillende wiskundige modellen, waaronder geavanceerde neurale netwerken en statistische instrumenten, om de sequentie van radaremissies te analyseren. Deze modellen zochten naar patronen in de timing en structuur van de signalen, in een poging te zien of de radar in een routine verviel. Zij vonden dat het "Random Near-Best"-beleid erin slaagde deze patronen te doorbreken, waardoor het gedrag van de radar vloeiend en onvoorspelbaar bleef. Dit werk suggereert dat voor moderne radars om te overleven tegen slimme, lerende vijanden, zij niet alleen moeten focussen op de kwaliteit van een enkel signaal. Zij moeten ook rekening houden met het ritme en de variatie van hun gehele reeks acties, om ervoor te zorgen dat zij zelfs wanneer zij op hun best presteren, niet te gemakkelijk te lezen zijn.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.