امروزه تجهیزات فرکانس رادیویی قابل برنامه‌ریزی و دیجیتال که با نام رادیو نرم‌افزاری شناخته می‌شوند، روند رو به رشدی دارند. بر همین اساس رادارها می‌توانند به سرعت شکل موج را تغییر دهند و هویت و مشخصه منحصر به فردی روی پرواز ایجاد کنند. در نتیجه در محیط‌های RF متراکم و رقابتی، کار فرستنده‌های دشمن برای موقعیت‌یابی، شناسایی، مسدود کردن و مغشوش کردن سخت‌تر می‌شود. از این‌رو امروزه تمرکز بر اعمال یادگیری ماشین بر طیف فرکانس رادیویی و جنگ الکترونیک (EW) یا همان جنگ الکترونیک شناختی (Cognitive EW) بیشتر شده است.

آگاهی طیفی

هنگامیکه شما می‌توانید هزاران سیگنال در هر فرکانس در طیف RF ایجاد کنید، این مهم است از خودتان بپرسید چه سیگنال‌های رادیویی دیگر مجموعه‌ای از فرکانس‌هایی را که به باند فرکانس رادیویی من نزدیک هستند اشغال می‌کنند؟ طیف و ویژگی هر یک از این سیگنا‌ل‌ها چیست؟ به عبارت دیگر طراح یک سیستم رادیویی باید از محیط عملیاتی دستگاه‌ به لحاظ طیف‌های فرکانسی شناخت کامل داشته باشد.

یک گام مهم در راستای این مسیر، آگاهی طیفی[1] است که یکی از اهداف برنامه سیستم‌های یادگیری ماشین RF در آژانس تحقیقات پیشرفته ایالات متحده (دارپا) است. دارپا این برنامه را بر پایه «نسل جدیدی از سیستم‌های RF که هدف محور هستند و می‌توانند از داده‌ها آموزش ببینند» طراحی کرده است. این یکی از چند برنامه‌ایست که به رابطه یادگیری ماشین و RF اشاره دارد.

برای دستیابی به مفهوم اطلاعات طیفی، دارپا قصد دارد الگوریتم‌ها و روش‌های پایه را که وظیفه اعمال یادگیری ماشین به طیف RF را دارند، توسعه دهد. در سطح بالاتر، دارپا می‌خواهد آگاهی از سیگنال RF را به عنوان وسیله‌ای برای گسترش ظرفیت منابع طیف فرکانسی از طریق بهبود اشتراک‌گذاری طیفی دنبال کند.

رادیو شناختی

زمانیکه در رابطه با رادیو شناختی صحبت می‌کنیم در واقع در مورد توانایی درک محیط اطراف شامل تشخیص خودکار سیگنال‌های دوستانه از سیگنال‌های دشمن، تشخیص تهدیدات جمینگ و سپس عملیات انتقال به فرکانس‌های مختلف برای جلوگیری از حمله جمینگ صحبت می‌کنیم. اغلب چنین عملیاتی را با اصطلاح «رادیو انطباقی» نامگذاری می‌کنند.

در واقع رادیو شناختی یک فناوری مفید است که پیشرفت قابل توجهی در زمینه استفاده مؤثر از طیف فرکانسی به ارمغان می‌آورد. طراحی این فناوری به گونه‌ایست که با تغییر پارامترهای رادیویی، از طیف فرکانسی موجود استفاده بهینه را می‌برد.

يکي از مهمترين اهداف راديو شناختي، قابليت دسترسي به طيف است. با توجه به بررسی‌های انجام شده، بخش عمده‌ای از هر باند فرکانسی که به کاربران اختصاص داده می‌شود، بدون استفاده باقی می‌ماند. رادیو شناختی این توانایی را دارد که از بخش‌های بدون استفاده طیف که به حفره‌های طیف معروف هستند، استفاده کند. بنابراین، رادیوشناختی یک فناوری مخابرات بی‌سیم هوشمند است که از محیط بیرونی‌ خود آگاه است و با توجه به آن، پارامترهای عملیاتی خود از قبیل توان ارسالی، فرکانس حامل و روش مدولاسیون را تنظیم می‌کند تا بتواند هر زمان و در هر مکان که احتیاج شد، مخابره قابل اطمینانی داشته باشد. از آنجايي که اين مساله نوعي استدلال و يادگيري است، مي‌توان براي هوشمند‌سازي آن از الگوريتم‌هاي يادگيري ماشین استفاده کرد.

از آنجا که دشمن همیشه سعی دارد ارتباطات را از بین ببرد، رادیو شناختی باید یک قدم جلوتر از دشمن باشد و همیشه در طول زمان بهبود یابد. به دلیل اینکه سیستم‌های شناختی می‌توانند سریعتر از انسان‌ها واکنش نشان دهند، بنابراین برای جلوگیری از حملات مخرب و بازیابی لینک ارتباطات با حداقل زمان خرابی، یک قدم جلوتر از هر دشمن بالقوه است. در سیستم‌های جنگ الکترونیک شناختی نیز همین رویکرد وجود دارد، به‌طوریکه سیستم جنگ الکترونیک هوشمندتر و با سرعت بیشتر با تهدیدات و تداخل تطبیق می‌شود.

جنگ الکترونیک شناختی

جنگ الکترونیک یا جنگال اصطلاحی نظامی و بیانگر کاربرد الکترونیک و امواج الکترومغناطیس در نبردها است و شامل ارتباطات رادیویی، ایجاد اختلال در ارتباطات رادیویی دشمن و شنود گفتگوهای دشمن است. از این‌رو با ارائه فناوری رادیو شناختی، هوشمند‌سازی جنگ الکترونیک می‌تواند بسیار مفید باشد. به همین دلیل در سال‌های اخیر محققان با به کار بردن روش‌های هوش مصنوعی و یادگیری ماشین در تلاش برای ارائه فناوری‌های جنگ الکترونیک شناختی هستند.

جنگ الکترونیک شناختی، باید بتواند در عین نداشتن ذره‌ای شناخت از سامانه‌های دشمن، وارد محیط شود، سامانه‌ها را شناسایی کند و حتی اقدامات متقابل موردنیاز را به ‌سرعت پیاده‌سازی کند. شناخت در این محیط شامل استفاده از آموزش ماشین برای ساخت سامانه‌های هوشمندتر است. این سامانه‌ها باید بتوانند سامانه‌های مقابل را تحریک کرده و با توجه به واکنش آن‌ها، ضمن تحمل کمترین آسیب به‌طور خودکار آموزش ببینند و به ‌سرعت راهکار مقابله را کشف کنند.

مدیر پردازش حسگر و استخراج شرکت BAE Systems می‌گوید: «درگذشته هنگامی‌که نیروها وارد یک صحنه نبرد شده و با سیگنال‌های مختل‌کننده روبه‌رو می‌شدند، نوع سیگنال، فرکانس، طول‌موج و پهنای باند را جمع‌آوری می‌کردند و اطلاعات به آزمایشگاه منتقل می‌شد تا پس از بررسی اقدامات متقابل ارائه شود. بعد از چند ماه راه‌های مقابله در سامانه‌ها پیاده‌سازی می‌شد. پیشرفت نرم‌افزارها و تجهیزات رادیویی قابل‌برنامه‌ریزی مجدد، روش‌های قبلی را غیرممکن و بلااستفاده کرده و راه را برای گذر به نسل بعد با استفاده از یادگیری ماشین بازکرده است.»

یک حسگر قابل حمل که از روش پردازش شناختی برای شناسایی سیگنال‌های RF حتی در حضور تداخلات استفاده می‌کند.

نقش فناوری‌های جنگ الکترونیک شناختی

در حال حاضر محققان وزارت دفاع آمریکا در حال آزمایش فناوری‌های شناختی جنگ الکترونیک هستند. این فناوری‌ها در آینده می‌توانند سیستم‌های دشمن را به‌ طور مستقل شناسایی کرده و بدون هیچ برنامه‌ریزی قبلی به مبارزه با آن‌ها بپردازند. بر همین اساس آژانس تحقیقاتی دفاعی آمریکا (دارپا) در برخی پروژه‌های خود از هوش مصنوعی برای سیستم‌های جنگ الکترونیک استفاده کرده است. به عنوان نمونه پروژه اقدام متقابل راداری[2] (ARC) و یادگیری رفتاری برای جنگ الکترونیک انطباقی[3] (BLADE)، از سیستم‌های جنگ الکترونیک هوشمند استفاده کرده‌اند. آقای پل تیلمن مدیر دفتر فناوری میکرو سیستم‌های دارپا، در این‌باره می‌گوید: «ما با استفاده از جنگ الکترونیک شناختی و شناسایی تهدیدات دشمن به سیستم‌ها نفوذ کرده تا در زمانی مناسب اقدام متقابل انجام دهیم.»

به عنوان مثال فناوری ARC می‌تواند سیستم‌های جنگ الکترونیک هوابرد را برای اقدامات مؤثر علیه رادارهای جدید و ناشناخته به صورت بلادرنگ آماده کند. در واقع این فناوری در برابر یک رادار جدید یا ناشناخته قادر به انجام فعالیت‌های زیر است.

  • تفکیک سیگنال‌های رادار ناشناخته در برابر دیگر سیگنال‌ها
  • کاهش تهدید از رادارهای ناشناخته
  • ارسال سیگنال‌های متقابل و ارزیابی تاثیر آن‌ها روی رادار

همچنین به دلیل اینکه معماری این فناوری باز است، اجازه ورود، اصلاح و حذف ماژول‌های نرم‌افزاری توسط اپراتور داده می‌شود. علاوه بر این الگوریتم‌ها و نرم‌افزارهای پردازش سیگنال در فناوری ARC به گونه‌ای‌ است که برای بکارگیری آن در نیروی هوایی و صنایع دفاعی نیاز به تغییرات سخت‌افزاری کلی نیست.

از طریق فناوری «اقدام متقابل راداری» هواپیما می‌تواند عملیات جنگ الکترونیک مناسبی در مقابل شبکه راداری دشمن اجرا کند.

فناوری ARC به‌ طور ویژه سیستم رادار را هدف قرار می‌دهد. در حالیکه پروژه BLADE با توسعه روش‌ها و الگوریتم‌های یادگیری ماشین، به‌سرعت تهدیدات رادیویی جدید را تشخیص داده و با ترکیب اقدامات متقابل جدید، خسارت جنگی را بر اساس مشاهدات هوایی به صورت دقیق ارزیابی می‌کند. هدف از طراحی این فناوری مقابله با تهدیدات ارتباطات بی‌سیم جدید و پویا در محیط‌های تاکتیکی است. علاوه بر این فناوری BLADE می‌تواند سیستم‌های ارتباطی بی‌سیم را با هدف متوقف کردن پخش اطلاعات زیر نظر بگیرد.

آقای تیلمن در رابطه با کاربرد هوش مصنوعی در سیستم‌های جنگ الکترونیک می‌گوید: «جامعه باید به این باور برسد که هوش مصنوعی می‌تواند به عنوان یک مساله مهم در جنگ الکترونیک دخیل باشد. با شروع تحقیقات دارپا در مورد فناوری‌های طیف‌های شناختی، بسیاری از افراد کاربرد هوش مصنوعی در جنگ الکترونیک را غیرضروری می‌دانستند. اما ما نشان دادیم که به کارگیری هوش مصنوعی بسیاری از مشکلات را رفع می‌کند زیرا ممکن است لازم باشد یک مقابله به دور از انتظار یا بدون برنامه‌ریزی قبلی انجام شود که در اینصورت باید بتوان از مشاهدات استفاده کرد. ما به جامعه نشان می‌دهیم که با رشد سریع نوآوری‌های فنی، هوش مصنوعی یک پاسخ حقیقی به چگونگی مبارزه با دشمنان در طیف فرکانس رادیویی است.»

طبق گفته کارشناسان، ارتش ایالت متحده اغلب در استفاده از هوش مصنوعی در میدان جنگ احتیاط می‌کند. زیرا ممکن است تصمیم‌گیری در آن شرایط عواقب ناگواری داشته باشد. اما مدیران دارپا معتقدند که جنگ الکترونیک در فناوری‌های شناختی نقش مهمی دارد. از نظر آن‌ها میدان جنگ الکترونیک می‌تواند محیطی برای بهبود قابلیت‌های هوش مصنوعی باشد. اثرات مخرب ناشی از تصمیم‌گیری سیستم‌های جنگ الکترونیک هوشمند بسیار پایین است زیرا به سرعت اشتباهات خود را تصحیح می‌کنند.

به ادعای مقامات نظامی آمریکایی، در صورت تصمیم‌گیری نادرست از سوی سیستم هوشمند، از یک نیروی انسانی برای جبران اشتباه استفاده می‌شود؛ اما آقای تیلمن اینچنین استدلال می‌کند: «سیستم‌های شناختی جنگ الکترونیک می‌توانند کاملاً مستقل باشند. در یک مقطع، شما می‌توانید از یک انسان استفاده کنید. در ابتدا ارتش سیستم‌های راداری و ارتباطی دشمن را بررسی می‌کند تا بتواند حرکت متقابلی انجام دهد و سپس فناوری‌های جنگ الکترونیک را برای شناسایی و مسدود کردن سیستم‌های دشمن برنامه‌ریزی می‌کند. وقتی سیستم‌های راداری و ارتباطی توسط سخت‌افزار آنالوگ تعریف می‌شوند، این مسئله به‌مراتب حساس‌تر خواهد بود؛ اما بسیاری از نیروهای ارتش اکنون سیستم‌هایشان را با هسته دیجیتال توسعه می‌دهند و به این معناست که داشتن یک کتابچه راهنمای سخت‌افزاری واقعاً کار درستی به نظر نمی‌رسد زیرا آنچه در نهایت در میدان جنگ ‌دیده می‌شود ممکن است واقعاً چیزی نباشد که برای آن برنامه‌ریزی صورت گرفته است. سیستم‌های جنگ الکترونیکی می‌توانند با شرایط غیرمنتظره خود را سازگار کنند.»

اجرای یادگیری ماشین

طبق گفته تیلمن، شرکت دارپا مطالعات اولیه را روی مسائلی که تا حدودی در ماهیت ساده‌تر هستند، انجام داده است. در ادامه یک شبکه عصبی پیچشی[4] برای درک نوع مدولاسیون یک سیگنال (مانند AM، FM یا تغییر فاز) ساخته شد. این مطالعات نشان داد که سیستم یادگیری ماشین عملکرد بهتری نسبت به رویکرهای سنتی در هر نرخ سیگنال به نویز دارد. از این‌رو سیستم‌های یادگیری ماشین می‌توانند ویژگی‌های اضافه و اطلاعات خارج از طیف RF را برای کمک به درک بهتر ما از محیط سیگنال بیفزایند.

طبق گفته تیلمن، همانطور که پروژه هوش مصنوعی گوگل (Google AI) با بازی GO اثبات شده است، پس هوش مصنوعی می‌تواند در فضاهای بسیار بزرگ تصمیم‌گیری کند. او امیدوار است که از یادگیری ماشین نه‌تنها برای پردازش اطلاعات طیفی استفاده شود، بلکه این فناوری به ما در پاسخ دادن به سوالاتی نظیر چه طیفی را باید بررسی و ضبط کرد؟ و همچنین تعیین زمان و مکان جستجوی آن کمک کند.

از این‌رو یک سیستم شناختی قادر به یادگیری به صورت بلادرنگ است. چنین سیستمی می‌تواند آنچه را که می‌بیند (سیگنال‌هایی که دریافت می‌کند) یا آنچه را که می‌فرستند را بر اساس تجربه‌های کسب شده تغییر دهد. طبق گفته دارپا این قابلیت تصمیم‌گیری را می‌توان یک پیشرفت عمده‌ نسبت به سیستم‌های RF سنتی که در آن فرکانس‌ها و جهت‌های فضایی صرف نظر از محیط عملیاتی اغلب دریک دنباله پیوسته اسکن می‌شوند، محسوب کرد. سیستم‌های سنتی درک کمی از آنچه که در طیف اتفاق می‌افتد دارند. همچنین سیگنال‌های تهدید ممکن است در یک ناحیه یا باند فرکانسی غیرمعمول باشند؛ اما از برنامه یادگیری ماشین انتظار می‌رود که سیگنال‌های غیر منتظره را نیز شناسایی کند.

سیستم‌های RF امروزی از استدلال‌های مبتنی بر قواعدی که مشابه نسل اول سیستم‌های هوش مصنوعی هستند، استفاده می‌کنند. جان تامپسون مدیر سیستم‌های عملیاتی شرکت نورثروپ‌گرومن می‌گوید: «برای مثال اکثریت سیستم‌های اقدامات حمایت الکترونیک[5] (ESM) از جداول جستجو استفاده می‌کنند. به این صورت که داده‌ها جمع‌آوری شده وارد هواپیما می‌شوند و نرم‌افزار سیگنال ورودی را با پاسخ مناسب مرتبط می‌کند. اما افزایش دیجیتال‌سازی قابلیت‌های رادار، نیاز به سیستم‌های جنگ الکترونیک شناختی و انطباقی را مستلزم کرده است.»

آقای تامپسون اضافه کرد: «نیروهای نظامی دیگر نمی‌توانند برای مدت طولانی تنها به پایگاه داده‌های تهدید از پیش تعریف شده برای تشخیص، شناسایی، موقعیت‌یابی و واکنش به موقع متکی باشند، زیرا فناوری‌های امروزه قادرند شکل موج تهدیدها را از طریق نرم‌افزار و بدون نیاز به سخت‌افزار مجدد تغییر دهند. در چنین شرایطی سیستم‌های شناختی کلید موفقیت عملیات‌های آینده هستند.»

سیستم‌های موجود سازگار

نورثروپ گرومن با همکاری نیروی دریایی ایالت متحده در حال توسعه الگوریتم‌های یادگیری ماشین برای دنبال کردن حمله الکترونیکی علیه جنگنده EA-18G Growler است. این برنامه که تا سال 2025 اجرایی خواهد شد، قابلیت‌های EW را در برابر رادارهای دشمن یا رادارهای ناشناخته انطباقی و هوشمند تقویت خواهد کرد.

نورثروپ گرومن به دنبال توسعه الگوریتم‌های یادگیری ماشین برای دنبال کردن حمله الکترونیکی علیه جنگنده EA-18G Growler است.

یک نسخه توسعه یافته از پروژه نورثروپ گرومن، مفهوم عملیات تجمعی پرنده‌های بدون سرنشین است که با اصطلاح Remedy کدگذاری شده است. این پرنده‌های بدون سرنشین داخل یک کپسول در زیر هواپیما قرار می‌گیرند و به عنوان حسگرهای نزدیک عمل می‌کنند. از این‌رو داده‌های بیشتری برای نگرش شناختی فراهم می‌کنند. هنگامی که کپسول از هواپیمای جنگنده رها می‌شود، تعداد زیادی UAV کوچک از آن خارج شده و به سمت رادارهای دشمن حرکت می‌کنند. به دلیل سرعت کم و کوچک بودن، رادار آن‌ها را به عنوان دسته‌ای از پرنده‌ها تشخیص داده و عکس‌العملی نشان نخواهد داد. این پرنده‌ها به هدف نزدیک شده و عملیات طیف شناختی را انجام داده و نتیجه را برای هواپیما ارسال می‌کنند. همچنین نورثروپ گرومن به دنبال حسگرهای مادون قرمز و RF برای این UAVهای کوچک است تا آگاهی موقعیتی چند بعدی را فراهم کند. نمونه دیگر این پروژه هواپیمای بدون سرنشین Dash X است که می‌تواند به تنهایی از هواپیمای  EA-18Gرها شده و عملیات جمع‌آوری و ارسال سیگنال‌های رادار به هواپیما را انجام دهد.

Dash X یک وسیله هوایی بدون سرنشین است که می‌تواند از EA-18G Growler برای جمع‌آوری سیگنال‌های رادار رها ‌شود.

از AN/ALR-69A (ساخت شرکت Raytheon) نیز می‌توان به عنوان یکی از محصولات اخیر در زمینه جمع‌آوری هوشمند سیگنال‌های راداری اشاره کرد. این دستگاه اولین گیرنده تمام دیجیتالی سیگنال رادار است و تاکنون روی هواپیماهای C-130H و F-16 آزمایش شده است.

تاثیر پردازش سیگنال

امروزه فرکانس رادیویی شناختی هنوز از چالش‌های سخت‌افزاری برخوردار است. بیشتر سرمایه‌گذاری‌ها در زمینه‌هایی مانند مواد نیمه هادی و تراشه‌های پردازش انجام می‌شود. یکی از پیشرفت‌های اخیر در این زمینه را می‌توان تراشه‌های  RFشرکت زایلینکس دانست که تلفیقی از مبدل‌های آنالوگ به دیجیتال و دیجیتال به آنالوگ با پهنای باند زیاد، CPUهای چند پردازنده و بخش FPGA روی یک تراشه یکپارچه هستند.

پیت تامپسون مدیر محصولات شرکت آباکو سیستمز می‌گوید: «پهنای باند زیاد این تراشه‌ها باعث می‌شود شما بتوانید در زمان بسیار سریع از فرکانس 1 گیگاهرتز تا 2 گیگا هرتز برسید.»

بورد VP430 شرکت آباکو برای پردازش دیجیتال سیگنال‌های رادیویی که در آن از RFSoC شرکت زایلینکس استفاده شده است.

ظهور پهنای باند برای تبدیل مستقیم RF از چالاکی فرکانسی پشتیبانی می‌کند. این به این معناست که شما می‌توانید در چند نمونه معدود از 1 گیگاهرتز به 2 گیگا هرتز برسید. اگر چه مدارهای آنالوگ هنوز برای تقویت، فیلتر کردن و تبدیل سیگنال به دیجیتال مورد نیاز هستند، اما سیستم‌های مدرن نیاز به آن‌ها ندارند. سیستم‌های مدرن اجازه می‌دهند تا تغییرات فرکانس به صورت فوری و بدون وقفه انجام شود.» او اضافه کرد: «بورد جدیدVP430  شرکت آباکو اولین محصول برای استفاده از Xilinx RF SoC بوده است.»

بلوک دیاگرام بورد VP430

نتیجه‌گیری

دیجیتالی شدن سیستم‌های راداری باعث شده است روش‌های جمینگ و ضد جمینگ پیشرفت‌های زیادی داشته باشند. در زمان فعلی دیگر تکیه بر آگاهی از اطلاعات قدیمی از یک سامانه راداری برای مقابله با آن کفایت نمی‌کند. به عبارت دیگر رادارها می‌توانند با سرعت بالا بسیاری از ویژگی‌های خود را تغییر داده و برای دشمن خود کاملا ناشناخته باشند. در چنین محیطی سیستم‌های جنگ الکترونیکی شناختی می‌توانند راهکاری مناسب برای مقابله با رادارها باشند. فناوری‌های یادگیری ماشین و هوش مصنوعی کلید اصلی برای ساخت یک سیستم EW شناختی است.

[1] Spectrum Awareness

[2] Adaptive Radar Countermeasures

[3] Behavioral Learning for Adaptive Electronic Warfare

[4] Convolutional Neural Network

[5] Electronic Support Measures