人工智能在网电对抗中的应用现状与展望

2026-06-18

电子战和网络战在现代战争中发挥着越来越重要的作用，随着雷达技术的发展，战场中电磁环境变得越发复杂，传统电子对抗方法已渐渐难以满足现代电子战的需求。人工智能的协调决策、数据处理等方面的能力，能够使其在现代电子对抗和网络空间作战中发挥越来越重要的作用。总结分析人工智能在电子侦察、电子干扰、电子隐身与伪装、电子摧毁与网络空间作战等领域的研究现状与所面临挑战，以期为网电一体化作战的发展提供支撑。

引言

长期以来，电子战和网络战被认为是独立、不同的学科。然而，随着军事系统网络化、数字化的发展，在战场上所有用频设备都广泛实现了组网，同时所有的网络化设备都必须以某种方式使用电磁频谱，战场网络空间作战和电子战融合发展成为必然趋势。网络空间已成为与陆、海、空、天相并列的第五作战域。

然而，电子战和网络战各自面临着极大挑战。一方面，随着电子对抗设备的抗干扰能力逐渐增强，以及战场电磁环境愈发复杂，传统电子战设备难以有效发挥作战效能。另一方面，随着组网信息系统架构逐渐完善，网络复杂性逐渐增加，传统的网络对抗方法已难以应对敌方信息系统所产生的威胁。

人工智能技术具备数据处理、模式识别、专家系统生成与协调决策等能力，已在态势感知、信息处理、指挥控制、辅助决策和无人作战系统等军事领域部署应用，为解决电子对抗和网络对抗中的关键问题提供了新机遇。本文总结了国内外人工智能在网电对抗中的研究和应用，并对其发展趋势进行展望，以期为相关领域研究提供参考。

1 研究现状

为应对传统网电对抗中面临的挑战，各国均开展了人工智能在网电对抗中的应用研究。

1.1国内研究现状

我国关于机器学习在网电对抗中的应用研究起步较晚。张昊分析了国外3种认知电子战系统架构：美国乔治亚技术研究所开展的CORA（Congnitive Reasoning and Representation Architecture）项目、美国罗克韦尔·柯林斯公司于2013年申请的认知网络电子战（cognitive network electronic warfare, CNEW）专利、土耳其下一代无线通信实验室于2015年提出的认知电子对抗（cognitive electronic countermeasures, CECM）系统架构，提练认知电子战的作战循环概念和认知电子战背后的认知系统抽象模型。张春磊等人给出了认知电子战的体系结构和定义，并基于美国空军军官约翰·博伊德提出的观察（observation）、判断（orientation）、决策（decision）、行动（action）认知环，提出了认知电子战的认知侦察环、认知对抗环、认知效能评估环。吴中伟等人提出认知电子战相较于传统电子战具有能适应复杂电磁环境，能动态学习和积累经验，具备隐蔽性和抗毁性等优势，并对我军认知电子战未来发展方向提出建议。

2 传统电子对抗挑战与人工智能应用

电子对抗包括电子攻击、电子防御、电子支援、电磁频谱控制等方面。其中，电子侦察是电子支援的重要途径，电子干扰是电子攻击的主要手段，电子隐身与伪装是电子防御的关键方式。

2.1 传统电子侦察挑战与人工智能应用

电子侦察可分为电子支援侦察与电子情报（electronic intelligence, ELINT）侦察。电子支援侦察在获取电子对抗情报时强调实时性、高截获率及快速反应能力，在实际电子对抗中能实时对截获的信号进行分选和识别。ELINT侦察在获取电子对抗情报时强调准确性、完备性，在实际电子对抗前对敌方具有高威胁的设备进行针对性的分析，以提升对抗的有效性。本文主要探讨传统电子侦察面临的挑战，以及机器学习算法在雷达信号分选、识别及电子对抗情报挖掘等方面的应用。

2.1.1 传统电子侦察面临的挑战

随着电磁环境日趋复杂，新体制雷达不断涌现，电子侦察设备截获的数据在复杂程度和数据量上均持续增长，传统电子侦察正面临以下挑战：

（1）复杂电磁环境。电子对抗装备类型和数量的持续增加，使得电磁环境日益复杂，给电子侦察信号的分选与识别带来了挑战。

（2）新技术体制引发的未知和复杂的信号形式。频率捷变雷达、数字可编程雷达等先进雷达的出现，使雷达工作模式从固定参数发展为可根据战场环境实时调整参数和行为模式的智能模式。传统基于模板匹配的电子侦察方法，难以对雷达信号进行分选与识别。

（3）电子侦察数据呈现“大数据”特征。电子侦察设备接收的信号呈现出数据类型多样（variety）、处理速度快（velocity）、数据规模海量（volume）、价值密度低（value）等“4V”特性。传统电子对抗方法难以利用电子侦察数据获取准确、完备、有效的雷达信息。

2.1.2 人工智能在电子侦察中的应用

人工智能为解决复杂电磁环境下雷达信号分选识别、情报挖掘等问题提供了新思路。

（1）人工智能在雷达信号分选识别中的应用。随着有源相控阵雷达（active electronically scanned array, ASEA）、低截获概率（low probability of interception, LPI）雷达等具备多种工作模式及参数捷变与跳变能力的新体制雷达广泛应用，电磁环境正日趋复杂。在对这些复杂雷达信号进行分选时，传统基于脉冲重复频率的分选算法接收到的雷达信号数据体制复杂，一些算法已不适用于新体制雷达信号分选需求。在根据分选所形成的新型雷达信号全脉冲数据对雷达信号数据进行识别时，由于新体制雷达信号经参数提取后生成的参数更为复杂，传统基于模板匹配法及D-S证据融合等方法面临时效性下降乃至失效的问题。

当已知雷达辐射源的种类等先验信息时，雷达信号的分选和识别过程可视为分类问题；而对非合作的辐射源进行电子侦察时，该过程则可视为聚类问题。机器学习在处理聚类和分类问题方面表现优异，目前基于支持向量机（support vector machine, SVM）、神经网络等算法的方法已在雷达信号分选识别中得到较为广泛的应用：

①神经网络算法：神经网络算法因能有效拟合非线性映射关系，在雷达信号分选任务中具有较高的准确率。对雷达信号数据进行分选时，Anderson等人首先提出了基于神经网络的雷达信号分选算法，初步建立了雷达信号分选的流程和框架。为进一步提升神经网络在雷达信号分选中的准确率，陈卫等人基于集成学习思路，采用Boosting方法对多种神经网络算法进行集成，相较于传统神经网络算法，该方法提升了复杂电磁环境下雷达信号分选的准确率。

②聚类算法：聚类算法通常应用于非合作辐射源的识别场景，其优势在于无需获取之前雷达信号识别结果作为训练集，模型训练相对快速，但识别准确率通常较低。聚类算法种类繁多且迭代速度快，贺宏洲等人提出一种基于模糊C均值的雷达信号分选方法；赵贵喜等人提出一种基于改进人工鱼群聚类算法的雷达信号分选方法；丁天一等人针对敌方通信信号，采用基于自组织特征（self-organization feature map, SOFM）映射神经网络的二阶段聚类算法对其进行处理，有效提取了信号中有价值的参数。以上聚类算法解决了传统聚类算法难以对通信信号进行聚类的问题，相较于基于神经网络算法的信号分类模型，具有训练时间短、模型可解释性强等优势。

③特征工程方法：为进一步提升对多功能雷达、LPI雷达等新体制雷达的识别能力，研究者引入特征工程方法，以提升雷达信号分选识别结果的准确率。涂同珩在传统雷达参数的基础上，提出了雷达信号的脉内调制特征参数信息维数、Lempel-Ziv复杂度、信息熵和小波脊频特征等新型雷达参数，将其作为雷达信号的特征，并结合神经网络反向传播算法进行识别。谭茂洲等人通过特征工程手段，将雷达信号特征设计为以频率特征与幅度特征为像素点的2×N维特征图形，并提出了一种基于卷积神经网络的雷达信号识别方法。针对自适应雷达，黄旭佳根据自适应雷达调整参数的特征和规律提出了“雷达行为”概念，并基于贝叶斯推理对不同行为模式的自适应雷达进行识别。

④ SVM算法：对于雷达信号进行分选识别的过程，SVM算法相较于神经网络算法具有更好的可解释性和较短的训练时间，但传统SVM在处理大规模数据分类时所需时间过长。陈婷等人在对雷达信号数据进行识别时，将粗糙集属性约简与SVM的分类机理相结合，有效避免了训练模型的过拟合现象，从而提升了雷达信号识别模型的准确性和效率。

（2）人工智能在电子对抗情报挖掘中的应用。人工智能方法在电子侦察中的另一个应用方向是电子对抗情报挖掘。在获取大量雷达信号的分选与识别结果后，可进一步对电子侦察设备所截获的海量数据(17.130, -0.50, -2.84%)中隐含的雷达情报进行分析和挖掘。目前该方向仍处于理论研究阶段，尚难以实际应用于电子对抗任务中。

随着新型电子对抗装备的不断涌现，所截获的威胁辐射源信号逐渐变多，ELINT中的电子侦察数据规模迅速增长，呈现出大数据的“4V”特征。为有效挖掘数据中的潜在规律，从海量信息中提取出有价值的雷达情报，研究者借鉴数据挖掘方法开展分析。旷生玉等人提出了一种可演进的电子对抗情报大数据平台架构，其“大数据分析与挖掘层”采用深度学习技术实现了雷达参数特征提取，能够自动学习海量雷达参数中的抽象特征。为提升数据挖掘结果的可视化能力，徐建平等人介绍了一种基于可视化数据挖掘平台Spark的电子侦察数据分析架构，利用并行化的决策树C4.5算法对雷达情报数据进行挖掘与分析，实现了对电子侦察数据的高效识别与分选。该方法具有较好的可解释性，其可视化的数据挖掘框架有助于更直观地展示雷达信号数据的特征。

2.2 传统电子干扰挑战与人工智能应用

电子干扰主要分为有源干扰与无源干扰。在人工智能应用于电子干扰的相关研究时，通常所指的电子干扰为有源干扰。有源干扰通过主动向敌方辐射源发射干扰电磁信号，实现对目标的压制或欺骗。有源干扰可以分为欺骗式干扰、压制式干扰和灵巧干扰。

2.2.1 传统电子干扰面临的挑战

随着新型雷达工作体制愈发复杂和智能，评估电子战作战效能也愈发困难，传统电子干扰正面临以下挑战：

（1）传统干扰决策调度策略难以应对新体制雷达。随着LPI雷达、多功能雷达及具有认知能力的新体制雷达的出现，雷达工作模式已由固定工作模式发展为可根据工作环境与任务需求灵活调整工作模式与雷达参数的智能模式。在复杂电磁环境下，基于全空间搜索的传统电子干扰调度算法在对灵活多变的多功能雷达形成干扰时，其实时性与准确性均面临较大挑战。

（2）传统电子干扰效能评估方式面临挑战。电子对抗效能评估是电子对抗系统最重要的综合性指标和判断电子对抗系统作战能力的重要途径。根据运用阶段，可将电子对抗效能评估分为平时装备能力评估、战前效能推演评估、战中在线效能评估及战后总结评估。传统的电子对抗效能评估方法主要包括解析法、统计法、仿真法及综合法。

评估指标的选取与评估结果的生成方式直接影响评估效果。传统的电子干扰效能评估指标体系由专家建立，具有一定主观性，且可能因指标间的相互影响而导致评估结果出现偏差。

2.2.2 人工智能在电子干扰中的应用

本文探讨人工智能在电子干扰决策选取和调度中的应用，以及人工智能在电子干扰效能评估中的应用。

（1）人工智能在干扰策略选取中的应用。为应对能够改变自身参数或存在多种工作模式和参数、导致传统干扰策略难以起效的新体制雷达，研究者最初采用遗传算法与模板匹配法求解最佳干扰策略。然而，模板匹配法只能对预先设置好的情形进行分析，遗传算法则需要对雷达属性等数据进行编码转换，算法编程复杂度较高，形成有效干扰策略所需时间较长。

电子干扰效能评估可视为一种典型的强化学习场景，电子干扰中不同策略选取之间的转化可映射至强化学习算法的状态转移图中，可视为强化学习的行为。因此，深度学习也可以作为解决电子干扰策略选取的工具之一。目前，关于机器学习方法在电子干扰策略调度中的应用，多数研究仍处于仿真模型与验证阶段，尚未得到广泛应用。

基于Q-Learing等强化学习的方法能够有效应对具有感知能力的雷达、多种具有感知能力的雷达的组网，以及多功能雷达。李云杰等人提出了基于Q-Learning算法的电子干扰方法，实现了干扰策略选取。杨鸿杰等人基于传统深度学习的K-摇臂赌博机算法与深度强化学习中的深度确定性策略梯度算法，提出了一种智能干扰算法，适用于敌方在受到干扰后主动切换信道或改变通信参数等多种场景。张雪梅提出了基于强化学习的干扰策略，比较了在强化学习的“探索和利用”阶段采用不同策略的K-摇臂赌博机模型与马尔可夫模型对静态与动态目标进行干扰决策调度时的干扰效果差异，同时提出一种新型“探索和利用”阶段策略，提升了干扰效果。

相较于强化学习方法，SVM具有较好的泛化能力与可解释性，但难以处理大规模数据的回归计算或分类。孟祥航等在空—空对抗机载多功能火控雷达的场景下，根据先验知识构建了一种小样本干扰规则库，并结合SVM形成了对新体制雷达的干扰策略。该方法在实时性与干扰样式选择正确率方面均优于传统电子干扰方法。

（2）人工智能在电子干扰效能评估中的应用。建立电子干扰效能评估体系的过程与机器学习中对数据进行特征工程处理的过程相似，而根据指标体系形成效能评估结果的过程也可视为一种回归或分类问题。目前，机器学习在效能评估中的应用处于起步阶段，大部分基于机器学习的效能评估方法仍停留在仿真验证层面。

在已有指标体系的基础上，徐新华等人将影响电子干扰效果的因素进行量化，提出了遮盖干扰效果评估因子与欺骗干扰效果评估因子。通过量化后的评估因子训练反向传播神经网络（back propagation neural network, BPNN），并通过仿真验证了所用评估因子的准确性。毕斯威基于一组已有的传统雷达参数评估指标集提出了基于粒子群优化的BPNN与径向基神经网络模型，对干扰效果进行评估，提升了评估效果。

翁鑫锦利用随机森林与BPNN对电子干扰效果进行评估，首先基于随机森林算法对雷达评估指标数据集进行初步处理，其次选取最具代表性的指标作为BPNN的输入，并在训练过程中利用雷达干扰反馈信息调整模型参数，最后基于训练好的模型实现在线干扰效能评估。

2.3 传统电子隐身与伪装、电子摧毁挑战与人工智能应用

隐身技术分为雷达隐身、可见光隐身、红外隐身、激光隐身和声波隐身，其中雷达隐身是电子对抗隐身技术中的关键。电子隐身提升了己方电子摧毁装备的隐蔽度，为电子摧毁提供了先决条件。电子摧毁是指通过武器装备对敌方电子对抗设备或目标进行物理打击和摧毁。使用的武器装备包括反辐射雷达和反辐射无人机等。

2.3.1 传统电子隐身与伪装、电子摧毁面临的挑战

人工智能在电子隐身与伪装、电子摧毁2个方面的应用研究相对较少，主要存在以下挑战：

（1）传统电子隐身与伪装方面，在飞行器中使用隐身涂装的成本较高，且传统电子隐身材料无法有效吸收全部频率上的电磁波，在极端情况下隐身涂料可能失效。

（2）传统电子摧毁方面，反辐射雷达与反辐射无人机等装备在应用时难以直接突破敌方防线对敌方电子对抗设备进行有效摧毁和打击。

2.3.2 人工智能在电子隐身与伪装、电子摧毁中的应用

（1）人工智能在电子隐身与伪装中的应用。为保证隐身材料能在复杂电磁环境下保持有效工作，美军最早提出了“智能蒙皮”的概念，当飞机等装备接收到敌方电子对抗设备发出的信号时，可利用人工智能技术对其进行分选和识别，并调整装备的蒙皮参数，实现对多种不同类型雷达的隐身，或利用有源对消技术减小己方装备的雷达反射截面积（radar cross section, RCS），实现电子隐身与伪装。

（2）人工智能在电子摧毁中的应用。为保证导弹、无人机等电子摧毁设备能够实现对敌方雷达的突防，进而打击其电子对抗设备，李乔杨等人提出反辐射导弹应向智能化方向发展，并介绍了智能机动变轨策略。张哲等人提出了一种基于新型A*算法的反辐射无人机路线规划方法，优化了反辐射无人机在应对组网雷达情形下的突防路径。

3 传统网络防御挑战与人工智能应用

随着网络和信息技术的飞速发展，网络攻防两端的能力都在显著增强，网络空间“矛与盾”的较量从未停歇。然而随着网络安全态势日益复杂化，当前网络空间作战正面临着攻防失衡、攻易守难的挑战，随着网络攻击技术的发展，安全威胁层出不穷，呈现智能化、隐匿化、规模化的特点，网络安全防御正成为网络空间对抗的重点和难点。

3.1 传统网络防御面临的挑战

在网络空间对抗中，攻击方因各类新型漏洞的隐蔽性、互联网的匿名性以及信息不对称性，相较于防守方有着天然的优势。随着大数据与生成式人工智能的广泛应用，传统网络防御面临以下挑战：

（1）生成式人工智能强大的代码能力降低了网络攻击的技术门槛，使得攻击方生成的恶意程序愈发复杂且难以预测。

（2）依赖规则库和静态特征匹配的传统网络安全检测与防御体系，正面临被动、难以精准识别未知攻击等挑战。

（3）生成式人工智能强大的文本输出能力也提升了钓鱼攻击的隐蔽性和准确性。

3.2 人工智能在网络防御中的应用

人工智能为网络空间安全防御带来了重要机遇：其强大的特征提取和模式识别能力可有效识别异常流量与钓鱼攻击；生成式人工智能还可用于网络靶场中模拟攻击场景，验证网络防御策略有效性，提升人员技能水平。

对目标网络漏洞进行分析时，构建了安全漏洞信息采集模型，对目标网络产生的信息进行收集后，通过数据挖掘等方法提取模型所得数据参数，并构建机器学习模型，实现目标网络漏洞的智能化挖掘。

基于人工神经网络、SVM等机器学习方法能够实现对某类恶意程序特征码及二进制文件指纹特征的提取与分析，从而实现对恶意程序的有效检测。此外，机器学习方法在网络异常行为识别中也有应用。通过对用户行为签名、行为特征的学习，神经网络方法能够学习异常行为的特点，实现对网络中异常行为的分析与检测，提升网络安全防护能力。应用于钓鱼式网络攻击的自然语言处理模型同样可用于网络用户的行为检测。同时，机器学习方法在模糊信息处理分析、海量数据特征提取与信息挖掘等方面的能力，均可为网络空间安全防御提供有力支撑。

总体而言，基于人工智能的网络攻击手段正朝着大规模、自动化、智能化的方向发展。为应对未来的网络空间对抗，各国正积极推进网络空间安全防御技术的发展，提升应对智能网络空间安全威胁的能力。

4 结语

人工智能已在电子对抗，网络对抗中取得广泛应用，通过人工智能提升作战能力，将成为未来各国研究的重点。同时，实现各电磁频谱作战系统间的协作与整合，是电子战发展的重要方向。

本文对人工智能在网电对抗中面临的问题进行了讨论，但仍需进一步深入研究。当前，网电对抗模型仍存在可解释性差、时效性低、训练集难以获取等问题。考虑到电子对抗数据实战样本少、训练成本高，本文认为，现阶段的电子对抗人工智能模型可以视为一种小样本学习模型。为此，可从以下2个方面提升模型能力：一是通过数据增强，提升小样本学习模型在网电对抗中的表现；二是借助迁移学习，在训练集较少的情况下，借鉴民用雷达分选识别等模型，构建网电对抗场景，从而提升小样本学习模型的准确性。

新闻动态

人工智能在网电对抗中的应用现状与展望