Інтеграція та координація засобів радіоелектронної боротьби за допомогою великих мовних моделей

Автор(и)

  • Вадим Геннадійович Козлов Центральний науково-дослідний інститут озброєння та військової техніки Збройних Сил України, Україна https://orcid.org/0000-0002-7708-6143
  • Вадим Іванович Слюсар Центральний науково-дослідний інститут озброєння та військової техніки Збройних Сил України, Україна https://orcid.org/0000-0002-2912-3149
  • Володимир Віталійович Твердохлібов Центральний науково-дослідний інститут озброєння та військової техніки Збройних Сил України, Україна https://orcid.org/0000-0002-6802-9796
  • Зоя Ростиславівна Андрійчук Центральний науково-дослідний інститут озброєння та військової техніки Збройних Сил України, Україна https://orcid.org/0000-0002-3743-4035

DOI:

https://doi.org/10.15587/2706-5448.2025.323916

Ключові слова:

радіоелектронна боротьба, великі мовні моделі, штучний інтелект, мультиагентні структури, база знань, виконавчі модулі

Анотація

В якості об’єкта дослідження в роботі розглядається процес функціонування засобів радіоелектронної боротьби (далі – РЕБ) з використанням технологій штучного інтелекту (далі – ШІ) на основі великих мовних моделей (далі – LLM). Одним із найбільш проблемних питань щодо підвищення ефективності їх функціонування є забезпечення функції адаптивності в засобах РЕБ, а також своєчасного виявлення загроз та формування відповідних контрзаходів. Вирішення даної проблеми здійснюється шляхом впровадження мультиагентної архітектури, завданням якої є забезпечення безперервного обміну інформації, як між агентами в самих засобах РЕБ, так і в системі в цілому.

Розглянутий спосіб підвищення адаптивності системи за рахунок LLM з механізмами самонавчання, надає системі можливості вдосконалювати свої алгоритми обробки даних, оперативно виявляти нові види сигналів і реагувати на зміну параметрів РЕЗ противника. Використання підходу Retrieval-Augmented Generation (далі – RAG) дозволяє виявляти та вносити до бази даних нові види сигналів та швидко формувати відповідні рекомендації з метою протидії.

Не менш суттєвою складовою є використання поєднання кількох засобів РЕБ в єдину інформаційну мережу. Даний підхід забезпечить узгодженість дій усіх засобів РЕБ (агентів) та швидкий обмін інформацією між ними.

Враховуючи вище зазначене, існує можливість значного підвищення адаптивності та ефективності роботи систем РЕБ за рахунок інтеграції мультиагентних структур з використанням LLM, які дозволяють оптимізувати розподіл ресурсів та здійснювати прийняття рішень у реальному часі. Це забезпечить високий рівень адаптації засобів РЕБ, що є важливою особливістю для роботи в умовах динамічно змінюваних електромагнітних середовищ.

Завдяки запропонованій архітектурі та застосуванню відповідних алгоритмів досягається можливість отримання високих показників точності класифікації та швидкості обробки сигналів, що позитивно впливає на адаптивність системи та загальну ефективність протидії загрозам.

Біографії авторів

Вадим Геннадійович Козлов, Центральний науково-дослідний інститут озброєння та військової техніки Збройних Сил України

Кандидат технічних наук

Науково-організаційний відділ

Вадим Іванович Слюсар, Центральний науково-дослідний інститут озброєння та військової техніки Збройних Сил України

Доктор технічних наук, професор, IEEE Member, головний науковий співробітник, начальник групи

Володимир Віталійович Твердохлібов, Центральний науково-дослідний інститут озброєння та військової техніки Збройних Сил України

Кандидат технічних наук, старший науковий співробітник, начальник науково-дослідного управління

Зоя Ростиславівна Андрійчук, Центральний науково-дослідний інститут озброєння та військової техніки Збройних Сил України

Науковий співробітник

Науково-інформаційний відділ

Посилання

  1. Kozlov, V. H., Sliusar, V. I. (2024). Kontseptsiia tekhnolohii shtuchnoho intelektu yak osnovnoi skladovoi radioelektronnoi borotby. Ozbroiennia ta viiskova tekhnika, 2 (42), 76–83.
  2. Duro, R., Kondratenko, Y. (Eds.) (2015). Advances in Intelligent Robotics and Collaborative Automation. Aalborg: River Publishers. https://doi.org/10.13052/rp-9788793237049
  3. Laurent, A. (2023). La guerre des intelligences à l'heure de ChatGPT. Lattes, 480.
  4. Taverniti, G., Lombardo, C., Vicario, P. D., Trocca, F. (2023). AI Power. Non solo ChatGPT: lavoro, marketing e futuro. Milano: Editore Ulrico Hoepli, 224.
  5. Velyki movni modeli (LLM): Povnyi posibnyk u 2025 rotsi. Available at: https://uk.shaip.com/blog/a-guide-large-language-model-llm/?utm_source=chatgpt.com#Blocks
  6. Introducing ChatGPT (2022). OpenAI. Available at: https://openai.com/blog/chatgpt/
  7. GPT-4 technical report (2023). OpenAI, arXiv. Available at: https://archive.org/details/gpt-4-technical-paper
  8. GPT-4 technical report (2024). OpenAI. arXiv. Available at: https://doi.org/10.48550/arXiv.2303.08774
  9. Touvron, H., Lavril, T., Izacard, G., Martinet, X., Lachaux, M., Lacroix, T. et al. (2023). LLaMA: Open and Efficient Foundation Language Models. arXiv preprint. https://doi.org/10.48550/arXiv.2302.13971
  10. Grattafiori, A., Dubey, A., Jauhri, A., Pandey, A., Kadian, A., Al-Dahle, A. et al. (2024). The Llama 3 Herd of Models. arXiv preprint. https://doi.org/10.48550/arXiv.2407.21783
  11. OpenAI o1 System Card (2024). OpenAI. Available at: https://assets.ctfassets.net/kftzwdyauwt9/67qJD51Aur3eIc96iOfeOP/71551c3d223cd97e591aa89567306912/o1_system_card.pdf
  12. Truth, M. (2024). Massive breakthrough in AI intelligence: OpenAI passes IQ 120. Available at: https://www.maximumtruth.org/p/massive-breakthrough-in-ai-intelligence. Last accessed: 16.09.2024
  13. Jiang, A., Sablayrolles, A., Mensch, C., Bamford, D., Singh Chaplot, D., Casas, F. et al. (2023). Mistral 7B’. arXiv. https://doi.org/10.48550/arXiv.2310.06825
  14. Georgiev, P., Le, V. I., Burnell, R., Bai, L., Gulati, A., Tanzer, G. et al. (2024). Gemini 1.5: Unlocking multimodal understanding across millions of tokens of context. arXiv preprint. https://doi.org/10.48550/arXiv.2403.05530
  15. Claude 3.5 Sonnet (2024). Anthropic. Available at: http://www.anthropic.com/news/claude-3-5-sonnet
  16. McKay, C. (2024). xAI Launches Grok-2 Models with Image Generation Capabilities. Maginative. Available at: https://www.maginative.com/article/xai-launches-grok-2-models-with-image-generation-capabilities/
  17. Jones, L. (2024). Microsoft Launches Phi-3.5 Series, A Trio of Open Source AI Models. WinBuzzer. Available at: https://winbuzzer.com/2024/08/21/microsoft-launches-phi-3-5-series-competing-with-google-and-openai-xcxwbn/
  18. Slyusar, V. (2023). Large language models (LLM) in the military area, Artificial Intelligence and Intellegent Systems (AIIS’2023). https://doi.org/10.13140/RG.2.2.30196.94086
  19. Slyusar, V. (2024). Reducing the Cognitive Burden of a Soldier with the Help of Personal AI and LLM Assistant. The LCGDSS Human System Integration (HSI) symposium. https://doi.org/10.13140/RG.2.2.10264.57605/1
  20. Syzov, D. (2024). Pentahon doslidzhuie viiskove vykorystannia ShI. Available at: https://internetua.com/pentagon-doslidjuye-viiskove-vikoristannya-shi?utm_source=ukrnet_news
  21. Pomfret, J., Pang, J. (2024). Chinese researchers develop AI model for military use, back Meta’s Llama. Reuters. Available at: https://www.reuters.com/technology/artificial-intelligence/chinese-researchers-develop-ai-model-military-use-back-metas-llama-2024-11-01/
  22. Chen, S. (2024). Chinese scientists create and cage world’s first AI commander in PLA laboratory. South China Morning Post. Available at: https://www.scmp.com/news/china/science/article/3266444/chinese-scientists-create-and-cage-worlds-first-ai-commander-pla-laboratory
  23. Barbu, A. M. D. (2023). Inteligenta artificial: cum vor schimba AI, Deep Learning si robotica domeniul militar. Bucuresti: Editura Militara, 178.
  24. Naida, A. (2024). Zastosuvannia velykykh movnykh modelei do rozrobky stratehii v nastilnykh ihrakh. Kyiv. Available at: https://ekmair.ukma.edu.ua/server/api/core/bitstreams/05501a82-4d67-423d-ac93-c3694f3399c6/content
  25. Wieroński, T. (2023). Sztuczna inteligencja w strategicznych grach planszowych: czy algorytm może zastąpić człowieka? Krakow: Wydawnictwa AGH, 80.
  26. Slyusar, V. I., Sliusar, I. I. (2024). Leveraging Pre-trained Neural Networks for Image Classification in Audio Signal Analysis for Mobile Applications of Home Automation. Research Tendencies and Prospect Domains for AI Development and Implementation, 109–126. https://doi.org/10.1201/9788770046947-6
  27. Slyusar, V., Protsenko, M., Chernukha, A., Melkin, V., Biloborodov, O., Samoilenko, M. et al. (2022). Improving the model of object detection on aerial photographs and video in unmanned aerial systems. Eastern-European Journal of Enterprise Technologies, 1 (9 (115)), 24–34. https://doi.org/10.15587/1729-4061.2022.252876
  28. Slyusar, V. I. (2022). Application of Neural Network Technologies for Underwater Munitions Detection. Radioelectronics and Communications Systems, 65 (12), 654–664. https://doi.org/10.3103/s0735272723030020
  29. Slyusar, V., Sliusar, I., Bihun, N., Piliuhin, V. (2022). Segmentation of analogue meter readings using neural networks. 44th International Workshop on Modern Machine Learning Technologies and Data Science MOMLET&DS2022. Leiden – Lviv, 165–175.
  30. Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N. et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. https://doi.org/10.48550/arXiv.2005.11401
  31. Ota, D. (2016). Towards Verification of NATO Generic Vehicle Architecture-Based Systems. Proceedings of the Twenty-First International Command and Control Research and Technology Symposium (21ST ICCRTS). London, 22. Available at: https://www.researchgate.net/publication/309027098_Towards_Verification_of_NATO_Generic_Vehicle_Architecture-Based_Systems
  32. Zhou, Z.-H. (2012). Ensemble Methods: Foundations and Algorithms (Chapman & Hall/CRC Machine Learning & Pattern Recognition). Boca Raton: CRC Press, Taylor & Francis Group.
  33. Shazeer, N., Mirhoseini, A., Maziarz, K., Davis, A., Le, Q., Hinton, G., Dean, J. (2017). Outrageously large neural networks: The sparsely-gated mixture-of-experts layer. arXiv. https://doi.org/10.48550/arXiv.1701.06538
  34. Mixtral of experts A high quality Sparse Mixture-of-Experts (2023). Available at: https://mistral.ai/news/mixtral-of-experts/
  35. Chen, Z., Deng, Y., Wu, Y., Gu, Q., Li, Y. (2022). Towards Understanding Mixture of Experts in Deep Learning. https://doi.org/10.48550/arXiv.2208.02813
Integration and coordination of electronic warfare assets through large-scale language models

##submission.downloads##

Опубліковано

2025-02-27

Як цитувати

Козлов, В. Г., Слюсар, В. І., Твердохлібов, В. В., & Андрійчук, З. Р. (2025). Інтеграція та координація засобів радіоелектронної боротьби за допомогою великих мовних моделей. Technology Audit and Production Reserves, 1(2(81), 54–61. https://doi.org/10.15587/2706-5448.2025.323916

Номер

Том 1 № 2(81) (2025): Інформаційно-керуючі системи

Розділ

Системи та процеси керування

Ліцензія

Авторське право (c) 2025 Vadym Kozlov, Vadym Slyusar, Volodymyr Tverdokhlibov, Zoia Andriichuk

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.