인공지능이 EW를 빠르게 변화시키고 있다.

 

인공지능(AI, Artificial Intelligence)는 많은 사람들에게 아직은 이해하기 어려운 개념이다.

그럼에도 불구하고 AI는 검색 엔진에서부터 스마트폰과 당신이 원하는 것을 찾아주는 디지털 스트리밍 서비스에 이르기까지 어디에나 AI가 적용되고 있다.

 

필연적으로 AI의 다음 목표는 전자전(EW) 분야이다.

여기에는 여러 가지의 이유가 있지만 그 중에서 적어도 한 가지는 적의 AESA 레이다가 이미 AI를 사용하고 있다는 것이다.

비록 게임에서는 조금 늦었지만 EW와 SIGINT는 AI와 하부 구성인 기계학습(Machine Leaning), 딥러닝(Deep Learning)의 완벽한 응용분야이다.

이것들이 모여  인지 전자전(Cognitive EW)의 개념을 형성한다.

 

인지 시스템은 일반적으로 데이터로부터 감지, 학습 및 추론을 하도록 설계되며 이를 바탕으로 무언가를 결정하려는 인간에게 권장사항을 제공한다.

그렇기 때문에 EW 분야에서의 AI 개념은 적의 신호를 탐지 및 분류하고 기계학습 알고리즘을 이용하여 긴 시간이 소요되는 대응책(Countermeasure) 구축 프로세스를 자동화하는데 중점을 두고 있다.

 

AI는 인간보다 훨씬 빠른 속도로 방대한 양의 데이터를 분석할 수 있으며 추가 분석과 활용을 위해 관심 신호를 식별할 수 있기 때문에 대응책을 매우 빠르게 준비할 수 있다.

그리고 인지 전자전 기술이 발전됨에 따라 최전방의 공격 플랫폼에 탑재된 AI는 전장 관리 시스템과 함께 전자기 환경에 대한 보다 우수한 감지와 식별, 전달이 가능하고 추가적인 AI를 통하면 지휘관을 위한 더 큰 규모의 EMS 체계를 구축할 수 있게 한다.

 

BAE Systems사 R&D 센터의 디렉터는 다음과 같이 말했다.

“정보를 인텔리전스로 처리하는 비용은 점점 더 비싸지고 있는데 그 이유는 더 많은 파형이 존재하고 주파수는 높아지며 혼잡도도 높아지고 있기 때문이다.

그렇기 때문에 AI는 센서에서 직접 활성화 되어야활성화되어야 할 뿐만 아니라 자원 관리 파트, 제어 센터 그리고 적 파형이 활용되는 백엔드에서도 활성화되어야 한다.

AI는 오직 한 곳에서만 적용되는 것은 충분하지 않으며 AI와 기계학습을 처리의 여러 단계에 적용하는 것이 비용 곡선을 꺾을 수 있는 진정한 비밀 수단이 될 것이다.”

 

“일반적으로 가장 진보한 인지 시스템은 자동으로 결정하고 수행하며 인간의 개입을 완전히 배제한다.

그러나 인지 전자전 시스템은 적어도 가까운 미래에 동작에 대한 충분한 증명이 있기 전까지는 이러한 단계에 도달하지 못할 것이다.

그 이유는 무장 시스템 운용자는 삶과 죽음의 결정에 있어서 전자전 시스템 내에 있는 AI를 신뢰할 수 있어야 하기 때문이다.

이는 40~50년 전 뒷 자석의 전자전 장교를 대체했던 자동화 전자전 시스템이 그랬던 것 처럼 AI가 이러한 수준의 신뢰를 얻기 위해서는 꽤 오랜 시간이 걸릴 것이다.

그러나 현재의 목표는 이보다 작다.

한가지 예를 들면 AI가 적용된 자체 보호 시스템은 많은 전자전 AI 응용 분야 중 하나에 불가하다.

EW 응용 분야는 위협의 분석부터 훈련 강화, 전자기 전장 관리에 이르기까지 매우 다양하다.

이러한 분야에서 AI는 중요한 역할을 담당할 수 있다.

그리고 이러한 분야에 AI가 적용되면 이것은 단순한 이진 스위치를 켰다가 껐다 하는 수준이 아니다.

가장 효과적인 인지 시스템은 통찰과 창의성을 발휘하는 인간의 고유한 능력이 AI의 계산과 분석 능력과 결합한다.

이러한 결과는 human in the loop이 아닌 human on the loop 처리에 더 가깝다고 볼 수 있다. “

 

(시험 중인 미 해군의 SLQ-32(V)7 시스템)

위 그림은 미 해군의 SEWIP 프로그램으로 개발된 SLQ-32(V)7 시스템이다.

이 시스템은 대함 미사일로부터 전투원들을 보호하는 데에 궁극적으로 AI를 적용할 계획이다. 

그림은 Northrop Grumman사의 High Bay Integration Lab에서 시험을 하고 있는 모습이며 위쪽 좌측 사분면의 어레이는 Lockheed Martin사의 디지털 ESM 시스템에서 통합 설계한 것이고 AESA 기반의 Jamming Suite은 Northrop Grumman사에서 개발하였다.  

 

 

[전자전 분야에서의 AI 적용 한계 사항 제거]

무장 시스템 운용자가 위협에 대응을 할 때에 시간은 매우 중요하다.

기존의 EW 시스템은 적의 레이다나 라디오로부터 관심 신호를 탐지하고 시스템 내에 있는 라이브러리를 통해 이미 알려진 신호와 매칭 하여 식별하게 된다.

만약 신호가 식별되면 재머는 특정 레이다나 라디오 수신기를 방해 또는 기만하기 위해 사전에 장입된 대응 알고리즘을 즉시 선택하여 재밍 신호를 방사하게 된다. 

 

중국이나 러시아와 같은 국가는 AI를 통해 인지 성능이 강화된 레이다나 EO/IR, 통신 시스템을 사용하며 이는 전자전 시스템에 새로운 과제가 되었다.

인지 레이다와 라디오는 계속적으로 변화하는 새로운 파형을 송신하고 수신하며 처리할 수 있다.

이것은 EW 시스템에 현존하는 문제이며 식별이 쉽지 않은 레이다나 라디오 신호에 재밍 알고리즘을 최적화 시킬 수 없기 때문이다.

 

전자전 시스템에 적 레이다와 라디오 신호는 새롭고 변화하는 신호 타입을 사용하는 우군 신호와 중립의 신호들이 복잡하게 섞여 있는 전자기 환경의 한 부분이다.

이것은 적 레이다나 라디오로부터의 새로운 신호는 HF 부터 마이크로웨이브 대역을 거쳐 밀리미터 웨이브 대역까지의 거대한 RF 에너지 범위 안에서 “미식별(unknown)” 신호로 숨겨질 수 있음을 의미한다.

 

인지 전자전 기술은 AI 알고리즘과 계산 및 분석 능력, 전자기 환경에서 그들의 행동을 기반으로 위협 시스템을 찾아내려는 딥러닝 능력의 결합을 통해 이러한 문제를 해결할 수 있도록 도움을 준다.

그러나 이러한 것을 얻기 위한 계산 능력은 아직까지는 멀리 떨어져 있는 데이터 센터와 수 많은 서버들에 제한되어 있고 모두 대량의 정보를 거의 동시에 분석하고 결정할 수 있는 파워풀한 프로세서들이다.

이러한 데이터 센터는 수천 마일 떨어져 있다.

아주 이상적인 상황에서라도 데이터가 플랫폼으로부터 데이터 센터까지 갔다가 처리를 거쳐 대응 알고리즘이 다시 원래의 무기 시스템으로 돌아오기에는 너무 멀다.

 

한 가지 솔루션은 EW 데이터 프로세싱을 플랫폼과 운용 센터로 분리하는 것이다.

이를 위해서는 중요한 두 가지 요소가 있다.

첫 번째는 센서에 의해 데이터가 생성되는 플랫폼과 데이터 클라우드 센터 간에 왕복 지연이고 두 번째는 전송되어야 하는 데이터 양이 데이터 링크 용량을 넘는다는 것이다.

 

이 두 이슈는 클라우드와 플랫폼간의 업무를 분담하여 해결할 수 있다.

전자전에서 이러한 접근 방식을 적용하면 지연 문제는 해결되는데 그 이유는 실시간 응용을 위한 처리 기능이 데이터 클라우드 센터가 아닌 플랫폼상에 존재하기 때문이다.

오직 분석을 위한 데이터만 보내지기 때문에 데이터 링크의 데이터 로드를 줄여주며 데이터 방해나 가로채기를 당하지 않으면서 계속적인 업데이트가 가능하다.

 

그러나 이러한 개념을 구현하는 것은 쉬운 일이 아니다.

선박이나 차량은 AI 하드웨어를 위한 DC 파워나 공간이 충분한 반면에 항공기 플랫폼은 이러한 공간적인 제약이 있다.

항공기용 인지 전자전 시스템은 아주 작은 공간에 가장 큰 효율을 요구한다.

다행스럽게도 최근에 제한된 환경에서 공간을 활용하는 중요한 기술 발전이 있었다.

 

반응형

 

첫 번째는 RF의 디지털화이며 이는 거의 안테나 근처에서 아날로그 입력 신호를 직접 RF 샘플링을 통해 구현된다.

이는 믹서와 국부 발진기와 같은 마이크로웨이브 소자들이 필요없게 만들며 불필요한 요소들을 제거할 수 있게 한다.

신호가 디지털 도메인에 있으면 시스템은 RFSoC(Radio Frequency System-on-Chip) 또는 GPGPU(General-Purpose Graphics Processing Unit)을 통한 프로세싱이 가능하여 디지털화 고유한 이점을 활용할 수 있다.

RFSoC는  FPGA 패키지 내부에 외부 아날로그-디지털 컨버터가 통합되어 있고 중요 I/O에 ARM 프로세서가 더해져 있다.

GPGPU는 기존의 CPU와 고유한 능력을 갖는 그래픽 프로세서인 GPU가 통합되어 있다.

이 두 가지 형태의 프로세싱 엔진은 AI에 사용되며 신호처리 공간과 소모전력을 획기적으로 줄여준다.    

 

이러한 기술이 EW와 SIGINT 시장에 적용된 최신의 예는 BAE Systems사의 Hedgehog이다.

(BAE Systems사의 Hedgehog)

 

Hedgehog는 실시간으로 재구성이 가능하고 RF 전단부는 재구성이 가능한 통합 회로 송수신기를 위한 다중 어레이 기술(MATRICs, Multiple Array Technology for Reconfigurable Integrated Circuits)이 적용된 소프트웨어 정의 라디오(SDR, Software-Defined Radio)이며 동전 크기만 하다.

신호 범위는 DC 부터 40 GHz에 이르며 나노초대의 스위칭 속도를 갖는다고 한다.

Xilinx RFSoC에 의해 디지털화와 처리가 가능하고 16 채널까지 디지털화가 가능하며 한 채널은 2 GHz의 순시 대역폭을 갖는다. 

 

BAE Systems사는 CHIMERA(Machine-learning Enabled Real-time Adaptivity) 프로그램을 위해 제어가 가능한 하드웨어 통합에 이 Hedgehog 라디오를 사용하였다.

이 프로그램은 DARPA에의해 지원받으며 복잡한 전자기 환경 속에서 기계학습 알고리즘을 위한 형상변경 가능 하드웨어 플랫폼을 개발하는 것이다.

 

BAE Systems사는 Hedgehog가 신호와 복잡한 전자기 환경을 탐지하는 능력을 무인 항공 시스템에서 시연하였다.

이 시연은 DARPA의 DRAGONS(Distributed RF Analysis and Geolocation on Networked System) 연구의 한 일환이었으며 이 연구의 목표는 신호 식별과 geolocaiton 능력을 통합하는 것이다. 

(미 공군의 XQ-58A는 AI가 포함된 EW 시스템을 탑재할 수 있다.)

 

 

[AI를 통한 프로세스의 간소화]

기존의 대응책 개발 프로세스는 특유의 시간 지연이 있다.

새로운 위협 신호가 SIGINT 플랫폼에 의해 수집되면 이 신호는 분석을 위해 데이터 센서로 보내지고 다른 SIGINT 임무에서 수집된 신호와 합께 데이터 포랜식을 수행한다.

신호는 분석되고 대응책을 개발하는 데에는 수 주일 또는 수 개월이 소요된다.

대응책이 개발되면 위협 데이터와 함께 EW 시스템에 업로드된다.

수십년간 이러한 과정이 적용되어왔는데 최근 인지 레이다와 데이터링크 시스템과 같은 현대화된 적에 대응하기에는 이러한 프로세스가 너무 느리다.

 

AI와 기계 학습은 이러한 지연을 줄여줄 수 있다.

전자전 시스템의 가장 기본 기능은 적 레이다나 통신 시스템으로부터의 관심 신호를 수신하고 인지하며 필요하다면 재밍까지 하는 것이다.

전통적인 전자전 시스템은 이러한 처리를 전자전 시스템이 인지할 수 있도록 해주는 수집된 데이터에 의존한다.

AI가 적용된 전자전 시스템에는 데이터 수집에 완전히 새로운 가치가 부여된다.

그 이유는 수많은 데이터를 통해 적 신호의 패턴과 행동을 인지하기 위한 AI 모델 훈련을 시켜야 하기 때문이다.

    

다음은 Lockheed Martin사의 엔지니어가 한 말이다.

“최신의 레이다는 매우 적응적이어서 FPGA를 이용하여 순간적으로 그들의 방식이나 행동을 변경할 수 있다.

이것은 대응책 시스템에게는 문제가 될 만큼 시간의 지연을 만들게 한다.

그러나 AI를 이용하면 아주 짧은 시간에 어떻게 대응해야 하는지 권고를 받을 수 있으며 데이터를 줄이는데 아주 큰 도움이 된다.

 

 

[Legacy 전투기의 AI 적용]

앞으로 새로운 전자전 시스템에 AI 능력을 포함시킬 것이라고 생각하지만 기존의 아날로그 기술과 수십 년 전에 개발된 많은 전자전 시스템도 AI가 통합될 필요가 있다.

10년 전에 개발된 시스템은 아직 완전히 작동불가 상태가 아니며 표준 인터페이스를 가지고 있기 때문에 AI 적용이 가능하다. 

 

6세대 플랫폼은 모두 AI 능력을 포함하고 있다.

여기서 얘기하는 기존 플랫폼은 F-16이나 F-18을 의미한다.

6세대 전투기가 비행을 하려면 많은 시간을 기다려야 하며 아직 많은 수의 4세대 전투기가 운용 중이기 때문에 AI를 저렴한 비용으로 짧은 기간에 통합시키는 기회는 상당히 많을 것으로 본다.

개방형 표준 적용이 많아짐에 따라 FPGA나 tensor 프로세서, GPGPU 등을 기존 플랫폼에 장착하는 것은 쉬워진다.

(F/A-18E/F의 ALQ-214 시스템에는 AI가 적용되어 있다)

 

 

[인지 전자전의 미래]

불과 10년 전만해도 인지 전자전은 현실보다는 꿈에 가까웠다.

그러나 AI의 눈부신 발전과 이를 가능하게 하는 소프트웨어와 하드웨어의 개발로 인해 이러한 생각은 극적으로 바뀌기 시작했다.

4세대 전투기에 AI를 장착함으로써 훨씬 많은 것들을 얻을 수 있다.

AI와 기계학습은 점점 더 통합되고 있다.

AI 발전의 다음 단계는 지연 시간을 줄이는 것이다. 

그리고 AI를 더욱 "에지(Edge)"에 가깝게 적용하는 것에 노력을 기울이고 있다.

그 중 하나는 기계학습 프로세서를 트랜시버 바로 옆에 배치하는 것이며 CPU나 FPGA를 사용하는 것보다 더욱 파워에서 효율적이다.

 

이러한 모든 능력들이 개발되면 다음 질문은 시스템이 충분히 자동적이냐는 것이다.

사실 AI는 많은 윤리적인 측면에서의 질문이 있다.

만약 자동 시스템이 대응책을 만들었다면 정말 이 방법이 조종사를 안전하게 할 수 있게 만들 수 있냐는 질문이 남게 된다.

 

이는 실제로 신뢰에 대한 문제이다.

왜냐하면 조종사는 전자전 시스템이 자동적으로 동작하고 권고한 것에 대해 자신의 목숨을 걸지 말지를 선택해야 하기 때문이다.

신뢰가 가지 않는다면 이를 꺼야 한다.

사실 이러한 상황은 첫 번째가 아니다.

스텔스가 처음 개발되었을 때 이 신 기술을 신뢰할 수 있는지 의문이 있었고 결국에는 신뢰하게 되었다.

 

결국 AI 적용에 대한 문제는 시간과의 싸움이라 할 수 있다.

적은 그들의 시스템에 AI를 적용하고 있기 때문에 우리도 빨리 적용하느냐 아니면 지느냐이기 때문이다.

 

 

 

출처 : Journal of Electronic Defense