Guerre électronique cognitive : brouillage adaptatif et GE pilotée par ML

La guerre électronique traditionnelle repose sur un fichier de données de mission. Un signal intercepté est comparé à un catalogue d'émetteurs connus, une réponse prédéfinie est récupérée et la technique est appliquée. Ce modèle échoue dès qu'un adversaire déploie une radio qui modifie sa forme d'onde plus vite que le catalogue ne peut être mis à jour — une liaison de données à saut de fréquence, un radar à définition logicielle qui reprogramme son profil d'impulsion entre les engagements, ou un contrôleur de drone commercial qui saute à travers une bande non licenciée. La guerre électronique cognitive est la réponse logicielle à cet échec : un système qui perçoit le spectre, caractérise ce qu'il trouve en temps réel, décide d'une technique de brouillage, mesure l'effet et apprend. Cet article décrit l'architecture d'une pile logicielle de GE cognitive — le front-end de détection, la bibliothèque de signaux, le cœur de décision par apprentissage automatique, la génération de techniques de brouillage adaptatif et les contraintes d'intégration qui l'inscrivent dans les Opérations dans le spectre électromagnétique (EMSO).

Des fichiers de données de mission à la boucle cognitive

La différence fondamentale entre la GE conventionnelle et la GE cognitive réside dans l'emplacement de l'intelligence. Dans un système conventionnel, l'intelligence est chargée en amont : les analystes étudient une menace, en dérivent une technique de brouillage optimale hors ligne et l'encodent dans le fichier de données de mission que la plateforme emporte dans le combat. La plateforme elle-même est un moteur de recherche rapide. Cette approche fonctionne bien contre les menaces connues et stables, et échoue face à tout ce qui est nouveau ou adaptatif.

Un système cognitif déplace l'intelligence dans l'engagement lui-même. Il ferme une boucle à quatre étapes dans le logiciel — détecter, décider, agir, apprendre — qui tourne en continu tant que la menace est présente. Cette boucle est conceptuellement identique au cycle OODA, mais compressée à la milliseconde et exécutée par le logiciel, car aucun humain ne peut réagir dans les délais auxquels opèrent les émetteurs agiles modernes. Le système cognitif tire toujours parti de l'analyse hors ligne — il embarque une bibliothèque de signaux et des modèles pré-entraînés — mais il n'est pas limité à ce qui a été chargé avant le décollage. Lorsqu'il rencontre un émetteur qu'il n'a jamais vu, il le caractérise et génère une technique candidate plutôt que de déclarer la menace inconnue et de se désengager.

La détection et la caractérisation de ces émetteurs constituent en elles-mêmes un problème difficile ; les techniques en amont sont couvertes dans notre analyse de la détection de signaux en guerre électronique, sur laquelle la couche cognitive s'appuie comme front-end de détection.

L'architecture détecter-décider-agir-apprendre

Une pile de GE cognitive en production comprend quatre blocs fonctionnels qui correspondent directement aux étapes de la boucle, plus une couche transversale de contraintes et de sécurité.

Détecter. Un récepteur large bande alimente un pipeline de détection spectrale en temps réel : canalisation, détection d'énergie et extraction de caractéristiques produisent une liste continuellement mise à jour des émetteurs actifs. De façon cruciale, le bloc de détection suit chaque émetteur dans le temps plutôt que comme un instantané unique — l'agilité n'est visible qu'en tant que série temporelle. Un radar qui reprogramme son intervalle de répétition d'impulsion, ou une liaison de données qui saute de fréquence, doit être observé comme un comportement, pas comme une empreinte digitale.

Décider. Le cœur de décision prend la caractérisation de l'émetteur et les contraintes spectrales actuelles pour sélectionner une réponse. Dans un système cognitif, il s'agit d'une politique apprise — typiquement un agent d'apprentissage par renforcement — qui fait correspondre l'état observé à une action de brouillage. La décision est probabiliste et s'améliore avec l'expérience, contrairement à la recherche en table déterministe d'un système conventionnel.

Agir. La technique sélectionnée est synthétisée comme une forme d'onde et transmise. L'espace d'action étant continu (fréquence, largeur de bande, forme d'onde, rapport cyclique, puissance) et défini par logiciel, le même matériel peut produire un brouillage de barrage, ponctuel, balayé, trompeur ou conscient du protocole sans modification matérielle.

Apprendre. Le système observe la réaction de la cible, estime l'effet et met à jour la politique pour que le prochain engagement contre un émetteur similaire parte d'une meilleure technique. C'est ce qui distingue la GE cognitive de la GE simplement adaptative : le système ne réagit pas seulement, il accumule des connaissances.

La bibliothèque de signaux et la caractérisation des émetteurs

Même un système cognitif a besoin d'une bibliothèque de signaux — une base de données structurée d'émetteurs connus, de leurs paramètres et de leurs vulnérabilités cataloguées. La bibliothèque n'est pas la limite de la compétence du système, mais elle est le chemin rapide. Lorsque le bloc de détection produit une caractérisation, un classificateur par apprentissage automatique attribue des classes de modulation et de protocole et interroge la bibliothèque pour trouver une correspondance.

Trois résultats sont possibles. Une correspondance confiante récupère une technique connue efficace et l'engagement se déroule avec une faible latence. Une correspondance partielle — l'émetteur ressemble à une famille connue mais avec des paramètres modifiés — initialise le cœur de décision avec une technique de départ que la boucle d'apprentissage affine ensuite. L'absence de correspondance signale l'émetteur comme nouveau et le dirige vers le chemin complet de génération de technique adaptative. L'erreur architecturale à éviter est de traiter l'absence de correspondance comme un état d'échec ; dans un système cognitif, un émetteur inconnu est précisément le cas pour lequel toute la conception existe.

La caractérisation des émetteurs elle-même s'appuie fortement sur les mêmes techniques de classification de modulation et d'estimation de paramètres utilisées dans le renseignement sur les signaux. Un réseau de neurones convolutif ou récurrent opérant sur des segments IQ produit la classe de modulation ; l'analyse des mots descripteurs d'impulsion caractérise les émetteurs radar ; la reconnaissance d'empreinte de protocole identifie la famille de formes d'onde spécifique. Le résultat est un vecteur de caractéristiques suffisamment stable pour reconnaître de nouveau l'émetteur et suffisamment riche pour que le cœur de décision puisse raisonner sur ses vulnérabilités.

L'apprentissage automatique pour le brouillage adaptatif

L'affirmation technique centrale de la GE cognitive est que la sélection de technique de brouillage est un problème de décision séquentielle, et les problèmes de décision séquentielle sous incertitude sont exactement ce qu'adresse l'apprentissage par renforcement (RL).

Formulation par apprentissage par renforcement

Le problème est formulé comme un processus de décision markovien. L'état est la caractérisation actuelle de l'émetteur, plus l'historique récent de l'engagement et les contraintes spectrales. L'action est une configuration de brouillage : fréquence centrale, largeur de bande, type de forme d'onde, rapport cyclique et puissance. La récompense est une mesure de la perturbation — idéalement une estimation directe de dommage de combat telle qu'une baisse du débit de données du lien cible, mais souvent un indicateur indirect tel que l'émetteur qui change de fréquence ou augmente sa puissance d'émission en réponse au brouillage. L'objectif de l'agent est d'apprendre une politique qui maximise la récompense cumulée tout au long de l'engagement.

Face à une radio à saut de fréquence, un brouilleur ponctuel fixe est mis en échec dès que la radio saute. Un agent RL, en revanche, apprend les statistiques du modèle de saut et suit soit en brouillant le canal prédit suivant, soit en appliquant un barrage dimensionné pour couvrir efficacement la bande agile. Face à un radar adaptatif qui modifie son profil d'impulsion quand il est brouillé, l'agent apprend quelles techniques trompeuses provoquent la contre-adaptation la moins efficace. C'est précisément le régime dans lequel une bibliothèque statique ne peut pas suivre, et il recoupe directement le travail anti-drone — le brouillage adaptatif du lien de contrôle décrit dans les logiciels de guerre électronique anti-UAV est un problème de GE cognitive dans tous les sens du terme.

Le problème de la récompense

Le défi d'ingénierie le plus difficile dans la GE pilotée par ML est l'estimation de la récompense. Dans un environnement de jeu, la récompense est donnée ; dans le spectre électromagnétique, elle doit être inférée à partir de l'observation, souvent sans retour direct de la cible. Un brouilleur reçoit rarement un signal clair indiquant « votre brouillage a fonctionné ». Le système infère plutôt l'effet à partir de preuves indirectes : le taux de retransmission de la cible augmente, son trafic d'accusés de réception s'arrête, elle abandonne une fréquence ou elle augmente sa puissance. Construire un estimateur de récompense fiable à partir de ces indicateurs indirects — et reconnaître quand l'estimation est peu fiable — est là où réside la majeure partie de l'intelligence réelle du système. Une estimation de récompense confiante mais erronée enseigne à l'agent la mauvaise leçon, de sorte que la confiance dans la récompense doit elle-même être suivie et intégrée dans la mise à jour de l'apprentissage.

Entraînement et validation sans fratricide spectral

Un agent de GE cognitive ne peut pas être entraîné sur le champ de bataille réel — à la fois parce que générer des millions d'engagements est impraticable et parce qu'un agent d'apprentissage non contraint émettant dans un spectre partagé est un risque de fratricide. L'entraînement se déroule donc dans une simulation RF haute fidélité ou un jumeau numérique matériel-logiciel qui modélise les formes d'onde de menace, la propagation, le comportement du récepteur et la propre chaîne d'émission du brouilleur.

La politique entraînée est validée par étapes : d'abord contre l'ensemble de menaces hors-échantillon du simulateur, puis dans une chambre anéchoïque contrôlée ou un terrain d'essai instrumenté en plein air contre des émetteurs réels représentatifs. Tout au long du processus, l'agent fonctionne dans un espace d'action borné et une couche de contraintes strictes qui l'empêche physiquement de sélectionner des émissions en dehors de son enveloppe de fréquence, de puissance et de temps autorisée. Si l'apprentissage en ligne est autorisé sur le terrain, la même couche de contraintes le régit — l'agent peut affiner sa politique dans l'enveloppe mais ne peut jamais apprendre à en sortir. C'est le même principe de séparation des préoccupations qui maintient un système de commande de vol en sécurité : le composant appris propose, la couche de sécurité vérifiée dispose.

Intégration EMSO et déconflictualisation spectrale

Un brouilleur cognitif qui opère de manière isolée est un risque, car la victime la plus probable d'un brouillage efficace est la communication amie. La GE cognitive doit donc s'inscrire dans les Opérations dans le spectre électromagnétique (EMSO) — la gestion coordonnée à l'échelle de la force du spectre électromagnétique pour la détection, les communications, l'attaque électronique et la protection électronique.

Concrètement, l'intégration EMSO signifie que le système de GE cognitive consomme et produit des données spectrales. Il consomme les contraintes de planification et de déconflictualisation spectrales — les fréquences protégées, les limites géographiques et temporelles, la priorité des systèmes amis — et les intègre dans la couche de contraintes qui borne l'espace d'action de l'agent RL. Il produit un rapport de ses propres émissions dans le tableau de situation opérationnelle commun afin que les gestionnaires de spectre et les autres actifs de GE voient ce qu'il fait. La logique de déconflictualisation qui prévient le fratricide ami est la même discipline couverte dans la déconflictualisation spectrale en opérations militaires, appliquée ici comme contrainte stricte plutôt que guidance consultative.

Cette intégration est bidirectionnelle avec le tableau de commandement également. Les commandants doivent comprendre non seulement où le brouilleur émet mais pourquoi — ce qu'il engage, l'effet qu'il estime obtenir et quel spectre il nie à qui. La mise en surface de ce raisonnement dans la couche C2 est l'objet de notre article sur la superposition de guerre électronique dans les tableaux de bord C2, et c'est ce qui transforme un brouilleur autonome d'une boîte noire en un actif EMSO commandable.

Limitations, risques et voie vers l'accréditation

La GE cognitive hérite de tous les risques de l'apprentissage automatique déployé et y ajoute les conséquences de l'émission d'énergie RF sur un spectre partagé et contesté. Trois risques dominent.

Décalage de distribution. Un agent entraîné contre un ensemble d'émetteurs peut se comporter de manière imprévisible face à une forme d'onde véritablement nouvelle. L'atténuation est conservatrice : détecter quand l'entrée se situe en dehors de la distribution d'entraînement, réduire l'autorité de l'agent et revenir à une technique conventionnelle avec un mode de défaillance connu plutôt que de laisser une politique hors distribution improviser.

Manipulation adversariale. Un adversaire capable peut présenter des signaux conçus pour induire le classificateur en erreur ou pour empoisonner l'estimation de récompense — réagissant délibérément au brouillage d'une manière qui enseigne à l'agent une technique inefficace. La défense contre cela requiert le même travail de robustesse adversariale que tout système ML déployé, plus un scepticisme sain intégré dans l'estimateur de récompense.

Explicabilité et accréditation. Une politique apprise ne produit pas de justification lisible par l'homme, ce qui complique l'analyse post-action et l'accréditation qu'une capacité de GE déployée requiert. La réponse pratique est l'architecture de couche de contraintes décrite ci-dessus : accréditer rigoureusement l'enveloppe de sécurité bornée et vérifiable, et traiter la politique apprise comme un optimiseur opérant strictement à l'intérieur de celle-ci. Une journalisation complète et immuable de chaque engagement — caractérisation de l'émetteur, technique sélectionnée et effet mesuré — donne aux analystes la piste post-action que la politique elle-même ne peut pas fournir.

Aucun de ces risques n'est une raison d'éviter la GE cognitive ; ce sont des raisons de l'architecturer correctement. Les menaces qui la motivent — émetteurs agiles, à définition logicielle, adaptatifs — sont déjà sur le terrain, et un système piloté par catalogue n'a pas de réponse à leur égard.