河套IT TALK 60：（原创）大数据安全——美国国防部的“天使基金”在投什么项目？（系列完）

【太长不看】(TLDR) ：本文是DARPA系列项目分析的最后一期。本系列展示了100个DARPA目前正在投资的项目，尽管覆盖不完整，但希望大家能从中发现一些规律，有助于我们当下科研项目的方向选择，至少可以在某种程度的借鉴。本期了解的10个项目分别是：CDMaST (跨域海上监视和目标定位) 、CASTLE (安全测试和学习环境的网络代理)、CASE（嵌入式系统安全）、CHASE (大规模网络狩猎) 、DPRIVE (虚拟环境中的数据保护) 、D3M (数据驱动的模型发现) 、DRACO（敏捷地月行动示范火箭）、DIGETs (使用基因编辑技术检测) 、DRBE (数字射频战场仿真器)、DODOS (直接片上数字光合成器)。

关联回顾

聊聊美国国防高级研究计划局正在投资的项目(一)

聊聊美国国防高级研究计划局正在投资的项目(二)

聊聊美国国防高级研究计划局正在投资的项目(三)

聊聊美国国防高级研究计划局正在投资的项目(四)

现实版的天网计划——美国国防部的“天使基金”在投什么项目？（五）

植物传感器、细菌防腐涂层——美国国防部的“天使基金”在投什么项目？（六）

万物自动化——美国国防部的“天使基金”在投什么项目？（七）

太空生存——美国国防部的“天使基金”在投什么项目？（八）

下一代飞机——美国国防部的“天使基金”在投什么项目？（八）

在本系列的第一篇我们对美国国防高级研究计划局（DARPA）做了一个简短的介绍。

DARPA的项目相当多都是公开的，由于机构运作节奏很快，所以项目也不停地启动和终结。但有一点是毫无疑问的：了解DARPA正在资助什么项目，会有助于我们了解美国科技的前沿。这个系列，我们将分大约分几期来阐述当下DARPA网络公开的正在资助的科研工程项目，让大家一窥端倪，或许能对在科技前沿的方向选择上的朋友有一定程度的启迪。

本文，我们将继续和大家介绍另外10个DARPA正在投资对项目。本文也是本次系列的终结。我们通过这100个项目，给大家展示了DARPA在人工智能、量子计算、太空探索、新型材料、生物科技等等领域的开发和投入。

注意我们对每个项目的解读也有自身知识结构的局限，如果想进一步了解更多信息，可以去公开渠道自行查询。

CDMaST

CDMaST 是Cross-Domain Maritime Surveillance and Targeting (跨域海上监视和目标定位) 的缩写。

跨域海上监视和瞄准（CDMaST）计划是美国国防高级研究计划局 (DARPA) 于 2016 年4月启动的一项研究计划，其目标是通过在分布式无人系统、先进传感器、弹性通信和新兴远程武器系统开发一种能够提供持续、实时的海洋领域水面和水下活动态势感知的系统。CDMaST 计划的初始阶段侧重于开发和展示用于跨域海上监视和目标定位的新技术和概念。这一阶段于 2019 年完成，2020 年 DARPA 宣布推进该计划的第二阶段，重点是将第一阶段开发的技术转化为军方的作战使用。第二阶段预计将持续到 2023 年，并将涉及进一步开发和完善第一阶段开发的技术和算法，以及在操作环境中测试和验证这些技术。

CDMaST 旨在通过开发先进的传感器系统和软件来应对这一挑战，这些系统和软件可以集成来自多个来源的数据，包括雷达、声纳和其他传感器。包括：固定传感器和移动传感器。

固定传感器通常部署在战略位置，例如港口或沿海岸线，并且可以包括雷达、声纳和其他类型的传感器。这些传感器可以安装在浮标、码头或其他结构上，可用于监控船只交通、检测水下威胁和跟踪天气模式。

移动传感器通常安装在船舶或飞机上，用于对船舶和海上活动进行实时监控。这些传感器可能包括雷达、光电/红外传感器和其他类型的传感器，可用于检测和跟踪大范围内的船只。

通过传感器采集的数据的后续分析，也是项目重要的一环，以下的技术可能被用到：

机器学习算法：机器学习算法用于分析传感器数据的大型数据集，并识别可能表明存在威胁的模式和异常。例如，机器学习算法可用于分析声纳数据并识别不同类型船只（包括潜艇）的独特声音特征。

数据融合算法：数据融合算法用于整合来自多个传感器和来源的数据，并提供海域的综合图像。例如，可以融合来自雷达、声纳和 EO/IR 传感器的数据，以更全面地了解特定区域的船只活动。

目标跟踪算法：目标跟踪算法用于跟踪海域中船只和其他物体的运动。这些算法使用来自多个传感器的数据来估计目标的位置、速度和方向，并预测其未来的运动。

决策算法：决策算法用于分析 CDMaST 中使用的各种算法的输出，并提供行动建议。这些算法考虑了威胁程度、友军能力以及不同行动方案的潜在影响等因素。

DE2（关键基础设施决策练习分布式环境）是CDMaST项目的重要组成部分。DE2 是一个模拟环境，使军事人员能够在真实的模拟环境中测试和评估跨域海上监视和目标定位的新概念和技术。DE2 旨在模拟一系列不同的场景和情况，包括海域中的动能和非动能威胁。它整合了各种不同的数据源和输入，包括来自多个平台的传感器数据，以及实时天气和海洋数据。DE2 的主要优势之一是它允许军事人员在安全和受控的环境中测试新概念和技术，而没有现实世界后果的风险。这使他们能够评估不同的场景并测试各种策略和战术以应对潜在威胁。DE2 已广泛用于 CDMaST 计划，无论是在初始技术开发阶段还是在持续的测试和评估中。它已被用于评估新算法和传感器的有效性，以及培训和教育军事人员如何在现实世界中使用这些新功能。

总体而言，CDMaST计划的目标是为美军提供更全面、更有效的海上监视能力。提高各种情况下海上作业的安全、安保和效率。

关键词：海域监测、数据融合、目标跟踪

CASTLE

CASTLE是Cyber Agents for Security Testing and Learning Environments (安全测试和学习环境的网络代理)的缩写。

“用于安全测试和学习环境的网络代理”(CASTLE) 是由美国国防高级研究计划局 (DARPA) 发起的一项研究计划，旨在开发新一代网络安全工具和技术。CASTLE 的目标是创建一个可以实时自动识别和响应网络威胁的平台。

CASTLE 程序基于“网络代理”的概念，这是可以在更大的网络或系统中独立运行的自主软件程序。这些“网络代理”旨在持续监控网络活动、检测潜在威胁并实时响应。“网络代理”还能够从他们的经验中学习，使他们能够随着时间的推移适应和提高他们的表现。

网络代理可以执行一系列不同的网络安全任务，包括：

漏洞评估：网络代理可用于识别网络或系统中的漏洞，例如过时的软件或不安全的端口。

入侵检测：网络代理可以监控网络流量并检测可能表明潜在攻击的异常或可疑活动。

威胁响应：网络代理可以实时响应检测到的威胁，采取隔离受感染系统或阻止恶意流量等措施。

态势感知：网络代理可以提供网络活动的全面视图，使安全团队能够快速识别潜在威胁并有效应对。

CASTLE 计划还专注于开发新的机器学习算法，使网络代理能够从他们的经验中学习并随着时间的推移提高他们的表现。这将使代理能够适应不断变化的威胁和环境，并提供更有效的网络安全保护。包括但不局限于：

强化学习：强化学习是一种机器学习，在这种机器学习中，代理通过与其环境交互并接受某些行为的奖励或惩罚来学习。在网络安全的背景下，强化学习可用于使网络代理能够实时识别和响应威胁，同时随着时间的推移适应新的威胁。

深度学习：深度学习是一种机器学习，其中使用人工神经网络来分析大量数据。在网络安全的背景下，深度学习可用于使网络代理能够检测和分类不同类型的威胁，例如恶意软件或网络钓鱼攻击。

对抗性机器学习：对抗性机器学习是一种机器学习，在这种机器学习中，代理被训练来抵御对抗性攻击，这些攻击是专门设计用于欺骗或欺骗机器学习模型的攻击。在网络安全的背景下，对抗性机器学习可用于使网络代理能够检测和响应旨在绕过传统安全措施的复杂攻击。

迁移学习：迁移学习是一种机器学习，其中从一个任务或领域获得的知识被迁移到另一个任务或领域。在网络安全的背景下，迁移学习可用于通过利用从以前的经验中获得的知识，使网络代理能够更快地适应新的威胁和环境。

CASTLE 计划目前正在进行中，处于第三阶段也是最后阶段。该计划于 2016 年启动，在开发用于网络安全的新网络代理和机器学习算法方面取得了重大进展。

在该计划的第一阶段，研究人员专注于开发网络代理的基础技术和算法，以及构建用于评估这些代理性能的测试平台环境。在第二阶段，该计划的重点是将这些技术集成到一个可用于现实世界网络安全应用程序的有凝聚力的平台中。

在目前的第三阶段，重点是完善和优化早期开发的网络代理和平台，以及在各种现实场景中展示这些技术的能力。这包括在模拟网络环境以及军事网络和关键基础设施系统等真实环境中测试网络代理。

总的来说，CASTLE 计划代表了增强网络安全能力和抵御不断变化的网络威胁的重要努力。通过开发可以实时运行并适应新威胁的自主网络代理，CASTLE 计划旨在为军用和民用网络等提供更高级别的网络安全保护。

关键词：漏洞评估、入侵检测、威胁响应、态势感知

CASE

CASE是Cyber Assured Systems Engineering (系统工程的安全保障)的缩写。

嵌入式系统常见于消费、工业、汽车、家用电器、医疗、电信、商业、航空航天和军事应用中。据估计，制造的所有微处理器中有 98% 用于嵌入式系统。嵌入式系统通常用作更大的复杂信息物理系统中的关键组件。例如，嵌入式系统可用于控制自动驾驶汽车中的传感器和执行器，或用于控制工业控制系统中的泵和阀门。因此，嵌入式系统的安全性和弹性会对更大的复杂网络物理系统的整体安全性和弹性产生重大影响。网络安全系统工程 (CASE) 计划是由国防高级研究计划局 (DARPA) 资助的一项计划，旨在提高复杂网络物理系统的安全性和弹性。该计划于 2015 年开始，但截至当前仍未终结。

CASE 计划侧重于开发用于构建和测试安全网络物理系统的新工具和方法，这些系统结合了数字和物理组件。此类系统的示例包括飞机、汽车、医疗设备和电网等。

该计划旨在解决与保护网络物理系统相关的几个关键挑战，包括需要：

解决这些系统的硬件和软件组件中的漏洞。

确保这些系统能够在复杂和动态的环境中安全有效地运行。

针对复杂的网络攻击和其他形式的恶意活动提供强大的防御。

为了实现这些目标，CASE 项目开发了几种新的工具和方法，包括：

一种称为“安全、有保障和弹性系统”(SARES) 的新系统架构，从一开始就将安全性和弹性功能融入到网络物理系统的设计中。使系统工程师能够在考虑“网络弹性”的情况下设计和构建复杂的嵌入式计算系统。“网络弹性”是指系统抵御网络攻击或其他安全威胁并从中恢复的能力。

一套测试和验证工具，旨在识别和解决网络物理系统中的漏洞。这些工具包括自动和手动测试方法，旨在与各种不同的系统架构和组件一起使用。

一种新的软件开发方法称为“高保证软件开发”(HASD)，它将安全性和可靠性考虑因素纳入软件开发过程。

总体而言，CASE 计划代表了在开发安全且有弹性的网络物理系统方面向前迈出的重要一步。通过开发可用于构建和测试这些系统的新工具和方法，该计划旨在针对网络攻击和其他形式的恶意活动提供更有效和更强大的防御。但我觉得这像计划一个最大的问题是，尽管亡羊补牢未为晚也，但已经在部署的大量的嵌入式复杂系统仍然是被网络攻击的软肋。但并未在本项目中有真正的考虑。

关键词：嵌入式系统、弹性系统、高保证软件开发CHASE

CHASE是Cyber-Hunting at Scale (大规模网络狩猎) 的缩写。

在当今的数字世界中，网络威胁是一个严重且日益受到关注的问题。根据 Cybersecurity Ventures 的数据， 2021 年，网络犯罪造成的损失每年将使全球损失 6 万亿美元，高于 2015 年的 3 万亿美元。战略与国际研究中心 (CSIS) 的一份报告估计，网络犯罪每年给全球经济造成 4450 亿美元至 6080 亿美元的损失。这些统计数据表明了网络威胁对全球个人、企业和政府的严重性和影响。随着我们对数字技术的依赖不断增加，在可预见的未来，网络威胁很可能仍将是一个重大问题。

当前最先进的网络防御商业工具通常侧重于使用基于签名的方法、基于规则的方法和行为分析来检测和阻止已知威胁。这些工具可有效识别和预防许多常见的网络攻击，但它们难以跟上现代网络威胁的规模和速度。

现有商业工具面临的一大挑战是它们无法扩展到大型复杂网络。许多商业工具依赖于集中监控和分析，随着网络中设备和数据流数量的增长，这些工具可能会不堪重负。这可能会导致误报、漏报和响应时间延迟。

另一个挑战是现代网络威胁通过网络传播的速度。许多商业工具依赖于手动或半自动流程来识别和响应威胁，这可能太慢而无法跟上快速发展的威胁。

为了解决这些差距，CHASE 计划旨在开发可大规模和快速运行的网络防御新技术和方法。这包括开发用于威胁检测和响应的高级机器学习算法，以及用于网络可视化、态势感知和决策支持的新技术。CHASE 的目标是创建一个网络防御平台，即使在大规模运行时也能实时自主检测、跟踪和消除网络威胁。减少人工干预的需要，并最大限度地减少网络攻击对关键基础设施和其他目标的影响。

CHASE 计划采用双管齐下的威胁搜寻方法，其中包括：

主动搜索：这种方法涉及主动搜索网络流量、日志文件和其他数据源中的妥协指标 (IOC) 以检测网络威胁。CHASE 计划旨在开发机器学习算法和其他自动化工具，这些工具可以主动寻找 IOC 并提醒操作员注意潜在威胁。

反应式搜寻：此方法涉及调查和响应安全系统生成的警报，例如入侵检测系统 (IDS) 或安全信息和事件管理 (SIEM) 工具。CHASE 计划旨在开发自动化响应工具，这些工具可以实时采取行动减轻或消除检测到的威胁。

为了实现这些目标，CHASE 计划专注于开发新的机器学习算法、数据分析工具和其他可以大规模实时运行的技术。该计划还在探索使用人工智能 (AI) 和其他先进技术来增强威胁检测和响应能力，包括但不局限于：

高级机器学习算法：该项目正在开发新的机器学习算法，可以快速准确地识别大型复杂网络中的网络威胁。这些算法可以分析大量网络数据，以识别可能表明潜在威胁的模式和异常。

分布式数据分析：该项目正在探索分布式数据分析的新技术，可以让多个传感器和设备实时共享和分析数据。这有助于克服集中监控和分析的可扩展性和速度限制。

可视化和态势感知：该项目正在开发新的工具和技术，用于可视化网络数据并为网络防御者提供态势感知。这可以帮助防御者快速识别潜在威胁并更有效地应对网络攻击。

决策支持：该计划正在开发新的决策支持工具，可以帮助网络防御者就如何应对网络威胁做出更明智的决策。这些工具可以分析多个数据源，并就最有效的行动方案提供建议。

该计划已经实现了几个里程碑，包括开发新的数据分析和可视化工具、展示实时威胁检测能力，以及为网络防御者开发新的决策支持工具。该计划还进行了几次大规模实验，以评估其技术在现实环境中的有效性。

总的来说，CHASE 计划代表了开发新的网络搜索能力的重大努力，这些能力可以帮助保护关键网络和系统免受复杂的网络威胁。

关键词：主动搜索、反应式搜寻

DPRIVE

DPRIVE是Data Protection in Virtual Environments (虚拟环境中的数据保护) 的缩写。

同态加密是一种加密形式，它允许对加密数据执行计算而无需先对其进行解密。计算结果以加密形式保留，解密后产生的输出与对未加密数据执行操作时产生的输出相同。同态加密可用于保护隐私的外包存储和计算。这允许数据被加密并外包给商业云环境进行处理，同时都是加密的。

完全同态加密(FHE) 允许评估由多种类型的无限深度门组成的任意电路，是同态加密的最强概念。

现在的FHE都已经进化到了第四代，一种近似同态加密方案，支持特殊的块浮点算法。

FHE 的好处是显着的，从允许使用不受信任的网络到增强数据隐私。尽管具有潜力。但 FHE 来执行即使是简单的操作，也需要大量的计算时间，使得用传统的处理硬件来实现是极其不切实际的。虚拟环境中的数据保护 (DPRIVE) 计划寻求在未加密计算的十分之一内启用 FHE 计算，从而为国防部和商业应用程序的所有数据状态提供数据安全性。

DPRIVE 旨在设计和开发一种硬件加速器，集成了新颖的架构方法、硬件和软件，以显着降低实现 FHE 计算所需的处理开销。具体来说，该计划寻求开发新的内存管理方法、灵活的数据结构和编程模型，以及形式验证方法，以确保 FHE 实现的设计有效和准确，同时显着降低 FHE 计算所需的开销损失。

内存管理是 FHE 中的一个重要考虑因素，因为大量数据的加密可能需要大量内存。为了改进 FHE 实现中的内存管理，研究人员正在探索数据压缩、内存分配和内存优化的新技术。

灵活的数据结构和编程模型在 FHE 中也很重要，因为传统的数据结构和编程模型可能不太适合 FHE 计算。例如，FHE 计算需要使用模块化算术和逐位运算，这可能很难使用传统数据结构和编程模型有效地实现。为了应对这一挑战，研究人员正在探索专为 FHE 计算设计的新编程模型和数据结构。

最后，形式验证方法在 FHE 中很重要，因为它们可以帮助确保 FHE 实现的设计有效且准确。形式验证方法使用数学技术来证明 FHE 实现的正确性和安全性，并且可以帮助识别和防止设计中的潜在漏洞或弱点。研究人员希望通过使用形式化验证方法来提高 FHE 实现的准确性和安全性，使其更适合更广泛的应用。

这种效率水平将使 FHE 更加实用且可用于广泛的应用程序，包括安全数据处理、机器学习和云计算。通过允许处理和分析敏感数据，同时保持加密和安全，它还有助于解决传统加密方法的一些挑战和局限性。

关键词：同态加密、数据安全

D3M

D3M是Data-Driven Discovery of Models (数据驱动的模型发现) 的缩写。

数据是现代社会的宝贵资产，能够有效利用数据创建预测模型的组织将在金融、医疗保健和国家安全等领域拥有竞争优势。然而，创建准确的预测模型是一项具有挑战性的任务，需要在数据科学、机器学习和特定领域知识方面拥有丰富的专业知识。

但稳健的经验模型很难建立，因为它们需要很好地概括未见数据，同时还要准确可靠。经验模型是基于观察和数据建立的，它们可能会受到各种误差源的影响，例如测量误差、噪声、异常值或偏差。此外，实证模型需要捕捉数据中潜在的因果关系，这些关系可能是复杂的和非线性的，并且它们可能取决于许多变量和相互作用。

要建立稳健的实证模型，必须拥有具有代表性、多样性和无偏见的高质量数据。然而，获取此类数据可能具有挑战性，尤其是在数据稀缺、昂贵或难以收集的复杂领域或应用程序中。此外，设计和优化模型架构、特征表示和学习算法需要专业知识、创造力和计算资源。

此外，经验模型可能会出现过拟合或欠拟合，这会降低它们的准确性和泛化性能。当模型与训练数据过于接近，捕捉到噪声或不相关的特征，并失去泛化到新数据的能力时，就会发生过度拟合。当模型过于简单或僵硬并且无法捕获数据中的潜在模式时，就会发生欠拟合。

应对这些挑战需要开发可以自动化或辅助模型构建过程的高级算法和技术，例如自动特征选择、超参数调整或模型融合。此外，它需要将经验建模与其他方法相结合，例如基于理论的建模、专家知识或特定领域的约束，以增强模型的稳健性和可解释性。

经验建模师一项专业性超强的工作，但是高级的数据科学家的可获得性很差，如何降低经验建模的技术门槛就显得尤为重要。

数据驱动模型发现 (D3M) 计划旨在开发自动化模型发现系统（automated model discovery systems），使具有主题专业知识但没有数据科学背景的用户能够创建真实、复杂过程的经验模型。这种能力将使主题专家能够在不需要数据科学家的情况下创建经验模型，并将通过自动化提高专家数据科学家的生产力。如图所示，D3M 自动模型发现过程将由计划过程中开发的三项关键技术实现：

可选基元库：可选基元库是数据建模基元的集合，用作复杂建模管道的构建块。这些原语包括可以组合起来为不同任务创建模型的算法和数据转换。该库设计为可发现的，因此用户可以轻松找到创建模型所需的基元。

复杂模型的自动组合：复杂模型的自动组合是指开发技术，自动从库中选择适当的基元，并根据用户指定的数据和感兴趣的结果将它们组合到复杂的建模管道中。这涉及开发算法和方法来自动选择最合适的基元及其参数以实现预期的结果。

人机交互：人机交互是一种方法和界面，允许主题专家与模型创建过程进行交互。这允许非数据科学家的用户提供有关建模问题的输入并管理由系统自动构建的模型。该界面设计为用户友好且直观，因此非专家也可以有效地参与建模过程。

为实现这些目标，D3M 计划资助多个领域的研究，包括：

自动模型选择和超参数调整：模型选择涉及为给定数据集选择合适的模型类型，例如决策树或神经网络。超参数调整涉及为定义模型的参数选择最佳值，例如学习率或隐藏层数。自动化方法可用于有效地探索可能的模型和超参数的空间，并为给定问题选择最佳组合。

自动化特征工程和选择：特征工程涉及将原始数据转换为更适合机器学习算法的格式，例如通过提取相关特征或应用数学变换。特征选择涉及选择与手头问题最相关的可用特征的子集。自动化方法可用于识别相关特征并执行转换以提高生成模型的准确性。

自动模型融合和集成学习：模型融合涉及组合多个模型的预测以提高准确性或减少偏差。集成学习涉及在不同的数据子集上训练多个模型并结合它们的预测。可以使用自动化方法来确定用于给定问题的模型和权重的最佳组合。

处理丢失和嘈杂数据的方法：当某些数据点由于某种原因（例如传感器故障或隐私问题）不可用时，可能会发生丢失数据。当数据包含错误或不一致时，可能会出现噪声数据。可以使用插补和异常值检测等方法来解决这些问题并提高生成模型的准确性。

处理复杂、高维数据的方法：一些数据集是复杂和高维的，这意味着它们包含许多以复杂方式相互作用的特征或变量。降维和流形学习等方法可用于从此类数据中提取有意义的模式，并降低生成模型的计算复杂度。

D3M 计划在2016年启动，目前项目正在进行中，并将继续资助自动化机器学习、数据预处理、模型选择和融合以及其他相关主题领域的研究和开发。该计划已经产生了几个可供研究社区使用的有用的软件工具和库，例如 D3M 基础设施和数据科学自动化 (DSA) 工具包。正在进行的努力旨在提高这些工具的可扩展性、效率和准确性，并扩展它们处理更多样化和更复杂类型数据的能力。

关键词：可选基元库、复杂模型、自动模型选择、自动模型融合

DRACO

DRACO是Demonstration Rocket for Agile Cislunar Operations (敏捷地月行动示范火箭) 的缩写。

目前的火箭发动机使用储存的火箭推进剂作为反应物质，形成高速推进流体射流，遵循牛顿第三定律，通过反作用摆脱地球引力的发动机。主流的是液体推进剂、固态燃料或者混合燃料。而核动力火箭，一直进展迟缓。核热火箭 (NTR) 使用核反应将推进剂（通常是氢）加热到极高温度，从而产生推力。NTR 与传统化学火箭相比具有多项优势，包括更高的比冲（转化为更高的效率）、更轻的重量和更长的使用寿命。然而，也存在一些与 NTR 相关的技术挑战，这使得它们难以开发和使用。

主要挑战之一是需要遏制和控制核反应产生的高温和高压。这需要使用能够承受极端温度和压力的材料，而这些材料通常很难找到和制造。此外，必须安全地容纳核燃料以防止泄漏或其他事故。

另一个挑战是围绕核技术的监管环境。NTR 有可能同时用于和平和军事目的，这引起了人们对核扩散和安全的担忧。因此，NTR 的开发和使用受到严格的监管和监督，这可能会减慢进度并增加成本。

最后，NTR 的开发和测试成本也很高，这限制了愿意投资于它们的组织数量。这减缓了进展并限制了成功的 NTR 设计的数量。尽管存在这些挑战，但人们仍然对 NTR 作为传统化学火箭的潜在替代品具有浓厚的兴趣，特别是对于深空探索任务。

最近，受到民间力量的刺激（比如SpaceX的火星计划），美国太空计划重新升温，NASA 开启了Artemis 计划，旨在到 2024 年让宇航员再次登上月球，在本十年末建立可持续探索，并为载人火星任务奠定基础。该节目以希腊月亮女神阿尔忒弥斯的名字命名。该计划旨在通过开展科学研究、测试新技术和建立月球前哨站来在月球上建立可持续存在，该前哨站最终将成为载人火星任务的垫脚石。Artemis 计划还包括开发太空发射系统 (SLS) 火箭、猎户座飞船、网关月球空间站以及各种月球着陆器和漫游车。

敏捷地月运行示范火箭 (DRACO) 是美国宇航局 Artemis 计划下的一个计划。

DRACO 计划的目标是在轨道上展示核热火箭 (NTR)。NTR 使用核反应堆将推进剂加热到极端温度，然后通过喷嘴排出热推进剂以产生推力。与传统的空间推进技术相比，NTR 提供的推重比（thrust-to-weight ratio）比电力推进高 10,000 倍左右，比冲（即推进剂效率）specific impulse (i.e. propellant efficiency) 比空间化学推进高 2 到 5 倍。该航天器旨在高度灵活，使其能够快速改变其轨迹和速度以满足任务要求。

DRACO 计划的第一阶段双规齐下。Track A 进行了 NTR 反应堆的基准设计。Track B 开发了一个操作系统概念以满足操作任务目标和一个可追溯到操作系统但侧重于演示推进子系统的演示系统设计。

DRACO 的独特之处在于它旨在成为高度模块化和灵活的航天器，可以重新配置和升级以满足不断变化的任务要求。它还被设计为高度自主，依靠先进的人工智能和机器学习算法来执行其许多关键功能。

DRACO 计划仍处于早期阶段，最初的重点是开发和测试关键技术和子系统。最终，目标是证明敏捷、模块化航天器的可行性，该航天器可以支持地月空间内外的广泛任务。

关键词：核热火箭

DIGET

DIGET是Detect It with Gene Editing Technologies (使用基因编辑技术检测) 的缩写。

异常病毒变异，而当前最先进的诊断和生物监测系统无法跟上疾病爆发的步伐，也无法在需要的时间和地点支持决策。加速病毒检测。

“用基因编辑技术检测它”（DIGET）计划旨在利用基因编辑技术的进步来开发前瞻性诊断和生物监测技术，从而能够随时随地检测任何威胁。

为实现其目标，DIGET 执行者将设计、开发、制作原型和部署两种新型核酸检测设备：1) 一种可针对多达 10 种病原体和宿主生物标志物进行一次性按需诊断，以及 2) 大规模多重检测 ( MMD) 设备，用于 1,000 个或更多目标。这两种设备都必须操作简单、成本低且可快速重新配置，以提供影响力大、质量高且值得信赖的信息，从而增强决策制定。如果成功，一次性即时设备将提高分诊和治疗的速度和效率，并提高公共卫生领域在严峻环境中的护理标准。MMD 设备将启用早期威胁检测、评估疾病严重程度并提高态势感知能力。

DIGET 背后的基本理念是创建一种生物传感器，能够识别并结合感兴趣的特定生物分子，例如病毒、细菌或癌细胞。

特别是，DIGET 计划专注于开发可以检测病毒的生物传感器，包括新出现的传染病，这种生物传感器是使用特殊蛋白基因编辑工具设计的，可以精确修改基因序列。例如 SARS-CoV-2（导致 COVID-19 的病毒）。为此，该计划使用 CRISPR-Cas 蛋白来创建生物传感器，可以检测患者样本（例如唾液或血液）中的病毒核酸。

在 DIGET 程序中创建的生物传感器通常使用一种称为 SHERLOCK（特定高灵敏度酶报告器解锁）的技术，该技术将 CRISPR-Cas 蛋白与报告酶结合在一起，当生物传感器与目标核酸序列结合时，报告酶会产生可检测的信号。SHERLOCK 生物传感器可以设计为具有高度特异性，甚至可以检测患者样本中的少量病毒核酸。

然而，如果目标是检测不同的病毒或病原体，则需要设计和开发不同的生物传感器，可能使用不同的 CRISPR-Cas 蛋白或其他基因编辑技术。这是因为不同的病毒或病原体具有独特的核酸序列，需要特定的生物传感器进行检测。诚然，针对每种病原体开发特定的生物传感器可能是一个具有挑战性且耗时的过程，并且新病毒或突变的出现可能需要开发新的生物传感器。生物传感器的设计和开发具有高度特异性，并针对感兴趣的特定生物分子量身定制。虽然基础基因编辑技术可能相似，但不同应用中使用的特定生物传感器会因目标生物分子而异。然而，使用生物传感器早期准确检测包括 COVID-19 在内的传染病的潜在好处仍然很大。

然而，使用 CRISPR-Cas 或其他基因编辑技术可能会产生意想不到的后果，例如脱靶效应或对正在编辑的遗传物质进行意外更改。这些意想不到的后果可能会影响编辑基因的功能或其与其他基因或蛋白质的相互作用，从而可能对病毒或宿主细胞产生下游影响。

DIGET 计划由美国国防部 (DoD) 于 2019 年启动。该计划的研究人员证明了使用 CRISPR-Cas 检测寨卡病毒和登革热病毒以及其他目标的可行性。

总的来说，DIGET 计划和其他类似举措代表了为早期准确检测传染病开发新技术的重要努力，这可能对公共卫生和全球疾病监测工作产生重大好处。

关键词：生物传感器、基因编辑技术

DRBE

DRBE是Digital RF Battlespace Emulator (数字射频战场仿真器)的缩写。

高性能计算( HPC ) 使用超级计算机和计算机集群来解决高级计算问题。超级计算机是高性能计算的子集。在重大的复杂建模系统里，往往需要高性能计算的支撑，比如：新分子药物的发现、地球天气和气候的模拟、复杂的星系建模、和本项目涉及的射频无线电模拟器。

评价高性能计算的性能一般用每秒浮点运算FLOPS来衡量。目前行业最先进的高性能计算系统，已经达到了两位数，甚至三位数的petaFLOPS浮点运算性能（petaFLOPS指的是10的15次方）。

数字射频战场仿真器 (DRBE) 计划旨在创建世界上第一个大规模虚拟射频 (RF) 环境，也是一个软件定义无线电 (SDR) 系统。旨在模拟和仿真战场空间的电磁环境。用于开发、训练和测试先进的射频系统，例如雷达和电子战 (EW) 系统。目标 DRBE 环境将使众多射频系统能够在完全闭环射频领域相互交互，复制密集、响应迅速的真实射频环境。

DRBE 可以模拟范围广泛的射频系统和技术，包括通信系统、雷达系统、电子战系统和导航系统。它可以产生多种射频信号，如连续波（CW）信号、脉冲信号、调频（FM）信号、调相（PM）信号和调幅（AM）信号。它还可以模拟各种射频传播效应，例如衰落、多径和干扰。

DRBE 正在探索新颖的计算架构，以创建新一代高性能计算 (HPC)——称为“实时 HPC”或 RT-HPC。RT-HPC 的目标是产生两位数 petaFLOPs 级的计算性能，同时保持个位数微秒级的端到端延迟。通过平衡计算吞吐量和极低延迟，DRBE 应该能够生成高保真射频环境。为实现RT-HPC的目标，以下措施会用到：

硬件优化：

开发新型处理器和专用集成电路 (ASIC)，并将这些ASIC组装成一个多处理器RT-HPC系统。采用高速内存和快速存储设备，以实现所需的高计算性能和低延迟。此外，图形处理单元 (GPU) 或现场可编程门阵列 (FPGA) 等专用硬件加速器可用于加速特定计算任务。

软件优化：

在 RT-HPC 系统上运行的软件应用程序必须进行优化，以利用硬件平台并最大限度地减少延迟。这可能涉及使用并行处理技术在多个处理器或内核之间分配计算任务，优化内存使用以最小化数据传输，以及使用专门的库和算法来处理特定的计算任务。

网络优化：

RT-HPC 系统还必须针对网络进行优化，以实现 SDR 硬件平台和 RT-HPC 系统之间的低延迟数据传输。这可能涉及使用专门的网络硬件和软件，例如高速网络接口卡和低延迟通信协议。

除了这些优化之外，DRBE RT-HPC 系统还可以使用其他技术，例如数据预处理、数据压缩和预测分析，以进一步减少延迟并提高计算性能。

该软件应用程序提供了一个图形用户界面 (GUI)，允许用户配置和控制射频环境，包括射频信号的类型和参数、模拟射频源和接收器的位置和移动，以及射频传播模型。

SDR 硬件平台提供了数字域和物理域之间的射频接口。它将软件应用程序生成的数字信号转换为射频设备可以发送和接收的模拟射频信号。

DRBE 已经开发了数年，并在其开发过程中取得了重要的里程碑。2019 年，美国空军研究实验室 (AFRL) 宣布已在 DARPA 频谱协作挑战赛 (SC2) 总决赛中成功展示了 DRBE 系统原型。DRBE 系统能够实时模拟具有多个发射器和接收器的复杂射频环境。

从那时起，DRBE 不断发展，并被用于各种测试和实验目的。例如，在 2020 年，美国陆军作战能力发展司令部 (CCDC) 使用 DRBE 进行了一系列测试，以评估新型电子战系统在真实射频环境中的性能。

除了军方使用外，DRBE 还提供给行业合作伙伴用于测试和开发目的。例如，在 2020 年，国家频谱联盟 (NSC) 宣布已与 AFRL 合作，为其成员提供 DRBE 访问权限以进行测试和实验。

总的来说，DRBE 是模拟和模拟战场射频环境的强大工具，在军事和国防工业中有很多应用。

关键词：复杂射频模拟、高性能计算

DODOS

集成电路( PIC ) 或集成光学电路是一种微芯片，包含两个或多个构成功能电路的光子元件。该技术检测、生成、传输和处理光。光子集成电路利用光子（或光粒子），而不是电子集成电路利用的电子。两者之间的主要区别在于，光子集成电路为施加在可见光谱或近红外(850–1650 nm)光波长上的信息信号提供功能。它旨在用可集成到各种应用中的紧凑高效解决方案取代传统笨重且昂贵的光学系统。DODOS 可以被称为光学频率控制的潜在革命，因为它有可能克服现有模拟光学系统的许多限制，并实现以前不可能或不实用的新应用。

DODOS 就是一种使用集成光子学在单个芯片上生成和操纵光信号的技术。为实现这一目标，DODOS 旨在利用最近在芯片级锁模激光器和微谐振器方面取得的突破，这些小型设备可以生成具有极高频率和精度的光信号。通过将这些设备与其他必要组件（如光调制器和非线性光子元件）集成到单个芯片上，DODOS 希望创建一个紧凑而高效的解决方案，以生成高度稳定和准确的光信号。

DODOS 的核心是使用数模转换器 (DAC) 生成数字波形，然后使用芯片上的激光器和调制器阵列将其转换为光信号。能够使用数字技术在单个芯片上生成和操纵光信号，这提供了比传统模拟光学系统更大的控制和灵活性。这种方法允许精确控制光信号的相位和幅度，可以实现模拟系统无法实现的各种信号处理和调制技术，例如对光信号相位和幅度的精确控制。

DODOS 的主要优势有以下几个：

能够将 RF 信号的稳定性和准确性直接转化为光域，从而产生频率高于 200 太赫兹的激光，相对精度为 10^15 分之一。这将在高速数据通信、雷达和传感等领域实现广泛的应用。

其高速和可扩展性。通过利用集成光子学的高带宽和低延迟，DODOS 可以生成频率在太赫兹范围内的光信号，从而实现高速通信、雷达和传感等应用。

高能源效率。由于是全数字系统，DODOS 可以在比传统模拟光学系统更低的功率水平下运行，从而降低能耗和散热。通过利用集成光子学的高带宽和低延迟，DODOS 可以生成频率在太赫兹范围内的光信号，从而实现高速通信、传感和雷达应用。

DODOS在电信、传感和信号处理等领域具有许多潜在的应用。例如，它可用于创建用于高速数据通信的紧凑高效的光学收发器，或用于构建用于环境监测或医疗诊断的传感器。

总的来说，DODOS 是一项很有前途的技术，旨在突破光学频率控制的界限，有可能彻底改变我们生成和操纵光信号的方式，它的发展可能会导致各个领域的重大进步。

关键词：集成光学、光学芯片

<本系列完>

附：DARPA简介

DARPA，全称Defense Advanced Research Projects Agency，也就是美国国防高级研究计划局。从历史起源来看，DARPA是典型美苏冷战的产物。苏联在1957年率先发射了人类第一颗人造卫星Sputnik 1，正式开启了太空时代。为了和苏联撸起袖子展开竞争，当时的总统艾森豪威尔在1958年2月7日，联合学术界、工业界和军方创建了DARPA。承诺从那时起，美国将成为战略技术意外的发起者，而不是受害者角色。DARPA 一直不辱使命，坚持一项独特而持久的使命：对美国国家安全的突破性技术进行关键投资。DARPA属于典型的军民融合机构，所以在DARPA成立的50多年来，投资的项目无数，而且相当多的项目都超出了军方的需求。比如我们现在熟知的ARPANET（互联网等等前身）、GPS、自动语音识别和我们前几期提到的波士顿动力的多足机器人都是DARPA投资的杰作。其实远不限于此，现代科技的任何一个角落，几乎都有DARPA的影子。《经济学人》称 DARPA 是“塑造了现代世界”的机构。

更详细介绍请参见：聊聊美国国防高级研究计划局正在投资的项目(一)