들어가며
국방 분야에서는 다양한 기술이 종합적으로 활용되며, 국방 분야의 기술이 민간 분야의 기술 발전을 이끌기도 한다. 특히, 시간이 흐를 수록 전자, 컴퓨터 분야의 기술의 비중이 커지고 있으며, 최근에 들어서는 인공지능 관련 기술의 발전에 힘입어 국방 분야에서 필요로 하는 다양한 무기체계와 프로세스를 지능적인 것으로 발전시키기 위한 노력들이 나타나고 있다.
인공지능 기술이 국방 분야에 커다란 변화의 바람을 일으킬 것이라는 점은 명백하다. 이미 전장상황을 실시간으로 공유할 수 있는 네트워크 중심 작전환경이 활용되고 있으며 감시정찰 자산의 능력도 지속적으로 발전하고 있으므로, 인공지능 기술을 적용하는데 가장 중요한 데이터의 수집과 공유를 위한 인프라와 프로세스가 갖춰지고 있기 때문이다. 더 나아가 인명 피해를 최소한으로 줄이면서도 효율적인 작전을 수행할 수 있도록 하기 위한 무인 전투 체계가 실전에 배치되고 있다는 점도 인공지능 기술의 국방 분야에서의 비중을 알 수 있게 한다.
그림1. OODA 루프의 개념
국방 분야에서 많이 언급되고 있는 OODA(Observation, Orientation, Decision, Action) 루프 [1] 는 전투를 수행하는 프로세스를 개념적으로 표현한다. (그림 1) 전투에서 승리하기 위해서는 크게 4가지로 구성된 OODA 체계를 갖추어야 하는데, Observation은 정보 수집 단계이며, Orientation은 수집된 정보를 결합, 해석하는 단계, Decision은 불확실함을 해소하고 구체적인 행동을 결정하는 단계, 그리고 Action은 실제로 행동을 하는 단계이다. 정보를 수집, 해석하는 과정이 전투를 수행하는 프로세스에서 가장 먼저 수행되어야 하며 전체 프로세스에서 차지하는 비중도 크다는 점을 알 수 있다.
그림2. Intelligent Agent 의 개념적 구조 (figure from [2])
OODA 루프를 보면 인공지능 분야의 바이블로 여겨져 온 교과서[2] 에서 설명하고 있는 Intelligent Agent를 떠올리지 않을 수 없다. (그림 2) Intelligent Agent는 동적인 환경 내에서 센서를 통해 환경을 인식하며, 자신이 보유한 지식과 추론 기능을 바탕으로 인식 결과를 직접 처리하여 최적의 행동을 취하는 일련의 과정을 수행하는데, 이러한 개념이 OODA의 전체 프로세스와 유사하다고 볼 수 있기 때문이다. 센서를 통한 인식과정이 Observation, 지식과 추론 기능을 활용한 처리 과정이 Orientation 및 Decision, 그리고 행동을 취하는 과정이 Action과 매칭될 수 있는 것이다. 차이가 있다면, Intelligent Agent는 이 모든 과정을 스스로 수행한다는 점이다.
따라서, 스스로 작업을 수행하는 Intelligent Agent에 적용되는 인공지능 분야의 세부 기술들이 OODA 체계에 적용되면 전투 수행 프로세스를 지능적이고 효율적인 것으로, 더 나아가 자동화된 것으로 발전시킬 수 있는 것이다. 다시 말해서, 단일 인공지능 기술 또는 여러 인공지능 기술이 복합적으로 활용된 구현체가 OODA 과정을 수행하는데 활용되거나 전체 프로세스를 지능화, 자동화하는데 활용될 수 있으므로 인공지능 기술은 지능적이고 신속하게 동작하는 OODA 체계를 구축하는데 있어서 큰 역할을 수행할 수 있으며, 이것은 곧 전투에서 승리할 확률을 높이게 된다.
국방 분야에서의 인공지능 응용 분류
미 의회 조사국 (Congressional Research Service: CRS)에서 발행한 보고서[3]에서는 국방 분야의 인공지능 기술 응용을 총 7가지로 분류하고 있다.
- Intelligence, Surveillance, and Reconnaissance
- Logistics
- Cyberspace Operations
- Information Operations and “Deep Fakes”
- Command and Control
- Semiautonomous and Autonomous Vehicles
- Lethal Autonomous Weapon Systems (LAWS)
Intelligence, Surveillance, and Reconnaissance
인공지능 기법들은 방대한 데이터로부터 중요 패턴을 추출하거나 인식하는 작업을 수행할 수 있다. 특히 탐지 및 인식 대상에 해당하는 패턴들의 특성(feature)을 스스로 찾아낼 수 있는 딥러닝 기반 모델의 능력이 큰 역할을 할 수 있다. 또한 인공지능은 사람의 손을 거치지 않고도 많은 데이터를 처리할 수 있게 하며 처리 속도와 정확성도 높기 때문에, 정보, 감시, 정찰 분야에서의 인공지능의 활용 가능성이 매우 높다.
위성이나 항공기와 같은 정찰 자산에 의해 획득된 영상이나 이미지 데이터에 나타난 패턴들의 특성을 추출하고 해석하는 작업에는 Image analysis 분야의 인공지능 기술들이 활용되며, 센서로부터 수집되는 다양한 신호 데이터를 처리하는 작업, 음성인식 작업 등에도 인공지능 관련 기술들이 활용된다. 다양한 종류의 신호와 영상 데이터를 복합적으로 융합(fusion)하여 분석하는 과정에도 활용되는 것은 말할 것도 없다.
최근의 전장 감시 체계는 전장의 상황을 파악하기 위해 전장 감시통제 항공기에 전자광학/적외선(EO/IR : Electro-Optical/Infra-Red) 카메라 또는 합성개구레이다(SAR : Synthetic Aperture Radar)를 설치하여 활용한다. 그리고 지상 이동표적 탐지(GMTI : Ground Moving Target Indication) 기능을 통해 EO/IR이나 SAR의 부족함을 보완하기도 한다. [6]
그림3. Side-looking airborne SAR geometry (출처 : https://www.researchgate.net/publication/265207016_Reconstruction_of_urban_surface_models_from_multi-aspect_and_multi-baseline_interferometric_SAR)
이들 중에서 최근에 군사용을 넘어 민간용으로도 다양하게 활용되고 있는 SAR은 항공기나 위성과 같은 움직이는 물체에서 레이더파를 발사하고 작은 직경의 안테나를 통해 연속적으로 반사파를 수신하여 큰 직경의 안테나가 수신한 것과 같은 이미지를 합성하는 방식을 취한다. EO/IR과 달리 레이더파를 쓰기 때문에 주간, 야간 및 날씨와 무관하게 고품질의 이미지를 얻을 수 있다.
SAR 데이터에 인공지능, 특히 딥러닝 기술을 적용하는 과정은 6가지 세부 분야로 나누어 볼 수 있다. [7]
- Terrain Surface Classification
- Object Detection
- Parameter Inversion
- Despeckling
- SAR Interferometry(InSAR)
- SAR-Optical Data fusion
그림4. SAR image illustrating the effects of uneven terrain (출처: https://www.geo.uzh.ch/\~fpaul/sar_theory.html)
Terrain Surface Classification은 SAR 데이터를 기반으로 지표면의 특성을 분류하는 과정이며, Object Detection은 SAR 데이터 내에서 군용 차량, 함정, 건물 등과 같은 주요 목표물을 탐지하는 과정이다. Parameter Inversion은 이미지에 나타난 목표 정보의 실제적인 특성 파라메터를 정확하게 추출하는 과정으로서, 추후에 정확한 simulated SAR 이미지를 생성하는데에 활용할 수 있으므로, 딥러닝 모델을 위한 학습 데이터를 추가 확보하는 데에도 중요한 역할을 할 수 있다. Despeckling은 SAR 이미지에 생길 수 있는 speckling noise를 제거하는 과정으로서, 딥러닝 모델들의 image denoising 능력을 활용한다.[8] SAR Interferometry(InSAR)은 SAR 데이터로부터 지형의 특성을 추출하는 과정이며, 지형의 변화를 탐지하는 과정도 포함한다. SAR-Optical Data fusion 에서는 SAR 이미지와 optical 이미지를 매칭하는 작업이 중요하며, 이 작업에 딥러닝 모델들이 활용될 수 있다.
Logistics
Logistics는 물자, 인력 및 설비를 조달, 유지관리하는 중요한 분야이며, 대용량의 데이터를 빨리 처리하는 것이 중요하므로 이 분야에서도 인공지능 기법들이 활용되고 있다. 가장 대표적으로는 공군의 전투용 항공기의 주요 파트에 설치된 센서 데이터를 기반으로 항공기의 정비 일정을 판단하는 것이며, 이와 유사한 과정이 육군의 전투용 차량에도 적용되고 있다. 이와 같은 노력들은 빠르고 안전하게 활용, 유지되는 supply chain 을 구축하는 것을 최종 목적으로 한다. 더 나아가, 전투 현장에서 부상병을 찾아 진단하고 후송하는 작업에도 인공지능 기술을 적용하는 것이 고려되고 있다. [9]
Cyberspace Operations
국방 분야에서의 네트워크\, IoT 사용량이 늘고 사이버 공간에서의 군 작전의 비중이 날로 높아짐에 따라\, 자국의 온라인 시스템을 보호하고 상대의 시스템을 공격하기 위한 다양한 수단들이 연구\, 활용되고 있다. 특히 사이버 공간에서 활용되는 기술들을 무기로 전환하는 과정이 상대적으로 용이하기 때문에 군사력이 약한 국가들이 비대칭 전력으로 활용할 가능성이 높다. [10] 특히 방어적 사이버 작전을 위해서는 사이버 공격패턴의 특징을 자동으로 탐지\, 공격의 성향과 타입을 분류\, 식별해 내는 작업이 중요한데\, 인공지능 기술이 이 작업에 크게 활용될 수 있다. 최근에 들어서는\, 과거와는 다른 새로운 공격 패턴에도 적절히 반응할 수 있는 인공지능 기반 보안 시스템이 주목받고 있다. [11] 이 시스템의 특징은 보안 대상이 되는 시스템의 내부에 나타나는 다양한 움직임을 실시간으로 모니터링하고 평소와 다른 패턴이 나타났을 때 해당 패턴에 가장 적합한 대처방안을 자동으로 선택하여 수행시키는 것이다. 이 과정에서의 핵심은 Anomaly Detection 프로세스이며\, 이 프로세스를 구현하기 위한 딥러닝 기반 기법들이 많이 제시되고 있다. 물론\, 인공지능 기반의 방어 시스템을 공격하기 위한 방법들도 제시되고 있는데\, 가장 대표적인 것이 인공지능의 잘못된 학습 및 동작을 유도하기 위해 오염된 데이터를 주입하는 방법이다. [12] [13] [14]
Information Operations and “Deep Fakes”
인공지능 기술의 발전은 실제처럼 보이는 이미지, 영상, 음성, 문서 등을 만들어내는 수준에까지 도달하였다. 이렇게 만들어진 가짜 데이터들은 사회의 안전을 위협하는 테러의 용도로 활용될 수 있으므로 국방 분야에서도 가짜 데이터를 판별해 내는 시스템을 만들기 위한 노력을 하고 있다. 가장 대표적인 것은 DARPA(Defense Advanced Research Projects Agency)에서 진행하고 있는 Media Forensics (MediFor) 프로그램이다. [15]
Command and Control
그림5. JADC2 개념도 (출처: https://www.monch.com/mpg/news/ew-c4i-channel/7334-%20saic-and-usaf-partner-for-jadc2.html)
미 국방부(Department of Defense)에서 제시한 Joint All-Domain Command and Control(JADC2) [16] 에서는 다양한 소스에서 수집되는 데이터를 바탕으로 정확하고 신속한 판단 및 지휘결심을 내리는 과정에 인공지능 기술을 적용하는 개념을 포함하고 있다. JADC2에서의 인공지능은 센서 및 데이터를 융합하여 공통전투상황도(common operating picture)를 만드는 과정을 수행한다. 육군, 공군, 해군 및 해병대에서 실시간으로 데이터링크를 통해 전달해 오는 데이터의 내용과 포맷이 다양하고 우선순위 또한 다르기 때문에 상황 판단과 명령을 내리는 과정에서 인공지능 기술의 도움을 받는 것이다. 인공지능은 특정 상황에 가장 적합한 전투 부대를 구성하는 방안을 정하거나 세부 명령 간의 불일치를 해소하여 현 시점에서 선택 가능한 최적의 명령 리스트를 만들어 지휘관에게 제공할 수도 있다.
Semiautonomous and Autonomous Vehicles
스스로 동작하는 무인 무기체계의 개념은 육군의 전투 차량, 공군 항공기, 해군 함정 등에 모두 적용될 수 있다. 미 공군에서는 조종사가 탑승하지 않은 무인 요기(Wingman)의 개념을 실험하였으며, 미 육군에서도 사람이 탑승하지 않은 Robotic Combat Vehicles (RCVs)의 개념을 제시한 바 있다. 미 해군의 무인 무기체계는 Sea Hunter [17]가 가장 대표적이다. Sea Hunter는 사람이 탑승하지 않고도 수개월 동안 해상에서 레이더와 광학장비를 활용하여 정찰 임무를 스스로 수행할 수 있는 것으로 알려져 있다.
그림6. Drone Swarm (출처: http://aiforsecurity.com/2018/03/20/drone-swarms-could-be-next-big-thing-for-military-industry/)
미래 전쟁의 교전형태 중 하나로서 주목받고 있는 Swarming은 공통의 상황인식으로 연결된 많은 단위부대들이 공통의 목표에 타격을 가하는 형태이다. [18] 또한 로봇/무인 체계 기술이 Swarming 전술을 본격적으로 가능하게 한다. 인공지능 기술은 무인 체계를 기반으로 한 Swarming 전술의 구현 과정에서 개별 무인체들 사이의 데이터 공유와 공통된 상황인식을 가능하게 하는 핵심적인 알고리즘과 무인체들의 임무를 조정하고 관리하는 협업 및 군집제어 기술을 구현하는데 활용된다.
Lethal Autonomous Weapon Systems (LAWS)
그림7. 치명적인 무인 무기 체계 (출처: https://www.icrc.org/en/document/statement-icrc-lethal-autonomous-weapons-systems)
적을 발견하고 직접 공격하는 무기체계가 전투 상황에서 가장 중요한 역할을 수행한다는 점에 대해서는 이견이 없을 것이다. 인공지능 기술의 발달은 센서와 알고리즘을 탑재한 무기 체계로 하여금 직접 적을 발견, 공격, 파괴하게 할 수 있다. 인공지능을 탑재한 자동 무기는 필요에 따라 다양한 형태 – 차량, 항공기, 전투로봇 등 – 로 구현될 수 있고 요구사항과 상황에 따라 치명성이 달라지기 때문에 최근에는 적절한 지휘통제 하에서 교전규칙을 준수하게 하는 것이 핵심적인 고려사항으로 인식되고 있다. 한편으로는 완전히 자동화된 무기 체계의 사용은 금지되어야 한다는 주장도 제기되고 있다. [19]
기타 요소기술
기존 무기 체계의 성능을 향상시키거나 확장하는 데에도 인공지능 기술이 큰 역할을 수행하고 있다. 가장 대표적인 것으로는 열영상 이미지 장치 또는 타게팅 포드가 수집한 적외선 센서, 광학 센서, 레이저 데이터를 처리하는 과정에 인공지능 (특히 딥러닝) 기술을 적용하여 탐지 효율과 추적 기능의 향상을 꾀할 수 있으며, 전자전 시스템에서 수집하는 레이더 신호를 분류하고 추적하는 과정에도 인공지능 기법을 활용하면 성능을 높일 수 있다. 최근에는 대포병탐지레이더의 발사 원점 탐지 기능에 추가하여 발사된 탄의 종류를 식별하는 기능에 대한 연구도 제시되고 있으며 딥러닝을 기반으로 성능을 향상시킨 감청 모듈로 적의 통신내용을 감청하는 시스템도 개발 중이다. 또한 전장 상황이 기후에 의해 큰 영향을 받는다는 점을 고려할 때, 인공지능 기술을 바탕으로 정확도를 높인 기후 예측 시스템도 국방 분야에서 큰 역할을 수행할 수 있다. 그리고 무엇보다 인공지능 기술의 발전은 드론, 전투로봇 등과 같은 무인 전투 체계의 상황탐지 및 이해 능력을 크게 향상시킬 것이다.
잠정적인 결론
과거의 전쟁이 화력 중심이었다면, 현대의 전쟁은 정보가 중심적인 역할을 한다. 또한 개별 전장에서 수집되는 정보 뿐만 아니라 모든 전장에서 수집되는 정보를 통합, 활용하는 능력의 수준이 전쟁을 수행하는 국가의 국방력의 수준을 말해주는 시대가 되었다. 높은 수준의 정보 활용 능력을 보유하려면 데이터링크와 같은 통합 네트워크 인프라 뿐만 아니라 지휘결심을 내리는 과정에 소요되는 핵심 정보들을 다양한 데이터로부터 빠른 시간 내에 정확하게 추출하는 시스템을 갖추어야 한다. 인공지능 기술은 이와 같은 기능을 구현, 발전시키는데 있어서 핵심적인 역할을 수행한다. 따라서, 어쩌면 미래에는 인공지능 기술력이 한 국가의 국방력을 나타내는 가장 중요한 지표가 될 수도 있다.
References
- [1] https://en.wikipedia.org/wiki/OODA_loop
- [2] http://aima.cs.berkeley.edu/
- [3] Artificial Intelligence and National Security, Congressional Research Service Reports on General National Security Topics, (https://fas.org/sgp/crs/natsec/), Nov. 2020
- [4] https://www.dbpia.co.kr/journal/publicationDetail?publicationId=PLCT00002456
- [5] https://bemil.chosun.com/nbrd/bbs/list.html?b_bbs_id=10008
- [6] https://bemil.chosun.com/nbrd/bbs/view.html?b_bbs_id=10008&pn=1&num=280
- [7] https://arxiv.org/abs/2006.10027
- [8] https://arxiv.org/abs/1706.00552
- [9] https://www.mdpi.com/2079-9292/10/7/871
- [10] https://bemil.chosun.com/nbrd/bbs/view.html?b_bbs_id=10008&pn=1&num=261
- [11] https://journalofbigdata.springeropen.com/articles/10.1186/s40537-020-00318-5
- [12] https://securityintelligence.com/articles/data-poisoning-ai-and-machine-learning/
- [13] https://www.analyticsinsight.net/ml-data-poisoning-a-time-ticking-threat-to-cybersecurity-and-ai/
- [14] https://www.belfercenter.org/publication/AttackingAI
- [15] https://www.darpa.mil/program/media-forensics
- [16] https://fas.org/sgp/crs/natsec/IF11493.pdf
- [17] https://www.naval-technology.com/features/sea-hunter-inside-us-navys-autonomous-submarine-tracking-vessel/
- [18] https://www.kci.go.kr/kciportal/ci/sereArticleSearch/ciSereArtiView.kci?sereArticleSearchBean.artiId=ART002297138
- [19] https://www.icrc.org/en/document/autonomous-weapons-systems-profound-implications-future-warfare
답글 남기기