Dependency-based targeted attacks in interdependent networks
Notice bibliographique
Résumé
Modern large engineered network systems normally work in cooperation and incorporate dependencies between their components for purposes of efficiency and regulation. Such dependencies may become a major risk since they can cause small-scale failures to propagate throughout the system. Thus, the dependent nodes could be a natural target for malicious attacks that aim to exploit these vulnerabilities. Here we consider a type of targeted attack that is based on the dependencies between the networks. We study strategies of attacks that range from dependency-first to dependency-last, where a fraction 1-p of the nodes with dependency links, or nodes without dependency links, respectively, are initially attacked. We systematically analyze, both analytically and numerically, the percolation transition of partially interdependent networks, where a fraction q of the nodes in each network are dependent on nodes in the other network. We find that for a broad range of dependency strength q, the "dependency-first" attack strategy is actually less effective, in terms of lower critical percolation threshold p_{c}, compared with random attacks of the same size. In contrast, the "dependency-last" attack strategy is more effective, i.e., higher p_{c}, compared with a random attack. This effect is explained by exploring the dynamics of the cascading failures initiated by dependency-based attacks. We show that while "dependency-first" strategy increases the short-term impact of the initial attack, in the long term the cascade slows down compared with the case of random attacks and vice versa for "dependency-last." Our results demonstrate that the effectiveness of attack strategies over a system of interdependent networks should be evaluated not only by the immediate impact but mainly by the accumulated damage during the process of cascading failures. This highlights the importance of understanding the dynamics of avalanches that may occur due to different scenarios of failures in order to design resilient critical infrastructures.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».