Identifying and Addressing Trust Concerns in Cyber-Physical Systems for the Oil and Gas Industry
Notice bibliographique
Résumé
Crude oil and natural gas constitute key sources of energy that foster the growth of many other industries and facilitate many facets of modern life and the global economy.The Petroleum Cyber-Physical System (CPS) is reshaping the oil and gas (O&G) sector environment.Considering how much output data an oil well generates, the global view of the oil field is assisted by petroleum CPS efficiency techniques.Several risks face the energy industry and have the ability to disrupt crucial supply lines, harm the environment, and precipitate a financial crisis.Those risks involve communication breakdowns, cyberattacks, environmental dangers, and human errors.Business risks include supply and demand hazards as well as pricing depending on geopolitical and economic factors.The scientific community is concentrated on how to build a confident and modern CPS.Definitions of concerns, the causes of fears of all kinds, and a practical defensive plan are absent from the literature on petroleum and natural gas.Also, cyber security for oil and gas assets has yet to be extensively studied.This study presents the general trust concerns in CPS as well as their extension to the context of the oil and gas industry.We categorized trust concerns according to several factors, including functional, human, business, and trust.The concerns are presented as a collection of properties, and their connectivity was demonstrated.A concern was classified, and the sources are published papers in the literature as well as best practices reports, directives, and recommendations.This study discovered that identifying and addressing concerns in the oil and gas industry is an essential step for risk management, as well as defense and mitigation techniques, and is a key gadget for improving CPS quality and dependability across this crucial economic sector.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».