Optimal defence strategy for chemical industry park cyber–physical systems: An improved logit dynamic evolutionary game‐theoretic method
Notice bibliographique
Résumé
Abstract With the development of Industry 4.0, cyber–physical systems have been widely applied in chemical industry parks to promote intelligent production. However, the cyber–physical systems in chemical industry parks are vulnerable to emerging cascading risks such as cyber attacks, which may lead to severe accidents. Effective security defence strategies are particularly important to ensure the stable operation of the systems. Therefore, this study proposes an optimal defence strategy generation method for the chemical industry park cyber–physical systems based on logit dynamics and evolutionary game theory. Firstly, this method constructs an attack–defence game model based on the improved logit dynamics and evolutionary game theory. By introducing the rationality degree (RD) and the prevention‐control level (PCL) factor into the original logit dynamic evolution equation, it is used to explain and analyze the dynamic choice process and mechanism of strategic choices. Secondly, a novel attack–defence utility quantification method based on the characteristics of vulnerabilities is proposed, which innovatively combines the confidence level of attack operations and the impact of vulnerabilities to quantify the utility. Finally, a real experimental platform is built for case study, and four scenarios are established to conduct numerical analysis on the game evolution model. Furthermore, the influence of the RD and the PCL factor on the evolution process of attack–defence strategies is analysed. The experimental results verify the accuracy and effectiveness of the proposed method in generating optimal defence strategies.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».