UNiVErSE - Explorando Safety e Security em Veículos Aéreos não Tripulados
Bibliographic record
Abstract
Contexto: Sistemas crticos so sistemas computacionais nos quais uma falha pode levar a consequncias catastrficas que variam de danos propriedade, ao ambiente ou financeiros, leses e at mesmo a perda de vidas humanas. Sistemas autnomos automotivos e aeroespaciais so exemplos de sistemas crticos que usualmente operam em ambientes de rede compartilhadas em conjunto com outros sistemas. Em virtude da natureza crticas impostas por esses sistemas e seus ambientes de operao, o desenvolvimento de tais sistemas deve atender a requisitos de segurana (security) e de proteo (safety). Dessa formas, as propriedades de segurana e de proteo desses sistemas devem ser analisadas e demonstradas em diferentes nveis de abstrao para a obteno da aprovao e da certificao de tais sistemas. Problema: Os sistemas autnomos podem ser suscetveis a ameaas de segurana em decorrncia de falhas de proteo que podem causar danos ao ambiente, propriedade, s finanas, leses ou a perda de vidas humanas. Entretanto, as tcnicas existentes na literatura para apoiar a engenharia de dependabilidade do sistema, como Failure Propagation and Transformation Notation (FPTN) e Security HaZOP, somente apoiam a anlise de propriedades de safety e de security de forma isolada. Questo de Pesquisa: Neste contexto, esta dissertao fornece resposta seguinte questo de pesquisa: como engenheiros podem analisar o impacto de ameaas de segurana e proteo sob a dependabilidade de sistemas autnomos de forma efetiva e sistemtica? Objetivo: Nesta dissertao, apresentada a UNiVErSE, uma abordagem composicional para a anlise integrada de propriedades de segurana e de proteo e gerao automtica de rvores de falhas e rvores de ataque de modo a apoiar a certificao de sistemas autnomos. Resultados: A validao da abordagem UNiVErSE na anlise das propriedades de segurana e proteo e gerao integrada de rvores de ataque e de falhas de safety para o sistema aeroespacial de piloto automtico SLUGS. A aplicao da abordagem UNiVErSE contribuiu para reduzir a complexidade e o esforo em atividades de anlise de segurana e proteo requiridas para a certificao de sistemas crticos.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".