Protection optimale des réseaux logistiques contre des attaques
Bibliographic record
Abstract
L’évolution des réseaux logistiques s'accompagne du risque inquiétant d'attaques intentionnelles et ils deviennent de plus en plus des cibles potentielles. Il est donc essentiel de les protéger contre ces attaques. Cette thèse développe une méthode d’allocation optimale des ressources de défense des entités de réseaux logistiques contre des attaques intentionnelles, dans le contexte de l’optimisation de la localisation des installations. Cette méthode permet de calculer les dégâts, d’évaluer la valeur d'une cible critique et de répartir de façon optimale des ressources limitées de défense, et ce, en tenant compte de la stratégie de l’attaquant. Trois cas de réseaux logistiques sont étudiés dans cette thèse. Nous considérons tout d’abord le contexte de localisation d’installations à capacité illimitée où une stratégie de protection optimale est sélectionnée. Ensuite, la notion de capacité supplémentaire est utilisée comme moyen de protection indirecte, permettant de réduire le dommage encouru. Enfin, comme l'efficacité d’un réseau logistique est largement déterminée par le bon fonctionnement des entrepôts, ces derniers sont également protégés de la même façon que les usines. Alors que l’objectif du défendeur est de minimiser les dégâts, l’attaquant va chercher à maximiser ces dégâts. Dans les trois cas considérés, le problème sera défini comme un jeu non coopératif min-max à deux périodes dans lequel le défendeur joue en premier. Cela signifie que le défendeur choisit une stratégie à la première période qui minimise le dégât maximal que l’attaquant pourrait causer à la seconde période. Dans le but d’estimer les utilités des joueurs, la méthode proposée évalue l’espérance mathématique de plusieurs coûts : le coût nécessaire à la restauration des installations endommagées, les coûts encourus en raison de l'augmentation possible des coûts de transport suite à des attaques, et le coût dû à une rupture de stock. Un algorithme est développé afin de déterminer la solution d'équilibre et la stratégie de défense optimale. Dans chacun des cas étudiés, notre méthode est comparée à d'autres stratégies. Les résultats obtenus montrent clairement l’efficacité de notre modèle et l’apport de la capacité supplémentaire comme moyen de protection indirecte, ainsi que l’importance de protéger les entrepôts.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 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; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
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".