原文:Van Bossuyt, D. L., Papakonstantinou, N., Hale, B., Arlitt, R., & Palatheerdham, S. R. (2024, January). ARCS-R: mission critical combined reliability and cybersecurity systems engineering analysis. In 2024 Annual reliability and maintainability symposium (RAMS) (pp. 1-8). IEEE.
ARCS-R: 任務關鍵型結合可靠度與資安之系統工程分析
Douglas L. Van
Bossuyt, PhD (海軍研究生院)
Nikolaos Papakonstantinou, PhD (芬蘭 VTT 技術研究中心)
Britta Hale, PhD (海軍研究生院)
Ryan Arlitt, PhD | Srinivasa Rao Palatheerdham (南布列塔尼大學)
關鍵詞:大型語言模型、人工智慧、機器學習、LLM、AI、ML、網宇實體系統、失效率、韌性
|
摘要與結論
本文探討如何利用人工智慧與機器學習
(AI/ML) 以及大型語言模型 (LLM),將可靠度分析與資安分析加以結合,以產生持續更新的韌性分析。這是藉由同時對系統的硬體與軟體建模,並採用 LLM 與 AI/ML 持續搜尋新的軟體弱點,再將該資訊餵入可持續更新的韌性模型中來達成。文中提出一個無人機案例研究,展示此方法的潛力。預期使用此一名為 Assessment for Risk in Cybersecurity and Safety - Resilience
(ARCS-R,資安與安全風險評估———韌性) 的方法,將可透過降低潛在起始事件導致系統效能長時間劣化並影響系統韌性的可能性,來降低任務關鍵型網宇實體系統的失效率。
|
本完整文件僅提供會員下載,請加入會員後至會員專屬區取得。