conflict-resilience (rodzaj scenariusza)

Rodzaj scenariusza silnika v0.40.0, rodzina Alternatywne PNT bez GPS. Wyłącznie doradczo: wynik analizy z narzędzia badawczo-inżynieryjnego; nie jest to sprzęt nawigacyjny z zatwierdzeniem typu ani usługa bezpieczeństwa życia. Każda etykieta tutaj pochodzi od silnika lub z macierzy weryfikacji; rodzaj jest MODELLED, o ile macierz nie mówi inaczej (jak zdobywa się etykietę: sekcja Evidence w README).

Co robi#

Odporność warstwowego PNT w konflikcie MODELLED (P7): użytkownik w środowisku spornym dysponuje kilkoma warstwami PNT (GNSS usługi otwartej, szerokopasmowy GNSS, uwierzytelniona konstelacja, przekaźnik augmentacji), każda z bazową dostępnością, dokładnością 1σ i podatnością na odmowę dla każdego wektora wspólnego zagrożenia zagłuszaniem/spoofingiem. Przeglądany po intensywności Monte Carlo Z ZIARNEM odmawia każdej warstwie z prawdopodobieństwem clamp(podatność·intensywność·waga_wektora,0 1), łączy ocalałe zamkniętą regułą odwrotnej wariancji σ_fused=(Σ 1/σ_i²)^(−1/2) i podaje prawdopodobieństwo całkowitej utraty (wszystkie warstwy odmówione), medianę błędu po połączeniu oraz statystyki użyteczności/odmowy dla każdej warstwy względem intensywności. Główny współczynnik odporności (prawdopodobieństwo całkowitej utraty dla pojedynczej warstwy wobec warstwowego) wynosi ~7x przy założeniu NIEZALEŻNOŚCI; jednoczynnikowy przegląd skorelowanej odmowy z kopułą Gaussa pokazuje następnie, że to ~7x zapada się ku 1 w miarę wzrostu korelacji odmowy (korelacja pokonuje warstwowanie). Blok wrażliwości na założenia a priori rozpina wynik główny po ŹRÓDŁOWO UDOKUMENTOWANYCH założeniach podatności przez tornado mcda + realokację wysiłku zagrożenia Dirichleta + przedziały ufności z percentyli. Rdzeń VALIDATED: całkowita utrata Monte Carlo zbiega do zamkniętego iloczynu niezależnego Π_i p_deny_i (w granicach błędu standardowego MC przy stałym ziarnie i dużym N); połączenie odwrotnej wariancji jest tożsamością w postaci zamkniętej; przy ρ=0 kopuła redukuje się do modelu niezależnego, a każde ρ zachowuje brzegowy wskaźnik odmowy każdej warstwy. MODELLED: wielkości podatności/dostępności/dokładności dla każdej warstwy są danymi wejściowymi ze źródeł, ale obliczonymi na podstawie modelu (JammerTest 2024, TEXBAT, EASA SIB, RTCA DO-229, LunaNet/IOAG — zob. conflict_threat_params), a konkretna wielkość ~7x i kształt krzywej współczynnik-względem-korelacji wynikają z tej parametryzacji. Podział przeżywalności dla każdego wektora w § 4,2 rozdziela następnie wspólne zagrożenie RF na cztery nazwane wektory (zagłuszanie/spoofing/kinetyczny/cybernetyczny) i podaje dla każdego wektora krzywą łagodnej degradacji użytecznego PNT S_v(x)=1-Prod_i(1-a_i(1-clamp(susceptibility_i,v·x,0 1))) — VALIDATED: Monte Carlo z ziarnem dla każdej warstwy zbiega do tej postaci zamkniętej; zagłuszanie jest najostrzejszym wektorem dla skorelowanego punktu odniesienia RF, a warstwa inercjalna odporna na RF jest decydującym ocalałym. To nie jest certyfikowany produkt do oceny dostępności nawigacji.

Jeden przebieg scenarios/conflict-resilience.toml podsumowuje się tak: conflict-resilience | 4 warstw (0 punkt odniesienia) | intensywność odniesienia 1,00 | współczynnik odporności w postaci zamkniętej 6.73x MC 6.19x (warstwowy wobec pojedynczej warstwy) | korelacja pokonuje warstwowanie: współczynnik 7.50x @ rho 0,00 -> 1.21x @ rho 0,95 | przedział a priori [5.51-8.48]x | przeżywalność dla każdego wektora @ ref zagłuszanie 26% spoofing 80% kinetyczny 100% cybernetyczny 99% (najostrzejsze zagłuszanie) | ~7x wynik główny MODELLED, VALIDATED MC->postać zamknięta / tożsamość połączenia / brzegi kopuły / przeżywalność dla każdego wektora

Wejścia#

Ze schematu (kshana kinds --json):

• Pola wymagane: brak
• Pola opcjonalne: layers, intensity, correlation, trials, seed, primary_layer

Przykład scenarios/conflict-resilience.toml ustawia m.in.:

Uruchom#

kshana scenarios/conflict-resilience.toml

Co daje#

Wyniki skalarne tego przebiegu, z jednostkami podanymi przez silnik:

Etykieta wyniku (silnika): odporność warstwowego PNT w konflikcie MODELLED (P7). Rdzeń VALIDATED: prawdopodobieństwo całkowitej utraty Monte Carlo zbiega do zamkniętego iloczynu niezależnego Pi_i p_deny_i (sprawdzone w granicach błędu standardowego Monte Carlo przy stałym ziarnie i dużym N); połączenie pozycji odwrotnej wariancji sigma_fused = (sum_i 1/sig

Dowody#

Żaden wiersz macierzy nie wymienia tego rodzaju po nazwie; etykieta na jego wyniku jest własną etykietą silnika, powyżej.

Wiersze, które sam przebieg wykorzystał, wraz z wyrocznią, jaką macierz podaje dla każdego (publiczne źródła są tam wymienione):

• MODELLED Deterministyczne, haszowane na poziomie scenariusza, bramki SBOM i złotych wyników między platformami. Wyrocznia (ExternalDataset): zgodność SBOM z oficjalnym schematem JSON CycloneDX 1,5 (+ prawidłowe identyfikatory SPDX): zewnętrzny opublikowany standard, zero błędów walidacji w całym grafie zależności; część dotycząca determinizmu wskaźników jakości i odtwarzalności bajt w bajt pozostaje przypiętą kontrolą samospójności, więc wiersz pozostaje MODELLED
• MODELLED Podwyniki dla poszczególnych wymiarów w siedmiu własnych kategoriach odporności Kshana (nie w terminach DHS), funkcje RDRR RethinkPNT i kryteria Yanga, każdy oznaczony jako obliczony na podstawie modelu z i. Wyrocznia (InternalConsistency): Wyprowadzone ręcznie wzory dla poszczególnych metryk: różnorodność odwrotna Simpsona, ważona średnia złożona, ograniczone/nieograniczone czasy trwania osi czasu, drabina poziomów najsłabszego ogniwa

Ograniczenia#

Co raport samego przebiegu podaje jako niemodelowane lub niesprawdzone względem niezależnego wzorca:

• MODELLED odporność warstwowego PNT w konflikcie (P7). Rdzeń VALIDATED: prawdopodobieństwo całkowitej utraty Monte Carlo zbiega do zamkniętego iloczynu niezależnego Pi_i p_deny_i (sprawdzone w granicach błędu standardowego Monte Carlo przy stałym ziarnie i dużym N); połączenie pozycji odwrotnej wariancji sigma_fused = (sum_i 1/sigma_i^2)^(-1/2) jest tożsamością w postaci zamkniętej; przy korelacji rho=0 kopuła Gaussa redukuje się dokładnie do niezależnego mo (wynik label)
• Odporność warstwowego PNT w konflikcie MODELLED (P7): użytkownik w środowisku spornym dysponuje kilkoma warstwami PNT (GNSS usługi otwartej, szerokopasmowy GNSS, uwierzytelniona konstelacja, przekaźnik augmentacji), każda z bazową dostępnością, dokładnością 1σ i podatnością na odmowę dla każdego wektora wspólnego zagrożenia zagłuszaniem/spoofingiem. (katalog rodzajów (kshana kinds --json))
• Główny współczynnik odporności (prawdopodobieństwo całkowitej utraty dla pojedynczej warstwy wobec warstwowego) wynosi ~7x przy założeniu NIEZALEŻNOŚCI; jednoczynnikowy przegląd skorelowanej odmowy z kopułą Gaussa pokazuje następnie, że to ~7x zapada się ku 1 w miarę wzrostu korelacji odmowy (korelacja pokonuje warstwowanie). (katalog rodzajów (kshana kinds --json))
• MODELLED: wielkości podatności/dostępności/dokładności dla każdej warstwy są danymi wejściowymi ze źródeł, ale obliczonymi na podstawie modelu (JammerTest 2024, TEXBAT, EASA SIB, RTCA DO-229, LunaNet/IOAG — zob. conflict_threat_params), a konkretna wielkość ~7x i kształt krzywej współczynnik-względem-korelacji wynikają z tej parametryzacji. (katalog rodzajów (kshana kinds --json))
• Użytkownik w środowisku spornym dysponuje czterema warstwami PNT w paśmie RF, które wszystkie korzystają z tego samego pasma, a więc dzielą wektor odmowy zagłuszaniem/spoofingiem — przypadek kruchy i skorelowany. Scenariusz podaje: * prawdopodobieństwo całkowitej utraty względem intensywności zagrożenia (Monte Carlo wobec zamkniętego iloczynu niezależnego, do którego zbiega), * współczynnik odporności warstwowego wobec pojedynczej warstwy ~7x przy założeniu niezależności, * jak to ~7x zapada się do (komentarz w pliku scenariusza, wiersze 3 do 15)
• Każda wielkość dla warstwy jest daną wejściową MODELLED z podanym pochodzeniem; zob. src/conflict_threat_params.rs dla źródłowych założeń a priori [min, nominalna, maks] i profili podatności dla każdego wektora (JammerTest 2024, TEXBAT, EASA SIB 2022-02, RTCA DO-229, LunaNet/IOAG). Pominięcie layers uruchamia ten sam źródłowy czterowarstwowy punkt odniesienia; jest tutaj wypisany — wraz z vector_profile każdej warstwy — dla przejrzystości. (komentarz w pliku scenariusza, wiersze 17 do 22)
• Odtwarzalność i zapewnienie jakości oprogramowania jest MODELLED, nie jest sprawdzona względem niezależnego wzorca: jedno twierdzenie składowe jest sprawdzone zewnętrznie, ale cała możliwość składa się z elementów obliczonych na podstawie modelu, więc pozostaje obliczona na podstawie modelu. (macierz weryfikacji (docs/MODELLED-RATIONALE.md))
• Punktacja dostosowana do ram odporności PNT jest MODELLED, nie jest sprawdzona względem niezależnego wzorca: sprawdzona względem własnej tożsamości w postaci zamkniętej / analitycznej; wychwytuje błędy przepisania i współczynników, ale nie jest zewnętrzną wyrocznią. (macierz weryfikacji (docs/MODELLED-RATIONALE.md))

Zobacz też#

• Strona rodziny: Alternatywne PNT bez GPS
• Wszystkie rodzaje: KINDS.md
• Strona tematu: RESILIENCE-CROSSWALK.md