campaign (tipo de cenário)

Tipo de cenário do motor v0.40.0, família Campanhas. Consultivo: resultado de análise de uma ferramenta de investigação e engenharia, não um equipamento de navegação homologado e não um serviço de segurança da vida humana. Cada etiqueta aqui é do motor ou da matriz de verificação; um tipo de cenário é MODELLED salvo indicação em contrário da matriz (como se obtém um rótulo: a secção Evidence do README).

O que faz#

Campanha: tipos de cenário existentes compostos numa só execução, com cada número lido de uma execução real do tipo de cenário nomeado. Quatro secções, em qualquer combinação. PHASES: uma missão encadeada numa cronologia partilhada -- cada fase executa um ou mais cenários (por exemplo jamming, depois spoofing, depois um relógio em holdover com um sistema de navegação inercial a deslizar ao lado, depois um alarme de integridade, depois a recuperação), as suas saídas são lidas em canais nomeados (erro de tempo do relógio contra a sua guarda, relação portadora/densidade de ruído contra o limiar mínimo de seguimento, nível de proteção contra o limite de alerta, erro de posição, satélites em seguimento, indicadores de alarme) por uma predefinição por tipo de cenário ou por caminhos de resultado explícitos, e reamostradas numa grelha comum por retentor de ordem zero, com fronteiras de fase e eventos; o estado é repassado por carry (um canal continua a partir do valor final da fase anterior), handoff (um número da fase anterior gravado no cenário desta fase) e end_at (uma fase termina num instante que uma execução calculou, como o instante de deteção de um monitor de spoofing). SWEEP: uma grelha sobre uma a três chaves de cenário com pontos de qualquer tipo de cenário (um segmento de número inteiro indexa um array de tabelas, como em system.2.sisre_m), com métricas lidas por caminho de resultado e, com execuções acima de uma, um conjunto de Monte Carlo com semente em cada nó. MONTE_CARLO: a realização k executa em base_seed + k; cada métrica indica média, desvio padrão, percentis 5.º/50.º/95.º pelo método do posto mais próximo e um intervalo de confiança de 95% por bootstrap com semente fixa sobre a média. COMPOSE: vários cenários sob valores partilhados (a potência e a posição de um jammer gravadas num recetor marítimo e num rodoviário), com um resumo combinado de melhor/pior caso. O resultado traz um hash de campanha, um resumo sobre o resultado de cada membro e uma entrada de unidades para cada número emitido; as exportações de interoperabilidade gravam cada cenário membro que tem geometria como seu próprio conjunto de ficheiros. As identidades de composição são testadas: uma campanha de uma fase reproduz a execução isolada bit a bit, um conjunto de semente fixa é estável byte a byte e, num relógio com ruído de frequência branco, a média do conjunto cai dentro do intervalo indicado, com a dispersão a coincidir com sqrt(q_wf * tau). MODELLED: o carry aditivo e o retentor de ordem zero são escolhas de modelação, e cada fase traz o rótulo do tipo de cenário que a executou.

Uma execução de scenarios/campaign-sweep-jammer-power.toml resume-se assim: campaign 46aa07cb58fb | Varrimento de potência do jammer: disponibilidade e J/S contra a potência de transmissão | sweep de jamming: 13 nós sobre [jammer_power] | 13 execuções de membros (MODELLED)

Entradas#

A partir do esquema (kshana kinds --json):

• Campos obrigatórios: nenhum
• Campos opcionais: title, seed, timeline, phases, sweep, monte_carlo, compose

O exemplo scenarios/campaign-sweep-jammer-power.toml define, entre outros:

Execute-o#

kshana scenarios/campaign-sweep-jammer-power.toml

22 cenários incluídos usam este tipo de cenário; os demais estão em scenarios/.

O que dá#

Os resultados escalares dessa execução, com as unidades que o motor indica:

Rótulo do resultado (o do motor): composição MODELLED de tipos de cenário existentes. Cada número é lido de uma execução real do tipo de cenário nomeado; o encadeamento (carry aditivo de um canal através de uma fronteira de fase, retentor de ordem zero sobre a grelha da cronologia, uma fase encerrada num instante calculado) é uma escolha de modelação, e cada fase traz o rótu

Evidências#

MODELLED: as linhas da matriz de verificação que nomeiam este tipo.

• MODELLED iq::campaign::detect e o executor de campanha: uma tabela opcional [monitors] executa os monitores de IQ em cada célula na passagem única do executor. Testes: iq_campaign.rs.
• MODELLED iq::campaign::detect (windows, roc) e iq::campaign::report::rocs: cada célula de uma campanha com monitores guarda, por tipo de alarme e canal, o máximo da própria estatística de teste do monitor sobre cada janela de evento declarada (positivo) e sobre t
• MODELLED iq::labfit (campaign, cn0, iqfit, iqreport) e [input] campaign em kshana iq labfit, Python kshana.iq_labfit e a ferramenta labfit do MCP (apenas pastas de campanha dentro do seu diretório de trabalho): lê uma pasta de saída de kshana iq campaign pelo seu Testes: iq_labfit_followup.rs.
• MODELLED As fases do tipo de cenário campaign: cada fase executa um ou mais cenários de tipos de cenário existentes por meio de run_toml, lê as suas saídas em canais nomeados (erro de tempo do relógio e guarda, relação portadora/densidade de ruído efetiva média e limiar mínimo de seguimento, v Testes: campaign_composition_reference.rs.
• e mais 4 na matriz.

As linhas que a própria execução exercitou, com a referência independente que a matriz dá a cada uma (as fontes públicas estão aí nomeadas):

• MODELLED Orçamento de enlace de J/S geométrico, C/N₀ antijamming, perda de sincronismo por satélite. Referência independente (InternalConsistency): Equação do orçamento de enlace de C/N₀ antijamming conferida contra uma nova derivação independente em numpy (partilha a mesma forma fechada → InternalConsistency) mais uma caracterização real da degradação de C/N₀ do JammerTest-2024. 0,30 ronda 2, bloqueado (permanece MODELLED): a queda de C/N0 medida no JammerTest 2024 contra uma previsão do orçamento de enlace (pré-registada 6a66994b, dentro de 3 dB) não foi executada porque a posição e o apontamento da antena F8.1 em
• MODELLED Determinista, com hash do cenário, SBOM + portões de referência multiplataforma. Referência independente (ExternalDataset): aderência à norma do SBOM ao esquema JSON oficial CycloneDX 1,5 (+ identificadores SPDX válidos) — uma norma externa publicada, zero erros de validação em todo o grafo de dependências; a parte de determinismo das FoM / reprodutibilidade byte a byte permanece uma verificação de autoconsistência fixada, pelo que a linha permanece MODELLED
• PARTNER Não fornecido — o Kshana modela o desempenho de sinal, não o hardware de carga útil/antena. Referência independente (NoneKind): nenhuma: uma disciplina de propriedade do parceiro, sem módulo e sem teste por conceção
• MODELLED O varrimento do tipo de cenário campaign (uma a três chaves com pontos de qualquer tipo de cenário, sobre os valores de eixo do varrimento genérico, opcionalmente um conjunto em cada nó) e a secção monte_carlo. Referência independente (InternalConsistency): A forma fechada do passeio aleatório de fase sob ruído de frequência branco, variância q_wf tau (NIST Technical Note 1337), para a maquinaria estatística, e a igualdade byte a byte com as execuções isoladas para a semeadura. Ela verifica a aritmética do conjunto sobre o próprio modelo de relógio do motor, não um conjunto de dados externo

Limitações#

O que o próprio relatório da execução diz que não está modelado ou não está validado:

• Composição MODELLED de tipos de cenário existentes. Cada número é lido de uma execução real do tipo de cenário nomeado; o encadeamento (carry aditivo de um canal através de uma fronteira de fase, retentor de ordem zero sobre a grelha da cronologia, uma fase encerrada num instante calculado) é uma escolha de modelação, e cada fase traz o rótulo do tipo de cenário que a produziu. (resultado label)
• MODELLED: o carry aditivo e o retentor de ordem zero são escolhas de modelação, e cada fase traz o rótulo do tipo de cenário que a executou. (catálogo de tipos de cenário (kshana kinds --json))
• MODELLED: como o é o tipo de cenário jamming. (comentário do ficheiro de cenário, linha 14)
• A resiliência a jamming em ambientes sem GNSS é MODELLED, não validada: verificada contra a sua própria identidade analítica / de forma fechada — deteta erros de transcrição e de coeficientes, mas não é uma referência independente externa. (matriz de verificação (docs/MODELLED-RATIONALE.md))
• A reprodutibilidade e a garantia de software são MODELLED, não validadas: uma subafirmação é verificada externamente, mas a capacidade no seu conjunto compõe partes modeladas, pelo que a capacidade permanece modelada. (matriz de verificação (docs/MODELLED-RATIONALE.md))
• As varreduras de parâmetros e os conjuntos de Monte Carlo com semente sobre qualquer tipo de cenário são MODELLED, não validados: verificados contra a sua própria identidade analítica / de forma fechada — deteta erros de transcrição e de coeficientes, mas não é uma referência independente externa. (matriz de verificação (docs/MODELLED-RATIONALE.md))

Ver também#

• Página da família: Campanhas
• Todos os tipos: KINDS.md
• Página do tópico: LEO-PNT.md
• Página do tópico: RESILIENCE-CROSSWALK.md