针对起重伤害事故致因风险关联性强、节点权重差异大导致风险分级偏离实际的问题,提出了改进型拓扑势风险分级方法。收集2013—2024年381起起重伤害事故报告文本数据,挖掘致因风险的“人-机-环-管”要素;应用Apriori算法,解析致因风险...针对起重伤害事故致因风险关联性强、节点权重差异大导致风险分级偏离实际的问题,提出了改进型拓扑势风险分级方法。收集2013—2024年381起起重伤害事故报告文本数据,挖掘致因风险的“人-机-环-管”要素;应用Apriori算法,解析致因风险的关联关系,构建致因风险拓扑网络;采用作业条件危险性评价法LEC(Likelihood, Exposure and Consequence)厘定致因风险网络的异质节点权重;融合高斯势函数建立拓扑势计算模型,实现风险分级。结果表明:致因风险节点出度拓扑势呈“核心-边缘”分布,管理类因素如主体责任不落实、监管不到位是核心驱动节点;部件故障、违规指挥等是直接诱因;风险划分为Ⅰ、Ⅱ、Ⅲ级,据此提出针对性的防控策略。研究结果为起重伤害事故致因风险分级提供了新的系统性量化工具。展开更多
随着智能汽车技术的快速发展,其功能迭代速度持续加快且用户规模不断扩大,车载网络安全问题已然成为制约行业健康发展的关键因素。其中,控制器局域网(Controller Area Network,CAN)总线作为智能汽车内部通信的核心架构,承担着各电子控...随着智能汽车技术的快速发展,其功能迭代速度持续加快且用户规模不断扩大,车载网络安全问题已然成为制约行业健康发展的关键因素。其中,控制器局域网(Controller Area Network,CAN)总线作为智能汽车内部通信的核心架构,承担着各电子控制单元间数据交互的重任,但其缺乏加密与认证机制的设计缺陷,使其极易成为黑客攻击的突破口。针对这一现状,本研究聚焦于CAN总线入侵检测技术,提出一种基于改进型ResNet-18卷积神经网络的深度学习模型。该模型通过创新性地融入空间通道注意力机制,构建了多维度特征感知框架;同时采用颜色映射技术,将原始CAN报文序列转换为三通道彩色图像,实现了低维总线数据的高效可视化表征。在模型训练阶段,注意力模块通过动态分配空间维度与通道维度的权重系数,强化了对异常流量时空特征的捕捉能力。实验结果表明,在HCRL-Car Hacking数据集上,该模型针对四类攻击上的平均精确率达99.98%,较传统机器学习方法提升显著;在跨数据集测试中,于Car Hacking-Attack&Defense Challenge数据集仍保持平均99.51%的高精确率,充分验证了模型在复杂攻击场景下的鲁棒性与泛化能力。本研究为智能汽车网络安全防护提供了新的技术路径。展开更多
文摘针对起重伤害事故致因风险关联性强、节点权重差异大导致风险分级偏离实际的问题,提出了改进型拓扑势风险分级方法。收集2013—2024年381起起重伤害事故报告文本数据,挖掘致因风险的“人-机-环-管”要素;应用Apriori算法,解析致因风险的关联关系,构建致因风险拓扑网络;采用作业条件危险性评价法LEC(Likelihood, Exposure and Consequence)厘定致因风险网络的异质节点权重;融合高斯势函数建立拓扑势计算模型,实现风险分级。结果表明:致因风险节点出度拓扑势呈“核心-边缘”分布,管理类因素如主体责任不落实、监管不到位是核心驱动节点;部件故障、违规指挥等是直接诱因;风险划分为Ⅰ、Ⅱ、Ⅲ级,据此提出针对性的防控策略。研究结果为起重伤害事故致因风险分级提供了新的系统性量化工具。
