《Technologies》：High-Precision Force Tracking Under Uncertainty: A Fuzzy-Adaptive Sliding-Mode Impedance Control Approach
Zengpeng Lu,
Jiarui Li,
Jianlei Fan and
Xirui Fan
这项系统文献综述探讨了企业利用日益互联的数字系统时，供应链网络安全日益增长的关注点。研究人员遵循PRISMA指南，基于CASP进行了质量评估，评估了2016–2025年间发表的35篇同行评审文章。综述分析表明，尽管机器学习（ML）已广泛用于威胁检测，但商业智能（BI）的应用仍显碎片化。此外，缺乏针对中小企业（SMEs）和发展中经济体的集成ML-BI框架。因此，本文献综述提供了一个概念性的四层框架，涵盖威胁检测、风险评估和决策制定的预测与分析能力。同时，研究人员确定了一个结构化的研究议程，以推动该研究领域的发展。
1. 引言
全球供应链日益依赖技术，其复杂性和相互依赖性前所未有[1]。因此，它们容易受到伴随复杂性而来的众多风险的影响，尤其是网络安全方面[2]。本系统文献综述旨在确定如何将机器学习（ML）和商业智能（BI）结合起来，以克服其中一些挑战，并开发一个用于管理供应链运营中网络安全风险的综合框架[3,4]。首先需要定义本综述中“集成”这一术语的使用。在本综述中，“集成”代表在统一的网络安全框架内，将基于预测的机器学习（ML）能力与基于分析和可视化的商业智能（BI）能力进行结构化融合[4]。具体而言，集成发生在三个层面：数据层面（BI仪表板与ML算法之间的数据流畅流动）、流程层面（ML生成的预测直接输入BI驱动的决策支持系统）和决策层面（来自ML-BI的洞察影响战略网络安全决策）。因此，多级集成与并行部署（即ML和BI分开使用）有本质区别，因为它创建了一系列反馈循环，既提高了预测准确性，也提升了战略决策质量[5]。
1.1. 现代供应链中的网络安全与数字化
商业环境对根本性变革并不陌生。数字化转型的概念不仅活跃，而且正在改变企业看待和管理其供应链及相关风险的方式[2]。供应链比以往任何时候都更加复杂，它们不是简单的链条，而是由信息流、公司间关系和运营流程构成的网络，这些因素在当今竞争激烈的市场中决定着成败[6,7]。识别、分类和管理供应链风险不仅是确保复杂全球网络顺畅高效运营的推荐做法，更是现代商业的要求。现有供应链充斥着由经济波动、政治动荡和自然灾害等因素造成的 disruptions。随着人工智能和数字技术的进步，网络安全对供应链构成了最严重的威胁之一[8]。数据令人担忧：约61%的组织报告在过去一年中受到供应链网络攻击的影响[9]。采用前瞻性风险管理视角并增强预测能力的组织将受益于风险管理——他们能够减轻损失或延误，并在风险事件发生时更有效地响应，同时维持和改进运营。网络安全已成为维护供应链完整性的关键组成部分。它保护计算机系统、信息和数据免受未经授权的访问和恶意利用[10]，同时保护公司最敏感的信息，如机密客户数据、私人供应商信息和业务运营情报[11]。这在战略上很重要，因为涉及业务合作伙伴的数据泄露解决成本比其他类型泄露高出约12%[9]。因此，单一泄露的风险在跨多个供应商发生时会被大幅放大。正如本综述所揭示的，企业对技术进步和创新的日益依赖导致了新的可利用漏洞，威胁到所有运营系统和生态系统[12,13]。网络安全不再被视为商业的附加功能，而是维护信息完整性、支持运营连续性以及在整个供应网络中建立和维护信任的基本要素[2]。成功地在供应链风险管理的多个战略维度上实施网络安全措施具有挑战性[2]。风险评估是风险缓解措施的基础[14]。此外，处理数据治理并在所有合作伙伴之间建立安全关系以增强集体韧性也很重要[15]。这种双管齐下的方法促进了整体安全框架，即在组织层面处理风险，在网络层面处理漏洞。在数据驱动的商业世界中，数据和分析是重要的流动[16]。机器学习和商业智能是互补的技术方法，用于改善供应链网络安全的结构框架[4]。机器学习创建算法模型来处理大型数据集，提取相关且有意义的模式，并持续从新数据中学习[17]。商业智能考虑数据与行动之间的关系，通过使用分析技术解释数据和可视化流程，帮助制定在运营和战略层面做出及时、知情决策的最佳选项[9]。
1.2. 知识差距
尽管该领域引起了显著的学术兴趣，但文献中仍存在一些重要差距。虽然有一些关于机器学习和商业智能的单独研究，但很少有研究探索它们结合使用以支持ML和BI在网络安全系统内的集成。此外，网络安全的理论模型与实践之间也存在巨大差距，文献未明确建立将机器学习的预测分析整合到商业智能的描述性和诊断性分析中，以增强供应链中网络威胁检测和缓解的分类方法或概念模型。Culot等人[18]最近的系统综述指出，供应链管理中的人工智能可能受到潜在的媒体炒作影响，本综述试图用经过检验的供应链管理理论和实践来框定 disruptions 和不一致性。除了上述差距，还有许多重要领域需要更详细地研究。首先，关于如何集成机器学习和商业智能工具以改善网络安全的许多技术细节尚未深入探索。其次，有必要研究预测模型准确性与其在威胁建模和检测中可理解性之间的权衡。第三，学术界和行业专业人士必须研究将自动化用于网络安全决策的伦理和法律后果。第四，虽然已有一些关于集成机器学习和商业智能对供应链影响的研究，但其对所有供应链范围性能指标（超越网络安全）的潜在正面和负面影响尚未得到彻底调查。
1.3. 本系统综述的目标与贡献
本系统文献综述考察了机器学习、商业智能和网络安全标准在供应链风险管理中的关系。本综述遵循PRISMA框架，分析了2016年至2025年间发表的同行评审研究，扩展了对近期研究和趋势的理解。本综述按技术应用、风险分类和方法策略对文献进行分类，以评估机器学习和商业智能如何用于解决源自供应链的网络安全风险。以往的综述将网络安全和供应链管理作为独立问题进行分析。相比之下，本研究调查了如何使用智能系统将网络安全和供应链管理整合到一个系统中。本研究开发了一个新的分类法，并确定了需要进一步研究的领域。研究人员整理了来自不同学科的发现，并为负责开发和实施集成网络安全系统的学者和实践者提供了潜在解决方案。IBM商业价值研究所支持本研究的意义，该研究所指出只有30%的公司优先通过其供应链创建安全的互联生态系统，表明本研究的相关性和及时性[19]。本研究对供应链网络安全风险管理领域做出了三项独立贡献。第一个贡献是识别了文献中一个重要差距，即关于将机器学习和商业智能融入供应链环境以增强威胁检测和缓解能力。尽管单独研究考察了机器学习或商业智能在网络安全各个领域的应用，但相对较少的研究考察这两种技术如何结合使用以增强供应链中的威胁检测和缓解能力。这一差距显著，因为大多数现有研究独立考察了每种技术，而非它们的组合。第二个贡献是一个新的概念框架，该框架通过一个共同的网络安全架构统一了机器学习的预测能力和商业智能的分析/可视化能力。这个四层框架解决了缺乏建立分类方法来描述ML-BI在供应链网络安全中集成的问题，并为研究人员和实践者提供了一种组织化的方法来理解和实施集成这两种技术的系统。该框架还旨在足够灵活，以适应各种规模的组织，从大型企业到被研究界忽视的中小企业（SMEs）。第三个贡献是创建了一个结构化的、优先化的研究议程，确定了未来关于所提出框架的主要研究领域。特别是，该议程将侧重于框架的技术评估、影响采用的组织因素，以及围绕跨组织协作协调的治理问题。通过这样做，本综述为加深理解发展中国家组织面临的挑战创建了清晰的路线图。当前研究基础中这些国家的组织比例偏高。
1.4. 商业智能：全面定义
商业智能的定义超越了仪表板和描述性分析。它代表了公司理解其整体运作方式以及如何协调所有部门以协助战略决策的方式。此外，对于网络安全组织，特别是涉及供应链网络安全的组织，商业智能提供了将技术威胁指标整合到组织运营、财务和战略考虑中的机制。将商业智能视为集成机器学习的框架，提供了比作为报告工具更广阔的概念视角，表明BI可用作决策过程的关键组成部分[4,20]。区分业务分析（business analytics）与商业智能（BI）很重要。业务分析被提及为涵盖商业智能和数据分析的总称。虽然业务分析包含更广泛的数据分析技术，但本综述聚焦于商业智能，该概念强调BI系统在供应链网络安全背景下的分析和决策支持组件。因此，这两个术语之间存在显著区别。BI对可视化、仪表板和实时决策支持的强调比更广泛的分析方法论更符合本综述的集成目标。
2. 系统综述方法论
本节描述了系统文献综述（SLR）的方法，其中使用了系统化流程以确保透明度、可重复性和严谨性。证据合成遵循系统文献综述视角的系统综述指南，依据PRISMA（系统综述和元分析首选报告项目）[21]和Barbosa-Povoa等人[22]。本系统综述方案已在开放科学框架（OSF）上注册（注册ID：osf.io/tjh6q），包括识别、筛选、资格、质量评估和合成等要素。采用PRISMA框架的决定基于几个因素。首先，PRISMA为系统综述提供了明确、透明和可重复的方法论，并被所有学科广泛接受。其次，PRISMA的结构化方法论（包括识别、筛选、资格和纳入）有助于确保文献的全面覆盖，同时减少选择偏差。第三，PRISMA检查表允许质量保证，并使评审者能够评估其综述过程的严谨性[21]。尽管有其他框架支持系统综述，包括SPIDER（样本、兴趣现象、设计、评估、研究类型）和PICO（人群、干预、比较、结果），但选择PRISMA是因为它专门设计用于整合来自多种研究类型的证据，这与ML-BI网络安全文献中的异构方法论性质相匹配[21,22]。
2.1. 研究问题
以下研究问题指导了本综述：当今数字化环境中供应链系统面临的潜在风险或危险是什么？哪些特定类型的基于机器学习的威胁检测方法被应用于检测和分类供应链中的各种网络威胁？决策支持工具如何使用商业智能分析将威胁检测结果转化为战术性网络安全行动或战略决策？机器学习和商业智能能否整合到一个网络安全系统中（而不是独立开发）以识别即将发生的威胁？在ML/BI系统中，预测准确性和模型可解释性方面的优缺点是什么？当前研究体系中关于使用ML和BI缓解供应链网络安全风险缺失了什么？特别是，如何在发展自主能力与保持人为监督之间取得平衡？这些研究问题旨在从现有文献中发展新知识，同时揭示机器学习和商业智能整合背后的理论冲突。特别是，本综述识别了预测准确性（可以通过复杂、不透明的模型提高）与可解释性（需要组织信任和监管合规）之间的权衡[17]。本综述还试图在自动化威胁响应（由机器学习促进）与人为监督需求（由BI仪表板促进）之间找到平衡[4]，因为许多公司意识到完全自动化流程可能增加风险，而没有任何手动流程能够扩展以应对当今组织面临的威胁数量[9]。
2.2. 搜索策略
为确保全面性并降低偏差风险，使用多种学术数据库进行了文献综述。搜索的学术数据库包括Scopus、IEEE Xplore、Web of Science和ScienceDirect。最终根据严格的纳入标准选择了35篇同行评审文章，以获得关于供应链网络安全的最佳研究[21]。尽管数字看似较少（十年间仅35篇），但这表明了研究焦点的具体性；通过选择性方法论提高了文章的质量和相关性。本综述的作者还希望指出，关于使用机器学习和大数据集成进行供应链网络安全的研究领域是新的，大部分基础文献产生于2018年之后[6,18]。后续综述可以使用比“机器学习”和“大数据集成”更广泛的术语，如“大数据分析”来发现更多相关研究。本文献综述使用了多种布尔运算符和关键词。主要搜索字符串报告如下。主要搜索字符串：TITLE-ABS-KEY ((“Supply Chain Threats” OR “Machine Learning” OR “Business Intelligence” OR “Cyber Security”) AND “Supply Chain Risk Management”)。附加搜索字符串：字符串1（集成）：TITLE-ABS-KEY ((“Machine Learning” AND “Business Intelligence”) AND (“Cybersecurity” OR “Cyber Security”) AND “Supply Chain”)。字符串2（威胁）：TITLE-ABS-KEY ((“Cyber Threat” OR “Cyber Attack” OR “Data Breach”) AND (“Supply Chain” OR “Logistics”) AND (“Machine Learning” OR “Business Intelligence”))。字符串3（风险管理）：TITLE-ABS-KEY ((“Risk Management” AND “Supply Chain” AND (“Machine Learning” OR “Business Intelligence”) AND “Cyber”))。字符串4（人工智能）：TITLE-ABS-KEY ((“Artificial Intelligence” OR “AI”) AND (“Supply Chain” OR “Logistics”) AND (“Cybersecurity” OR “Cyber Security” OR “Cyber Risk”))。字符串5（大数据分析）：TITLE-ABS-KEY ((“Big Data” OR “Big Data Analytics”) AND (“Supply Chain” OR “Logistics”) AND (“Threat Detection” OR “Risk Management” OR “Cybersecurity”))。搜索限制为2016年至2025年间以英文发表在同行评审期刊上的文章。文献综述于2024年1月至2025年3月期间进行，回顾了2016年1月至2025年3月的出版物。值得注意的是，随着数字健康技术领域研究的快速发展，一些2024/2025年发表的研究反映了初期研究阶段；因此，可能并非所有相关的早期研究都被搜索到（因为出版和/或在学术数据库中编入索引所需的时间）。
2.3. 纳入与排除标准
本综述中研究的纳入标准描述如下。纳入标准：讨论网络安全风险和威胁、使用机器学习或商业智能管理供应链风险、以期刊文章形式发表、以英文撰写、发表于2016年至2025年的研究。排除标准：未讨论网络安全与供应链或机器学习/商业智能应用关系的研究。来自知名机构（如IEEE）的同行评审会议论文因网络安全研究的快速发展特性而被允许纳入。排除了非同行评审的会议论文集以保持方法论严谨性。由于网络安全研究的快速发展特性，纳入某些会议论文是合理的。来自这些知名机构的同行评审会议论文集包含了许多当前或未来的网络安全发展，这些发展可能需要时间才能在期刊上发表。特别是IEEE会议被视为发表网络安全研究的顶级场所，并为供应链网络安全研究提供了及时、高质量的证据。报告、白皮书和论文被排除，同样排除了2016年之前以非英文语言发表的研究。
2.4. 筛选与选择流程
图1显示了依据PRISMA指南的筛选流程。PRISMA流程图显示有35项研究纳入定性合成。其中，28项研究纳入定量合成（元分析）。剩余7项因缺乏可提取的可比数据或不兼容的结果/指标而被排除在定量分析之外。识别：搜索结果导出至参考文献管理器（Zotero），删除重复项。筛选：根据相关性筛选研究标题和摘要。资格：根据纳入标准审查文章全文。纳入：最终文章纳入系统综述进行分析。图1显示，除了数据库搜索（n = 287）外，还通过其他来源识别了来自同行评审会议论文集的记录（n = 43）。所有已识别记录均使用相同的纳入/排除标准进行审查。搜索扩展确实包括其他来源，但由于新记录绝大多数是重复项（共35个重复项），在去重过程中被删除，或在筛选和/或全文审查过程中因其未聚焦ML/BI、非供应链网络安全或非英文而被删除，因此最终纳入定性合成的研究数量仍为35篇。在这35项研究中，有28项纳入定量合成（元分析）。
2.5. 质量评估
每项纳入研究均使用简化的CASP（关键评估技能项目）检查表进行质量评估。在多个维度上以5分制进行评分：方法论严谨性（1-5）、理论基础（1-5）、数据质量（1-5）、分析方法（1-5）、实践意义（1-5）、总体质量（1-5）。标准检查表包含10个定性问卷，需回答是/否/不确定。为了将10个CASP问卷的定性响应量化为1-5分制，作者创建了以下规则：5分：所有10个CASP问卷项目均回答“是”。4分：8-9个CASP问卷项目回答“是”。3分：6-7个CASP问卷项目回答“是”。2分：4-5个CASP问卷项目回答“是”。1分：少于4个CASP问卷项目回答“是”。所有在CASP系统中得分低于2.5的研究被淘汰。只有满足至少50% CASP标准的研究才纳入本综述。这保持了可接受的方法论严谨性，同时允许该发展中的研究领域的研究人员发表其发现。质量评估由两名独立研究人员使用质量评估检查表进行。对于评分有差异的维度，计算平均质量得分，若差异大于2分，则研究人员公开讨论以达成共识。总体得分低于2.5的研究被排除在最终分析之外，以确保仅纳入高质量证据。质量评估得分在本次综述中以三种不同方式使用。首先，用于从分析中移除所有总体质量评估得分低于或等于2.5的研究，以确保只有方法论可靠的证据支持综述结论。2.5阈值（代表50% CASP标准）是合理的，因为它反映了其他系统综述文献中常见的质量评估阈值[23,24]。该阈值在评估研究的质量与允许在快速变化环境中评估供应链网络安全领域创新研究之间取得了合理平衡。质量评估得分还用作解释研究发现时的加权因素。质量评估得分≥4.0的研究在综合关键主题结果时被赋予更高权重。最后，质量评估用于根据质量评估工具中跨多项研究得分持续较低的领域（即数据质量得分较低的研究）识别研究差距。质量评估确保了综述结论基于高质量证据，同时承认较低质量研究的局限性。
2.6. 数据提取与合成
对于每项选定的研究，记录了以下内容：出版年份、期刊、研究重点与方法论、数据类型与分析、识别的威胁、解决方案和技术（ML、BI）。使用描述性统计和主题编码对数据进行合成，并按威胁类型、使用的ML/BI技术以及研究中确定的网络安全策略进行分类。这些主题为后续部分开发的概念框架提供了信息。在应用于所有纳入研究之前，对五项研究进行了数据提取表的开发与测试。两名研究人员独立从每项研究中提取数据，然后比较结果以评估准确性和一致性。数据收集持续到所有纳入研究全部完成。研究人员使用NVivo 12支持主题编码和定性数据分析[3]。采用主题合成方法将发现归纳为主题类别，并使用批判性、解释性分析方法识别文献中的关键模式、趋势和矛盾[21]。
2.7. 样本量的合理性
从同行评审文献中选出的35篇文章样本代表了高质量的研究，这些研究涉及商业智能、机器学习和供应链网络安全的交汇点。尽管相对于更一般性系统综述纳入的文章数量，本样本看起来有限，但使用该样本量有多个理由。首先，如前所述，本研究考察的研究问题非常狭窄，特别聚焦于ML和BI在供应链网络安全中的集成。这一聚焦减少了可能考虑的文章数量。在聚焦的新兴领域中，比较性系统文献综述报告了相似的文章数量。例如，Toorajipour等人（2021）[25]识别了57篇关于人工智能在供应链管理中应用的文章，这些文章发表十年期间（2009-2019）。因此，本研究考察的35篇文章样本与接受的对专门化、新兴研究领域进行系统综述的规范实践一致。第二，方法论质量优于数量的原因是：所有纳入研究均基于CASP标准进行了质量评估（最低质量2.5/5），使本研究能够综合来自高质量方法学研究而非大量低质量研究的证据。通过应用质量评估阈值，遵循了系统综述的最佳实践，确保了综合中研究的方法论质量。第三，由于供应链网络安全是一个快速发展领域，纳入近期研究很重要。因此选择限制在2016年以后发表的研究，更关注2020年以后的研究。这种对近期研究的强调捕捉了当前的发展和新趋势。关注该领域近期高质量研究支持了35篇文章样本足以回答研究问题。最后，对每篇文章的分析水平——使用了详细的编码（威胁类型、机器学习技术、商业智能应用和组织背景）——尽管样本量相对较小，但提供了对该主题的全面洞察。这种优先深度而非广度的方法适用于新兴研究领域的系统综述，因为目标是汇编和综合现有知识（而非提供所有已出版作品的完整普查）。
3. 系统综述结果
在遵循前述系统搜索设计后，识别并分析了相关研究。本节通过分析揭示综述发现，从描述性分析开始，将发现组织成主题，评估方法论质量，然后报告趋势。
3.1. 描述性分析
3.1.1. 按出版年份、期刊和国家的研究分布
2020-2021年期间对机器学习和商业智能在供应链网络安全风险管理解决方案中的研究最多（25.7%），如表1所示。这表明在COVID-19大流行凸显全球供应链重大弱点之后，对该领域的关注度上升。然而，2024-2025年期间略有下降（11.4%），可能表明新兴研究议程或由于近期研究发表的延迟而存在时间差异。表1显示了按出版年份的研究分布。调查显示，对机器学习和商业智能在供应链网络安全风险管理中整合的应用研究兴趣日益增长。表1显示，本综述纳入的研究涵盖2016年至2025年；2020至2021年期间产生的文章占总数25%。其他时期产出相对稳定，预计2024至2025年期间仅占综述纳入总数的11%。这一趋势描绘了在供应链持续数字化背景下对理解网络安全重要性的日益认识。研究兴趣的演变如图2所示。如图2所示，尽管研究分散在整个时间段，但明显集中于2020-2021年，约占所有出版物的四分之一。早期年份（2016-2019）出版相对稳定，表明该领域正在建立。图2所示的近期研究激增表明关于机器学习和商业智能交汇点用于供应链网络安全的研究势头增加。直到现在，这一交汇点才获得显著学术关注。在地理分布上，大多数贡献来自美国、英国和中国，表明这些地区专业知识高度集中。相比之下，发展中地区代表性不足，需要在不同地理区域进行更多研究。在期刊方面，纳入的研究发表在多种期刊上，涵盖供应链管理、信息安全、计算机科学等领域，突显了该主题的多学科性质。期刊示例包括《供应链管理杂志》、《计算机与安全》和《国际生产经济学杂志》。
3.1.2. 按方法的研究分布
表2显示了纳入研究中不同方法论的相对均衡分布，理论综述略占优势（34.3%）。这为本系统综述提供了更平衡的评估，并提供了从多角度评估该主题的机会：理论综述提供了基础概念，实证研究（28.6%）提供了定量证据，案例研究（22.9%）揭示了背景的丰富性，混合方法研究（14.3%）提供了两方面的最佳结合。表2显示了按方法论的纳入研究分布。似乎在理论和应用方法之间存在相对平衡，每种方法论都有相当的代表性。图3展示了所考察研究中使用的方法论概况，表明定量和定性研究大致相当。大量定量研究（见图3中的图表）主要归因于其经验性质以及在该研究领域内对算法和系统进行实证验证的需要，表明这一知识体系的技术基础。另一方面，如图3所示，有相当数量的定性研究探索了这些集成系统在实际供应链环境中的实施和运营方面。虽然混合方法研究相对较少（如图3所示），但它们代表了一种有价值的混合方法，可以提供关于在供应链中使用ML-BI集成系统的经验和背景要素的见解。总体而言，这些研究中多样化方法论方法增强了本文综述的可信度，因为它们捕捉了在供应链环境中使用集成系统的技术和实践方面。理论综述占所有纳入研究的最大比例（34.3%），其次是实证研究（28.6%）、案例研究（22.9%）和混合方法研究（14.3%）。这种分布有助于阐明关于机器学习和商业智能在供应链网络安全风险管理中集成的研究方法论多样性。这种方法论分布对综述有益，因为它从不同角度提供了对该主题的广泛理解。
3.2. 主题分类
3.2.1. 理论演练：勒索软件威胁场景
为进一步解释将作为所提出概念框架一部分的各个层面，本综述提供了一个在供应链网络中检测到勒索软件威胁的示例场景。第一层是机器学习预测层。该层使用机器学习算法（如神经网络和随机森林）检查历史攻击趋势和网络流量。通过这样做，它识别出指示勒索软件传播的异常。作为响应，它生成威胁警报并提供威胁确实是勒索软件的概率置信度分数（即87%）。下一层是BI分析层。该层接收来自机器学习预测层的威胁警报，并将其与其他相关数据集相关联。这些数据集包括历史事件数据和供应链依赖数据（即哪些供应商受影响）。BI层还包括与潜在业务影响评估相关的数据（即哪些产品可能受影响）。通过关联这些数据集，BI层生成一个全面的风险评估仪表板，显示所有受影响实体和潜在业务影响。接下来是响应与治理层。该层让决策者查看BI层生成的风险评估仪表板以及威胁分析。根据预定政策（例如，当置信水平大于80%时隔离受影响节点），决策者触发自动或手动响应。最后，存在反馈循环层。该层记录在响应与治理层期间采取的响应行动结果，并将其反馈给机器学习层进行持续学习。因此，该框架在检测和响应威胁方面的准确性持续提高。上述示例说明了每个层面如何协同工作，以创建一个供应链网络安全的集成方法。
3.2.2. 机器学习和商业智能技术的分类
表3提供了纳入研究中使用的机器学习和商业智能方法论的详细分类。最常使用的机器学习技术是神经网络（28.7%），展示了其在管理复杂非结构化数据（特别是与网络安全威胁相关的数据）方面的比较优势。其次是预测分析（25.7%），有助于预测潜在风险。商业智能仪表板仅用于5.7%的研究，表明在呈现机器学习结果和实施方面还有进一步研究的空间。进一步确定如何以适用于决策者的方式呈现和利用机器学习输出值得持续关注。表3显示了纳入研究中识别的机器学习和商业智能技术的主题分类。这些技术分为六大类：神经网络、预测分析、监督学习算法、非监督学习算法、大数据分析和商业智能仪表板。关于所考察研究中使用的技术，如图4所示，明显倾向于某些方法。最常使用的技术是神经网络和深度学习技术。这些技术因在识别模式和检测威胁方面已证明成功而常被青睐。预测分析位居第二，这是预期的，因为它侧重于预测攻击可能发生的时间。传统的机器学习算法（如支持向量机和随机森林）也出现在图4中，仍广泛用于分类类应用。商业智能技术较少被独立提及，而是常与其他技术（如上述技术）结合使用，以形成更大的数据分析框架。图4中引用的这些技术的分布说明了进一步研究的可能机会，因为缺乏关于如何最佳集成机器学习预测能力与商业智能分析能力的研究。技术领域由神经网络（28.7%）和预测分析（25.7%）主导，反映了这些技术在管理复杂数据集和揭示潜在变量方面的巨大能力。监督学习（17.1%）和非监督学习（11.4%）算法也有很好的代表性；可能相关的是，尽管监督与非监督学习技术的比例在供应链网络安全中值得考虑，但似乎倾向于监督学习算法。大数据分析（11.4%）和商业智能仪表板（5.7%）报告的小百分比可能表明文献中关于将这些技术用于供应链网络安全风险管理的差距。这可以在未来研究中调查，同时可能与未来关于集成商业智能和机器学习模型以改进威胁检测和响应的研究相契合。
3.2.3. 供应链网络安全威胁的分类
表4提供了相关研究中识别的供应链网络安全威胁的完整分类。数据泄露（25.7%）和勒索软件（22.9%）构成了近50%的研究威胁，强调了它们对供应链的潜在风险。第三方漏洞（20.0%）排名第三，强调对外部供应商和合作伙伴的依赖增加了风险水平。第三方漏洞的纳入呼应了安全领域的当前趋势，即威胁行为者越来越瞄准供应链中最薄弱的环节。表4展示了纳入研究中识别的与供应链相关的网络安全威胁的全面分类。威胁分为八个不同类别，包括勒索软件、数据泄露、网络钓鱼威胁、供应链泄露、内部威胁、拒绝服务攻击、基于AI的攻击和物联网漏洞。图5说明了供应链网络安全威胁的类型学，显示数据泄露（25.7%）和勒索软件攻击（22.9%）占研究威胁的最大份额，其次是第三方威胁（20.0%），表明它们在数字经济中对供应链安全的重要影响。物联网威胁（17.1%）和供应链泄露（14.3%）进一步表明现代供应链容易受到广泛的潜在网络安全挑战的影响。
3.3. 行业标准对齐
所提出的ML-BI框架旨在解决供应链网络安全问题，并采纳了行业中当前使用的许多实践。所提出的ML-BI框架已映射至NIST网络安全框架的五个核心功能，该框架涵盖了所有类型的网络安全风险管理活动[26]。作为识别功能的一部分，商业智能可以为组织提供其供应链资产和网络中的漏洞的可视性。使用机器学习，保护功能根据威胁模式和历史攻击提供适当的保护机制。检测功能使用机器学习模型的实时威胁检测能力，持续监控网络流量和系统行为，寻找指示网络威胁的异常活动。响应功能使用商业智能仪表板，在响应事件时提供上下文信息以做出知情决策。恢复功能使用历史数据分析创建恢复计划，帮助组织在未来的网络安全事件中更具韧性。所提出的框架支持ISO 27001信息安全管理框架[27]中概述的关键要求。通过使用商业智能分析进行基于系统方法论的增强风险评估，可以整合来自多个来源的数据以呈现完整的风险视图。通过使用机器学习进行实时威胁识别，实现基于BI的持续监控以检测发展中的威胁。框架的商业智能报告能力支持监管审计的证据收集，该能力被用于以综合日志格式记录组织的安全相关活动和响应。与通用框架NIST CSF和ISO 27001相比，所提出的ML-BI框架专注于如何将这两种技术集成到供应链环境中，这是一个研究不足的领域，为实践者提供了实用资源[2,18]。
3.4. 方法论质量评估
纳入研究的方法论质量评估结果呈现在表5中。方法论严谨性方面平均得分最高（3.8/5），显示大多数研究应用了合理透明的程序；然而数据质量平均得分最低（3.2），标准差最高（1.1），表明数据质量变化更大。总体而言，研究平均质量得分为3.5，表明中等至强质量，为本系统综述的结果提供了可信度。表5总结了本综述纳入研究的方法论质量评估结果。评估使用了第2.5节描述的框架。在本综述中，每项研究在六个维度上以5分制评估：方法论严谨性、理论基础、数据质量、分析方法、实践意义和总体质量。表5显示了纳入研究的方法论质量得分。方法论严谨性的平均得分最高（3.8/5），数据质量平均得分最低（3.2）。方法论质量为中等至强（3.5），支持了本综述的声明和建议。所有研究的总体平均质量为3.5/5，表明良好的方法论质量。实践意义的平均得分最高（4.2），支持了该领域研究侧重于实践的观点。相关性和方法论的平均得分分别为3.9和3.7。
3.5. 出版趋势
表6显示了2016年至2025年间的出版模式。方法论重点从2016-2017年的理论研究明显转向2024-2025年的应用研究，表明该领域的成熟和对真实应用追求的渴望。此外，从2016年至2025年发表的文章中，ML-BI集成水平稳步提高（早期——低；近期——高）。这一趋势证实了综合方法在解决供应链网络安全问题中的感知重要性。表6总结了按年份和关注领域对文章的系统检查。数据显示研究在该时间段内随机分布，最集中时期是2020-2021年（9项，占25.7%），其次是2018-2019年（8项，22.9%），2016-2017年（7项，20.0%）和2022-2023年（7项，20.0%）数量相等，2024-2025年数量最少为4项（11.4%）。表6提供了关于机器学习与商业智能在供应链网络安全风险管理中交汇的文献概览。研究发表的期刊存在相当大的差异，反映了主题的多样性。近期发表的研究（2022-2025）似乎比早期发表的研究（2016-2019）更侧重于实际应用和综合解决方案，而早期研究主要关注识别问题和挑战。这些差异反映了该领域从识别问题和挑战到实施解决方案的成熟过程。在类似的关注领域方面，供应链风险的主题焦点从供应链风险的总体研究（2016-2017）过渡到网络安全的聚焦研究（2018-2021），并最终过渡到机器学习与商业智能对网络安全框架的影响（2022-2025）。关注领域的转变表明了该领域不断发展的成熟度和当今供应链挑战日益增加的复杂性。
4. 讨论
以下部分通过讨论主题、知识缺口以及将机器学习和商业智能纳入供应链风险管理网络安全背景的含义，解读系统文献综述的发现。
4.1. 关键主题与趋势
本综述的结果表明，对网络安全与供应链管理交汇点的兴趣正在增加，特别是在数字化和人工智能使用持续上升的情况下。下面描述了一致观察到的主题趋势。
4.1.1. 对勒索软件和网络钓鱼攻击的关注
勒索软件的工作方式因类型而异，但大多数应用遵循几乎相同的过程：获得初始访问、横向移动、提升权限，最后加密和勒索[28]。机器学习模型可以在攻击者在网络中横向移动时帮助检测异常网络行为；商业智能模型可以图形化显示攻击者的攻击路径，并提供指导以帮助事件响应团队确定采取哪些行动[4]。数据泄露可以是外部数据泄露（未经授权访问）或内部数据泄露（内部威胁）[7]。检测这两种泄露类型的要求差异很大[2]。外部泄露往往留下网络级别的迹象和足迹，易于被ML模型检测[19]。然而，内部威胁需要行为分析，该分析使用来自ML模型的模式识别和来自BI模型的用户活动背景分析[7]。第三方漏洞是组织面临的独特挑战领域，因为它们超出了组织的直接控制。ML模型可以基于历史数据评估供应商风险评分；BI模型可以映射供应链依赖关系并图形化显示与第三方漏洞相关的级联风险[4]。有趣的是，尽管已有大量关于高级持续性威胁（APTs）的文章发表，但似乎对该主题的研究有限。尽管定义APTs有许多特征，但它们的一个共同点是能够在组织系统中长时间持续存在，并使用复杂技术逃避检测[21]。因此，APTs要求组织实施集成的ML-BI模型，使其能够执行实时异常检测以及纵向行为分析。不幸的是，超过91.4%的考察研究缺失了这一能力[4]。零日漏洞在信息安全领域也是一个研究不足的主题。零日漏洞由于其新颖性且没有可用于训练的历史数据而难以研究，因此难以训练ML模型进行对抗[19]。正如Hammi等人[29]评论的那样，“数字供应链威胁的演变速度快于本综述能够缓解的速度”。这表明对被认为系统化、主动或预期的方法有很高需求，以领先并准备应对新兴威胁。
4.1.2. 监督机器学习模型的突出使用
所考察的研究主要考察了监督学习方法（如SVM、ANN、回归），而很少有研究探索非监督和/或强化学习模型。文献中也缺乏比较多种机器学习模型的研究。正如Pandey等人[30]所指出的，尽管具有潜力，但本综述仅触及了机器学习在供应链风险管理中使用的表面，几乎没有关注不同算法是否在不同威胁场景中更优。
4.1.3. 商业智能工具的碎片化使用
商业智能工具在研究中被频繁提及，但它们与网络风险模型的实际使用却很少。大多数研究将商业智能纯粹描述为仪表板或回顾性分析，而未调查其作为实时或主动预测网络风险的流程的潜在应用。正如Bharadiya[4]所建议的，挑战在于使商业智能成为一种预测性流程工具，而不是诊断性流程，可以与机器学习算法一起运行以提供更复杂的网络风险视图。BI还受到其他几个因素的限制，例如“数据孤岛”（即使用BI所需的数据通常不可用）。实施BI软件的成本和复杂性也是一个问题，特别是对于小企业。此外，缺乏既具备BI经验又了解供应链管理的合格人员[20]。
4.1.4. 混合框架的罕见应用
很少有论文描述了使用商业智能和机器学习能力对实时数据进行威胁检测并支持战略规划的集成框架或模型。总体含义是需要更多融合的架构。本综述考虑了解决方案随时间演变的复杂性。在2016-2018年，大多数解决方案考察了机器学习或商业智能的单一应用，即对集成技术的兴趣很小。在2019-2021年，研究开始考察两种技术的组合效果，但通常有限和/或实验性。在2022-2025年，有一些更整合的集成框架的记录实例，这些框架在解决方案开发中结合了机器学习的预测能力和商业智能的分析能力。这种进展可能表明了对需要集成方法来解决当前供应链网络安全复杂性的更好理解。
4.1.5. 威胁特定分析方法
不同类型的网络威胁需要不同的分析技术。例如，检测勒索软件时，分析师可能使用异常检测来检测对文件的异常访问，以及行为检测来发现加密例程[28]。相比之下，检测数据泄露（尤其是内部人员导致的）时，分析师会采用用户行为分析（UBA）和访问控制监控（ACM）来监控和分析用户行为并识别数据外泄[7]。由于APTs可能长时间（数月或数年）潜伏且以隐蔽方式运行，APT检测需要纵向行为分析和复杂的模式识别来发现这些持久性威胁[31]。最后，零日攻击由于其性质无法使用基于签名的方法识别。因此，需要识别这些攻击的新方法，以及管理未知因素的稳健风险评估[19]。
4.2. 已识别的研究缺口
从考察的文献中识别出了缺口，描述如下。
4.2.1. 方法论缺口
方法论缺口可分为三类。首先是实证验证，许多考察的论文（65.7%）本质上是理论/概念性的，或者包含很少支持其提出框架使用的实证证据。其次是比较研究，所考察的论文中缺乏比较研究。只有11.4%的考察研究包含了可应用于同一类型威胁的多种机器学习算法的比较。最后，纵向研究存在缺口：没有研究考察基于机器学习的商业智能系统在较长时间内的有效性。
4.2.2. 技术缺口
文献中存在的技术缺口可分为三类。第一个缺口是实时分析，很少有研究（仅8.6%）将使用边缘计算或流分析的实时分析纳入其分析，尽管在许多对延迟敏感的应用中这是必要的。第二，关于可解释人工智能（XAI）存在缺口，关于使用可解释机器学习模型支持网络安全相关决策的研究很少。最后要考虑的缺口是可扩展性，很少有研究讨论集成系统如何在企业级别运行。
4.2.3. 背景缺口
背景缺口可分为三类：首先是地理偏差，大量考察的论文（71.4%）是在发达国家（美国、英国、欧盟）背景下撰写的。其次是部门偏差，制造业和物流业在考察的论文中代表性最强，而医疗保健、农业和能源领域相对代表性不足。最后一个背景缺口涉及组织规模，关于与中小企业相关的特定挑战和解决方案的研究很少。
4.2.4. 理论缺口
理论缺口可分为三类。首先是集成框架：没有完整的理论框架描述如何将机器学习和商业智能结合起来。其次，缺乏权衡分析：对机器学习模型准确性与可解释性之间权衡的研究有限。最后，关于治理模型存在理论缺口，人机协作框架未得到充分关注。除了解决上述缺口，还必须对执行集成解决方案相关的实施挑战进行研究。大多数当前研究要么是技术性的，要么是理论性的，很少考虑影响响应集成解决方案的组织或人为因素。此外，绝大多数研究未对提议解决方案的成本相关收益进行分析，这对决策者而言很重要。还存在与不同组织类型和规模（从中小企业到跨国公司）适应集成解决方案相关的担忧。
4.3. 对研究与实践的启示
4.3.1. 对研究人员
研究人员有巨大机会超越概念性思维，生成并实证测试多种集成机器学习和商业智能作为供应链网络安全一部分的框架。未来工作应研究混合模型以及跨威胁类型的数据比较解释。
4.3.2. 对实践者
对于供应链经理和首席信息安全官（CISOs），采用集成预测分析（ML）和解释性仪表板（BI）以实现实时威胁监控的框架提供了重大发展机会。开发模块化、特定领域的工具包以增强实践和采纳是一个值得考虑的建议。
4.3.3. 对政策制定者
政策制定者需要为AI驱动的供应链建立网络安全标准指导，特别是在数据隐私、模型透明度和问责制方面。
4.3.4. 关键建议
本系统综述的结果为研究人员、实践者和政策制定者提出了关于机器学习与商业智能的建议。研究人员应重点关注三个主要研究领域以进一步增强带有预测性机器学习的商业智能分析（BI-ML）技术。第一个领域是将预测性机器学习技术集成到商业智能分析系统中，以开发能够识别多种威胁的混合系统。第二是比较各种预测性机器学习算法，以确定在不同供应链环境中按威胁类型的最优算法。第三是考察地理和行业特定缺口，并利用这些信息设计针对中小企业和发展中国家资源有限需求的BI-ML系统。鼓励实践者制定增量或分阶段实施BI-ML系统的计划。开发该计划的过程将包括实施前的数据质量评估和增量实施以最小化组织干扰。该计划还预计会明确建立关于所实施系统使用（一个或多个）的治理政策。本系统综述中提供的建议识别并解决了与BI-ML系统集成相关的许多实际问题，正如所考察的35篇研究的作者所报告的那样。政策制定者需要创建支持创新同时提供安全环境的监管体系。还需要制定开发AI赋能网络安全政策的指南，以及激励中小企业在其运营实践中实施BI-ML的激励措施。上述政策干预可用于弥合文献中确定的系统性差距，并促进更广泛采用综合网络安全方法。
4.4. 伦理与法律考虑
在供应链网络安全中结合机器学习和商业智能需要许多伦理和法律考虑。因此，组织必须非常仔细地考虑每一个。对自动化决策的治理风险进行回顾显示，使用有缺陷的算法可能导致供应链各个方面的失败，从而可能放大治理风险。如果ML模型错误地将一个有效（因此非威胁性的）供应商分类为威胁，那么自动响应可能会中断供应链活动并对现有业务关系产生负面影响。因此，组织必须实施稳健的治理机制，包括某种形式的人为监督，以帮助减少这些类型的风险。组织还需要制定明确的治理结构，定义需要人为干预的情况、谁将负责审查自动化系统做出的决策，以及谁最终对自动化系统的行为负责[4,10]。
4.4.1. 算法偏差与公平性
当使用在历史威胁数据上训练的机器学习模型时，模型可能会产生偏差，导致对特定供应商或合作伙伴进行不成比例的审查[17]。组织必须建立偏差审计流程，并确认自动化决策不会歧视其供应链中的特定供应商[19]。
4.4.2. 数据隐私与主权
集成的机器学习-商业智能系统必须从所有供应链参与者收集大量数据，这引发了对数据隐私和跨境数据传输的担忧[4]。因此，在多个司法管辖区运营的组织必须确定其需要遵守哪些法规，包括但不限于欧洲的通用数据保护条例（GDPR）、加利福尼亚的加州消费者隐私法案（CCPA）以及亚洲新兴的数据本地化法[29]。
4.4.3. 问责制与透明度
当自动化系统就网络安全相关决策提出建议时，会产生问责制问题[4]。如果自动化系统未能识别威胁或产生误报从而干扰运营，确定责任变得复杂[10]。此外，许多机器学习算法的“黑箱”特性使得在向利益相关者或监管机构解释自动化决策时，问责制变得更加复杂[17]。
4.4.4. 人为监督与自主性
虽然自动化可以增加响应速度，但过度依赖自动化系统可能导致人类专业知识和判断力的丧失[4]。因此，组织必须在自动化的效率增益与有意义的人为监督需求之间找到平衡，尤其是在涉及高风险决策（如终止供应商关系或启动事件响应协议）时。
4.4.5. 监管合规性
包括欧盟人工智能法案在内的新法规对高风险人工智能系统的使用提出了要求，包括那些用于保护关键基础设施的系统[2]。因此，部署基于机器学习-商业智能的网络安全系统的组织必须保持对不断演变的监管框架的合规性，这需要记录模型是如何开发、测试和监控的[2]。
4.5. ML-BI 集成中的理论张力
在供应链网络安全中结合机器学习和商业智能存在几个理论张力，在先前研究中尚未得到充分检验。实时决策在动态供应链环境中产生了额外的张力；这种张力加剧了前面讨论的速度与准确性之间的冲突。基于高质量预测做出准确决策的能力，同时由于环境的动态性和许多决策的时间敏感性而尽快做出这些决策，是一个关键问题。此外，当使用自动化系统进行高风险决策且可能影响组织的风险暴露时，预测准确性与模型可解释性之间的张力会增加[10,17]。
4.5.1. 模型性能（预测准确性）与模型可解释性之间的权衡
机器学习模型可以提供比传统模型更好的预测性能（即预测准确性）。然而，这些模型通常不支持可解释性（即它们无法为其预测提供解释）。传统模型（如决策树、逻辑回归）更可解释，但它们往往缺乏预测性能[17]。这种预测性能与模型可解释性之间的权衡在网络安全领域特别令人担忧，因为组织需要既准确又透明的威胁检测[2]。因此，未来研究应研究将复杂机器学习模型的高预测性能与事后解释方法相结合的混合方法，以增加模型可解释性。
4.5.2. 自动化决策与人为监督之间的权衡
机器学习有可能实现远超人类分析师的快速自动化威胁检测和响应能力[17]。然而，完全自动化的决策系统可能产生错误响应，导致损害或损失[4]。商业智能为人类提供了做出知情决策的信息；然而，使用商业智能会延迟决策过程[20]。自动化决策的适当人为监督水平可能取决于检测到的威胁的具体特征、组织文化和可接受的风险水平。因此，有必要开发能够根据情境因素动态调整自动化决策与人为监督程度的框架。
4.5.3. 标准化与定制化之间的权衡
标准化机器学习和商业智能框架为组织提供了优势，如降低与知识开发和组织间共享相关的成本[5]。然而，网络威胁通常对每个组织的供应链环境是独特的，需要定制化的解决方案[32]。供应链网络安全中机器学习和商业智能框架的标准化与定制化之间的权衡表明需要设计模块化框架，允许组织从各种预开发组件中选择，并根据其需求进行定制。
4.5.4. 主动威胁检测与被动事件响应之间的权衡
机器学习算法能够识别大型数据集中的模式，支持被动威胁检测。虽然存在一些基于机器学习的预测能力，但由于许多网络威胁的新兴性质，这些当前受到限制[17]。此外，商业智能应用通常用于对过去事件进行回顾性分析；然而，它们也可用于实时监控[19]。尽管主动和被动的检测和响应网络威胁方法都很重要，但大多数现有实施本质上是被动的[32]。因此，主动威胁预期与被动事件响应之间的权衡代表了文献中的一个缺口，值得进一步研究。
5. 提出的概念框架
在对文献进行广泛评估后，提出了一个概念框架。模型的每个层面都是从本综述评估的35项研究中归纳得出的：预测层面基于先前关于通过机器学习进行异常检测的研究[7,16]；分析层面基于关于商业智能作为决策支持工具的研究[4,33]；治理层面基于关于网络安全事件响应政策和实践的研究[31,34]。该模型具有四个主要属性。首先，它是整体的：它涵盖了事件或事件的整个生命周期，从数据捕获到响应再到治理。其次，它是集成的：它整合了机器学习的预测能力和商业智能的分析能力。第三，它是灵活的：它可以定制以满足多个组织和供应链的需求。第四，它是实用的：它为每个层面谁做什么和交付什么提供了清晰定义的结构。如图6所示，该框架有四个相互作用的层面，它们相互补充，为供应链中的网络安全风险管理创造了整体方法。所提出的基于机器学习的商业智能模型由四个高度相关的层面组成。层面1是数据收集与管理层。它收集整个供应链系统中所有类型的安全相关事件。层面2是预测层，它利用机器学习算法对供应链数据进行异常检测和潜在威胁识别。接下来是层面3，分析层。它使用商业智能工具评估已识别威胁的严重性和影响。最后，层面4是响应与治理层。它结合前几个层面的洞察，支持战略网络安全决策和组织响应协议。这些层面在一个连续循环中运行，每个层面提供输出给下一个层面，以促进威胁检测和决策质量的持续改进。表7总结了框架的四个不同层面，它们相互作用。
5.1. 数据收集与管理层
该层面为架构框架提供了基础，并从整个供应链的多个输入点收集数据。现有研究支持将数据收集用作网络安全分析的关键组成部分[22]。数据质量和数据集成会影响后续层面分析的有效性。该层面包括交易数据、网络和安全数据、物联网设备数据和威胁情报。在该层面中，数据被管理，并执行质量、集成和安全流程。它为上面层面的高级分析操作奠定了基础。
5.2. 机器学习预测层
预测层使用机器学习算法来准备原始数据、在原始数据中发现模式，并确定原始数据中是否可能指示潜在安全威胁的异常[17]。神经网络和深度学习模型在检测与网络安全相关的异常方面表现有效[17]。此外，集成技术在威胁分类应用中表现出优越性能[26]。机器学习预测处理层以持续的方式运行，旨在实时检测风险/做出知情建议，同时通过迭代学习持续提高机器学习过程的特异性（概率）。
5.3. 商业智能分析层
商业智能数据分析层基于机器学习预测层的输出为用户创建可操作的洞察。Bharadiya（2023）[4]指出，将机器学习模型输出与商业智能可视化工具集成，大大提高了组织决策者对模型输出的理解，并加速了他们对这些输出的响应。Kourtit等人（2017）[34]表明，在复杂运营环境中使用实时仪表板可提高对环境的态势感知。这些输出有意义，因为它们可以帮助解释风险、探索风险对供应链环境中财务绩效和运营效率的潜在影响性质，并为决策提供信息。
5.4. 响应与治理层
响应与治理层是框架的最后一个相互连接的模块，它接收来自先前模块的所有分析数据，并将其转化为具体的可操作的网络安全措施。响应与治理层使用四种方法将数据转化为具体网络安全措施：针对高置信度威胁的自动响应协议；帮助管理复杂威胁场景的决策支持工具；为应对不断演变的威胁环境而进行的持续政策和治理框架完善；以及整合人类专业知识和自动化能力的持续学习过程，以持续改进系统性能和组织韧性。该集成框架是管理供应链网络安全风险的综合方法。它充分利用了机器学习的预测能力以及商业智能的诊断和描述能力，使整体安全性更加具有韧性[35,36]。还应重申的是，概念框架的四个层面并非完全分离，而是以动态持续的方式一起运行。例如，从商业智能分析层得出的信息可以改进层面2（预测）的机器学习算法，而层面4（响应与治理）做出的决策可能产生新数据，贡献给层面1（数据收集与管理）。这对于在框架内保持持续反馈和改进，同时适应威胁和供应链环境的变化至关重要。层面之间的紧密耦合还将确保风险管理系统中没有“盲点”，因为网络安全风险管理生命周期的不同方面由每个层面捕获[37]。
5.5. 框架应用示例：勒索软件威胁场景
为证明使用四层ML-BI模型解决现实中供应链网络攻击的可行性，本节概述了一个假设场景，说明通过供应链合作伙伴被识别发生的勒索软件攻击。该示例说明了模型每个层面在支持全面识别、评估和响应潜在网络威胁方面的相互作用；因此，它支持四层ML-BI模型可以有效用于识别和管理跨互联供应链网络网络威胁的风险。数据收集与管理层是分析过程的第一步。它开始收集来自所有合作伙伴组织IT基础设施的各种类型的日志。这些包括来自防火墙、端点检测与响应系统和访问控制的日志。收集的未格式化原始数据包括重要属性，如时间戳、用户ID、用户如何访问系统、用户访问了哪些文件以及用户如何使用网络。所有原始数据然后被格式化和标准化，以与机器学习的算法和商业智能报告工具兼容[35,36]。在一个24小时监控窗口内，收集了约250万个独特事件。收集的数据提供了进一步分析活动的完整数据集。完成数据收集过程后，机器学习预测层使用已使用勒索软件攻击历史数据训练的神经网络来分析标准化数据集，并生成基于指标的判定，判断威胁是否指示活跃传播。基于对机器学习模型产生的分析输出的分析，得出几个重要结论：勒索软件活动的检测置信度为87%，置信值为0.92，表明预测此类活动发生的可靠性高。最可能被入侵的系统是库存管理系统（概率=95%）、支付处理系统（概率=78%）和客户数据库（概率=65%）。此外，基于对机器学习模型分析输出的分析，确定威胁处于横向移动阶段（即权限提升活动），对关键系统造成破坏的估计时间窗口为当前时间后的4至6小时内。最终，威胁被分配了最高可能优先级别（即立即行动），以防止威胁继续传播并避免敏感数据被加密的可能性。这些判定共同提供了对威胁严重性和范围的清晰指示，从而为后续框架层面的知情决策提供了基础。商业智能分析层然后通过交互式仪表板将这些机器学习预测与其他相关业务背景相结合，为业务决策者提供从运营、财务和合规角度的全面情况。当分析结合后，显示此次泄露可能造成的财务损失约为230万美元的间接损失；此外，似乎有12个下游合作伙伴可能在24小时内受到供应链影响。库存管理系统将受影响，且被认为是关键任务，可用率要求为99.995%。从监管合规角度看，如果客户数据被泄露，可能违反通用数据保护条例（GDPR），面临高达年收入4%的罚款。这种多方面的情报以交互式可视化界面呈现给用户，显示攻击时间线、受影响系统的层次表示、财务影响评估预测以及基于证据的响应行动建议及关联结果预测。这使用户能够在单个分析框架内对识别到的威胁的技术和业务方面达成共同理解。响应与治理层是框架的最后一个组成部分，它允许将分析层的输出转化为实际行动。它通过自动化预定义的治理协议和决策支持机制来实现这一点。当响应与治理层收到商业智能评估时，它将触发立即的自动响应过程。这包括在检测后2分钟内启动受影响系统的网络隔离，以及启动自动警报升级协议，同时向首席信息安全官、首席财务官和事件响应团队成员发送通知。响应与治理层还将通过激活法医调查团队和外部事件响应顾问来启动正式的事件响应流程。它还将向已识别的下游合作伙伴发送自动警报通知，以及预防性建议以帮助减轻跨供应链的级联效应。响应与治理层将通过自动记录响应过程中采取的所有行动来创建全面的合规文档，以实现可追溯性、满足监管报告要求并符合保险索赔流程。该层中的决策支持功能提供了三种可能的响应选项：选项A——从检测到泄露前48小时存储的备份恢复系统，估计恢复时间6小时，数据丢失约两天；选项B——从检测到泄露前24小时存储的备份文件恢复系统，估计恢复时间减少至4小时，数据丢失一天；选项C——直接与威胁行为者谈判，估计成本在50万美元至100万美元之间，估计恢复时间约24小时，同时存在相关的法律和合规风险。在进行完整的风险-收益分析后，响应与治理层推荐选项B作为最佳行动方案，因为它提供了最快的系统恢复，数据丢失水平可接受，并将确保法规合规性，并为保险覆盖提供最大适用性。此示例说明了模型如何与预测性（机器学习）和分析性（商业智能）工具集成，以在治理层面提供决策支持。该模型还将组织系统生成的所有可用数据转化为关于潜在威胁的可操作信息，帮助组织基于这些威胁的财务和运营影响以及整个供应链网络中的监管问题做出决策。
5.6. 与行业标准的对齐
虽然ML-BI框架整体代表了使用机器学习和商业智能增强供应链网络安全的新颖创新方式，通过提供一个集成这两种技术的单一框架，但提供一些背景信息也很重要。下一节显示ML-BI框架如何支持与当前行业标准相同的目标，以及它将如何建立在这些标准之上，从而为供应链网络安全提供额外一层的保护与功能。
5.6.1. NIST网络安全框架（CSF）
NIST网络安全框架确定了五个核心功能：识别、保护、检测、响应和恢复。所提出的ML-BI框架映射到这些功能，如下所述。识别功能：数据收集层（层面1）从整个供应链收集并标准化安全数据，使组织能够识别资产、漏洞和威胁。保护功能：数据收集层和机器学习预测层支持保护功能，通过实时收集数据并预测威胁来主动保护网络。检测功能：机器学习预测层（层面2）为检测功能提供主要支持，使用机器学习确定是否存在可能指示网络威胁的异常模式；实时异常检测能力将实现早期威胁识别。响应功能：商业智能分析层（层面3）和响应与治理层（层面4）为决策者提供上下文业务信息和自动响应建议，以支持响应功能，实现快速决策和协调响应行动。恢复功能：响应与治理层（层面4）中包含的恢复计划和执行能力，通过文档化程序和合规性跟踪支持恢复功能。
5.6.2. ISO 27001信息安全管理
所提出的ML-BI框架明確地与ISO 27001信息安全管理系统中所需的主要控制点对齐，因此提供了高度信心，即它将满足组织在受监管环境中的需求。具体来说，控制A.12.4.1中规定的日志记录要求，通过所提出ML-BI框架的数据收集层（层面1）得到满足。数据收集层提供了整个供应链基础设施中所有安全相关事件的系统文档，从而提供了维护全面审计追踪和为潜在法证活动做准备的有效手段。通过机器学习预测层（层面2）实现恶意行为者利用之前识别潜在漏洞或新兴威胁的预测方面。该层利用高级模式识别技术，提供潜在漏洞和新兴威胁的主动识别。通过响应与治理层（层面4）提供正式的 incident 响应协议、文档化程序和结构化的流程改进，以增强组织随时间推移的事件管理能力。最后，ML-BI框架的商业智能分析层（层面3）满足控制A.18.1.1中概述的合规性评估要求。商业智能分析层提供详细的合规性报告和全面的审计追踪文档，使组织能够证明遵守适用法规，并支持成功完成内部和外部合规审计。
5.6.3. 区别与独特贡献
尽管NIST CSF和ISO 27001提供了网络安全管理的广泛框架，但它们是一般框架，并未特别涉及机器学习和商业智能技术的集成。所提出的ML-BI框架提供了以下独特贡献：明确讨论了机器学习和商业智能技术的集成，这在NIST或ISO 27001中均未明确说明。一种基于实践的、技术导向的方法来实施供应链网络安全。说明了预测分析（机器学习）和分析决策支持（商业智能）如何正式结合以改进威胁检测和响应。解决了与供应链网络安全相关的特定问题，如多组织协调和第三方风险管理。因此，ML-BI框架代表了一个补充框架，用于将NIST和ISO 27001的广泛原则在供应链环境中具体应用机器学习和商业智能技术。
6. 结论
本系统文献综述呈现了机器学习、商业智能和供应链网络安全当前交汇点的整体视图。除了确认许多组织确实使用ML作为威胁检测辅助手段外，研究人员还发现目前很少有证据表明组织正充分利用BI作为分析工具与ML结合来支持供应链风险管理决策。因此，当前可用于供应链网络安全的技術能力水平与实际应用水平不匹配。为弥合这一差距，研究人员提出本综述的主要贡献是开发了一个概念性的四层ML-BI框架，旨在作为一种结构化的集成方法来管理供应链风险。通过系统性地提供从数据收集、基于ML的预测、BI驱动的分析到战略治理的分层结构，该框架代表了组织从为供应链网络安全使用孤立工具向统一态势过渡的路线图。作为未来实证研究和实际应用的基础，特别是对于中小企业和此类集成系统至关重要的发展中经济体，本文概述的模型可被视为未来研究的基础建立模型。除了本综述对研究界的贡献外，也对实践者界有启示。对于研究人员，本综述识别的框架代表了一个明确定义且结构化的研究议程，以验证所提出的框架，并识别和探索如何将所提出的框架应用于各行业。对于实践者，本综述概述的框架可以代表一个有用的模型，以增强其网络安全能力、做出更明智的决策，并在当今日益数字化的挑战环境中发展更具韧性的供应链。
7. 局限性与未来研究方向
本系统综述存在若干局限性和未来研究方向，在解释结果时应牢记。
7.1. 局限性
虽然本综述得出的结论得到了综述过程中收集数据的支持，但必须在一些限制范围内进行评估。搜索仅限于四个最大的学术数据库（Scopus、IEEE Xplore、Web of Science和ScienceDirect），且仅包括英文出版物。这可能限制了使用其他语言或数据库进行的研究的纳入。此外，由于综述中包含的文章所使用方法论的多样性以及研究领域的新兴性质，无法对所有呈现的技术进行全面的元分析。最后，存在发表偏倚的可能性，即显示各种技术成功使用的研究结果比那些未能证明成功的研究更有可能发表。这可能影响所综述技术的纳入，并可能偏向对每种技术效果的评估。
7.2. 未来研究方向
基于本综述的发现和所提出的框架，未来研究应追求三个主要目标。第一个目标是对所提出框架进行技术验证，包括在实际供应链环境中或通过仿真模型对框架的可行性和性能进行实证测试，包括对各种ML算法的比较测试，以及考察边缘分析在实时威胁检测中的使用。第二个目标侧重于所提出框架的组织采纳，特别是确定不同规模和地理位置的整个组织采纳集成ML-BI系统的障碍和促进因素。第三个目标侧重于建立跨组织治理标准，以实现在供应链合作伙伴之间符合伦理和法律的协作与数据共享、问责制和监管合规，从而推进供应链网络安全的理论和实践方面。
