《Expert Systems with Applications》：DLLicious: detection and explainability of malicious DLL files using novel static feature extraction methods
编辑推荐：
本研究设计基于DNN和PSO的智能监控系统，结合定量风险评估生成地理空间风险评分，预测每日海上事故位置并优化搜救资源配置，提升救援效率。
阿塔科恩·肯波尔（Athakorn Kengpol）| 查万托恩·昌奇塔卡恩（Chawantorn Chanchittakarn）
泰国曼谷北国王蒙固技术大学工程学院工业工程系，先进工业工程管理系统研究中心
摘要
海上事故持续发生，对沿海社区造成严重影响。2022年1月至2025年5月期间，泰国海域共报告了455起海上事故。现有的缓解措施导致所有事故中有338人死亡。分析表明，救援延迟与较低的生存率有关。为了解决这一问题，文献强调了监控计划在海上安全中的重要性。这些计划在多个应用中发挥着关键作用，特别是在搜救（SAR）行动中。文献综述发现了一个空白：目前尚无证据表明存在一种能够根据海况预测每日海上事故的监控计划，同时还能考虑事故发生概率和风险量以生成用于事故优先级的地理空间风险评分。因此，本研究的目标是设计一种智能监控计划，该计划结合深度神经网络（DNN）根据海况预测每日海上事故，并通过定量风险评估来估算地理空间风险评分，从而对海上事件进行优先排序。本研究的主要贡献在于使用DNN分析海上事故的地理空间数据，并预测每日海上事故位置；同时应用粒子群优化（PSO）和5折交叉验证来调整DNN参数并验证模型。为了展示PSO方法相对于标准DNN方法的优势，两种模型均使用相同的数据集进行训练。结果表明，PSO-DNN的准确率更高，预测误差更小。这使得搜救行动可以集中于较小的搜索区域，从而减少操作时间并提高成功救援人员的可能性。此外，定量风险评估被用来开发一个地理空间风险评分公式，其中包含距离大陆的距离和波高等变量。对于地理空间风险评分公式，三次多项式方程被确定为最合适的模型，其R平方值为0.9424。这项研究的优势在于它为搜救机构提供了一种智能监控计划，能够提供每日海上事故预测，从而显著提高生存率。分类的风险等级也是根据地理空间风险评分得出的，其目的是指导任务优先级和资源分配。
引言
海上事故继续带来重大挑战，尤其影响沿海地区社区的生活和福祉（Kengpol & Chanchittakarn, 2024）。作为拥有漫长海岸线的国家，泰国遇到了许多由此类事故引发的问题，并认识到其严重性。落水（MOB）和船只沉没事故是典型的例子，其中人员落入海中无法重新登上船只。当受影响人员无法发出求救信号且海况恶劣时，这些事故变得更加危急。
根据泰国皇家海军（RTN）2022年1月至2025年5月收集的历史数据，共报告了455起海上事故。观察发现，涉及死亡和幸存者的海上事故在海域内分布不均。目前，搜救（SAR）机构RTN和泰国海事执法指挥中心（Thai-MECC）正在积极协助事故中的相关人员。救援行动的延迟可能导致人员死亡或失踪。
监控计划对海上安全至关重要。它在许多应用中发挥着重要作用，包括海洋环境监测、搜救、反海盗和军事侦察（Zhi, Kefeng, Xiang, Huanxin, & Shilin, 2013）。目前减少海上事故死亡人数的方法主要是接收报告并迅速响应。然而，由于无法在所有情况下确保及时救援，落水导致的死亡事件仍在增加。为了解决这些问题，先前的研究开发了基于过去事件预测下一次海上事故的模型（Kengpol & Chanchittakarn, 2025）。这些预测结果有助于更快地实施救援。然而，这些模型尚未能够全面预测海上事故。换句话说，如果没有额外的海上事故数据，未来事件几乎无法预测。
如果没有监控计划，每起海上事故的死亡率仍然高得惊人。在记录的455起事故中，有338起是致命的。这意味着74.3%的海上事故导致了人员死亡，这是一个非常令人担忧的趋势。为了解决这个问题，一个必要的监控计划必须包括每日海上事故的坐标，并优先处理高风险区域，以有效指导资源分配。
文献表明，深度学习网络（DNN）在根据相关独立因素进行学习和生成预测方面非常有效，而粒子群优化（PSO）能够进行超参数优化。此外，定量风险评估技术可以用于为个别海上事故分配风险评分，从而根据相关风险进行客观优先排序。然而，综述揭示了一个空白：目前尚无证据表明存在一种能够根据相关因素提供每日海上事故预测的监控计划，同时还能利用风险评分对海上事故进行优先排序。
本研究的目标是设计一种智能监控计划，该计划结合DNN根据海况预测每日海上事故，并通过定量风险评估来估算风险评分，以便对海上事件进行优先排序。为了实现研究目标，本研究采用了DNN和其他相关方法。本研究的主要贡献在于使用DNN分析海上事故的地理空间数据并预测每日海上事故位置，同时应用PSO调整DNN参数。此外，定量风险评估用于开发一个风险评分公式，其中包含距离大陆的距离和波高等变量。
本研究分为五个部分，每个部分分别探讨框架的特定要素。引言部分介绍了背景并阐述了研究目标。第二部分概述了与研究相关的DNN理论框架和技术考虑。第三部分描述了为实现研究目标而应用的研究框架。第四部分展示了实施过程中观察到的结果，并讨论了针对发现情况的相应解决方案。最后一部分总结了基于研究结果的结论。
部分摘录
海上事故
海上事故是复杂的事件，与道路不同，没有明确的物理路线，受多种因素影响，如海况等（Choe, Lim, Kim, & Park, 2025）。几个世纪以来，海上事故不断发生，夺去了无数海员的生命（Stoop, 2003）。人为错误、技术故障、自然条件、航运因素和货物相关因素等都导致了这些事故（Ceyhun, 2014）。
方法论
在本节中，提出了创建用于预测每日海上事故的监控计划并定义地理空间风险评分的想法，分为两个部分，如图6所示。
预测模型的设计
在海上事故发生当天，将海况变量（包括区域、月相、风向、波高、降雨概率和所有地区的风速）作为输入数据。输出是海上事故的位置，由经纬度坐标指定。表3列出了455起海上事故，与图7直接相关，图7展示了整体数据转换过程。一个每日海上事故预测模型
结论
本研究的目标是设计一种智能监控计划，该计划结合深度神经网络（DNN）根据海况预测每日海上事故，并通过定量风险评估来估算地理空间风险评分，以便对海上事件进行优先排序。根据文献综述，目前尚无证据表明存在一种能够根据海况预测每日海上事故的监控计划，同时还能考虑事故发生概率和风险量。
未引用的参考文献
Ahmed等人，2023年；Alanazi等人，2025年；Kassem等人，2021年。CRediT作者贡献声明
阿塔科恩·肯波尔（Athakorn Kengpol）：概念化、正式分析、方法论、调查、初稿撰写、审阅与编辑、监督、项目管理。查万托恩·昌奇塔卡恩（Chawantorn Chanchittakarn）：软件开发、数据验证、资源管理、可视化。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
致谢
本研究在工业工程系进行，并得到了曼谷北国王蒙固技术大学工程学院的资助（合同编号：Eng-68-003）。作者衷心感谢泰国海事执法指挥中心、水文部门和泰国皇家海军在整个研究过程中提供的重要数据和专家指导。
