《Applied Sciences》：Development, Numerical Simulation and Laboratory Validation of a Load-Cell-Based Mass Flow Rate Measuring Sensor for Dry Fertilizers in Seed Drills
编辑推荐：
决策制定在网络防御演习（CDX）中受到技术、情感、动机和协作等人因要素在不确定性和时间压力下的共同影响。本研究提出了一种以人类为中心的Adaptive Neuro-Fuzzy Inference System（ANFIS，自适应神经模糊推理系统）框架，用于建模
决策制定在网络防御演习（CDX）中受到技术、情感、动机和协作等人因要素在不确定性和时间压力下的共同影响。本研究提出了一种以人类为中心的Adaptive Neuro-Fuzzy Inference System（ANFIS，自适应神经模糊推理系统）框架，用于建模和预测CDX环境中的Counterfactual Decision Reflection（CDR，反事实决策反思）结果。两项互补数据集涵盖了技术、情感、动机和团队协作相关维度，数据来源于2024年国际立陶宛武装部队网络防御演习"Amber Mist"，研究人员采用Spearman相关分析、三维回归曲面建模、模糊规则提取以及ANFIS预测方法，探究了人因要素与CDR之间的关系。结果表明，团队协作、沟通和协作对决策稳定性的影响强于孤立的技术能力。基线ANFIS评估显示，三角隶属函数提供了最佳的泛化能力，而广义钟形函数实现了最低的训练误差。为提高模型鲁棒性，研究人员评估了多种合成数据增强方法。增强后的ANFIS模型显著提升了预测性能，大幅降低了测试误差值。研究发现证实，合成数据增强的神经模糊建模为分析网络防御演习中以人类为中心的网络安全决策过程提供了一种有效且可解释的框架。
本研究聚焦于网络防御演习（CDX）中人类决策行为的建模与预测问题，旨在应对网络安全领域人因研究的方法论挑战。随着网络威胁日益复杂、攻击手段不断演进以及关键基础设施数字化加速，以人类为中心的网络安全能力的重要性显著提升。尽管入侵检测系统、防火墙和自动化响应机制等技术解决方案已大幅提升了防御能力，但实证研究日益表明，人因要素仍是决定网络安全成效的关键因素。在高动态网络安全环境中，专业人员需要处理不完整信息、在严苛时间约束下运作、在多学科团队中协调，并持续适应快速变化的态势。因此，理解网络防御演习中塑造人类决策的机制，已成为网络安全和人因分析领域的重要研究课题。
网络防御演习为评估技术能力、团队协作、沟通、态势感知和决策表现提供了受控的真实环境。与传统主要关注技术成果的网络安全评估不同，CDX环境能够调查影响网络防御效能的行为和心理维度。先前研究表明，压力、疲劳、沟通质量、认知负荷、协作、领导力和情绪调节显著影响网络安全情境中的决策质量和操作表现。然而，尽管以人类为中心的网络安全研究日益受到重视，许多现有研究仍依赖传统统计方法或孤立的技术指标，未能充分捕捉人类决策行为的非线性和情境依赖性特征。网络防御环境中的决策制定是一个复杂现象，源于多重异质性变量的交互作用，这些变量常表现出不确定性、模糊性和难以用传统确定性方法建模的非线性关系。此外，网络安全行为数据集通常具有样本量小、观测稀疏和顺序量表测量等特征，进一步加剧了可靠预测和解释的难度。因此，亟需能够同时处理不确定性、非线性依赖和可解释性要求的智能建模方法。
模糊逻辑方法因其建模不确定性、非线性关系和人类中心推理过程的能力，已广泛应用于复杂决策环境。ANFIS模型为解决这些挑战提供了合适的方法论框架，因其结合了人工神经网络的学习能力与模糊逻辑系统的透明性和可解释性。ANFIS将Takagi-Sugeno-Kang模糊推理的语言可解释性与神经网络的自适应参数学习相结合，能够在保持可解释规则推理结构的同时，建模人因变量与决策结果之间的复杂非线性关系。与传统机器学习方法相比，神经模糊系统在人因网络安全研究中尤为优势，因其能够通过可解释的模糊隶属函数和IF-THEN规则表示模糊语言概念。尽管ANFIS在涉及不确定性、行为分析和决策支持建模的领域中日益受到关注，但其在网络安全行为建模中的应用仍然有限，特别是在网络防御演习情境中。现有研究尚未探究技术、情感、动机和协作因素的组合如何影响真实网络防御场景中的反思性决策行为。此外，样本量有限的问题在网络安全人因研究中未得到充分解决，导致模型泛化不稳定和过拟合。合成数据增强方法通过增加分布多样性和减少小规模数据集中的学习不稳定性，为改善预测鲁棒性提供了潜在解决方案，但这些增强方法在神经模糊网络安全模型中的比较评估仍不明确。
本研究的数据来源于2024年在立陶宛维尔纽斯举行的国际立陶宛武装部队网络防御演习"Amber Mist"的参与者自评响应。数据集DS6包含技术知识、专业经验、情绪状态、沟通和协作变量，数据集DS12包含压力、动机、信任、疲劳、领导取向、责任、团队协作和协作维度。因变量Counterfactual Decision Reflection（CDR）表示参与者在网络防御演习中重新考虑或修订先前操作决策的意愿。研究采用定量、基于模型的设计，利用从CDX参与者收集的经验数据训练并验证ANFIS决策质量预测模型。研究人员认为，尽管人类决策的复杂性无法被定量方法完全捕捉，但决策质量中的有意义的模式仍可用于产生有用的预测和洞察。模糊逻辑支持这一方法，因其允许以更实用的方式表示人因要素，而非强制将其归入严格类别。
研究样本为24名参与者，主要来自绿队（GT，38%）、蓝队（BT，33%），机构 affiliation 方面46%来自军事部门。参与者以20-30岁早期职业网络安全专业人员为主（46%），52%具有1-5年网络安全经验。DS6包含5个自变量：技术知识/技能（TKS）、专业经验（PE）、情绪状态（ES）、团队内沟通（WTC）和协作（COL）；DS12扩展至11个变量：压力（STR）、获胜欲望（DWE）、自我信任（TIM）、担忧（WOR）、领导欲望（DLE）、疲劳 fatigue（FAT）、展示能力欲望（DAB）、问题解决动机（MSP）、团队责任（RST）、团队协作（TWK）和协作（COL）。
研究方法包括以下关键技术：Spearman等级相关分析用于评估变量间关联，适用于小样本和非正态分布的序数数据；三维回归曲面建模结合径向基函数插值用于可视化变量关系；ANFIS作为核心预测建模框架，采用五层前馈网络结构（模糊化层、规则强度层、归一化层、结论层和输出层），基于Takagi-Sugeno模型，结合梯度下降和最小二乘估计的混合学习算法；四种隶属函数类型被系统评估——高斯函数、广义钟形函数、三角函数和梯形函数；六种合成数据增强方法包括SMOTE（合成少数过采样技术）、ADASYN（自适应合成采样）、SMOTEBoost、高斯Copula建模、CTGAN（条件表格生成对抗网络）和模糊聚类合成；模型性能通过MAE（平均绝对误差）、RMSE（均方根误差）和MAPE（平均绝对百分比误差）评估，采用70%/30%的训练测试比例，对真实数据集使用k折交叉验证。
研究结果显示，描述性统计表明参与者对技术能力、团队协作和责任的自评普遍较高，而情绪和反思维度变异较大。DS6中TKS均值4.42、WTC均值4.50、COL均值4.33，而ES均值2.63、CDR均值1.88；DS12中MSP均值4.38、RST均值4.46、TWK均值4.08，而WOR均值2.46、CDR均值1.88。
相关分析发现，DS6中TKS与PE中度正相关（ρ=0.49），WTC与COL中度正相关（ρ=0.44），而CDR与WTC（ρ=-0.24）和COL（ρ=-0.23）呈负相关，表明更强的沟通和协作与更大决策稳定性相关。DS12中压力、疲劳、自我信任和担忧与动机构念存在强正相关，CDR与压力相关因素呈一致负相关，特别是团队责任（RST）、展示能力（DAB）和压力（STR），而协作（COL）与CDR呈弱正相关。
三维回归曲面分析显示，DS6中WTC-ES-CDR关系显示较高WTC对应较低CDR值；PE-TKS-CDR关系中TKS增加对应更大决策稳定性；COL-WTC-CDR关系揭示沟通与协作增加持续转化为更高决策稳定性。DS12中FAT-STR-CDR显示疲劳增加与更高CDR值相关，表明疲劳增加降低决策稳定性；WOR-TIM-CDR显示担忧水平升高伴随着CDR值升高；DAB-DWE-CDR中获胜欲望增加与更高CDR值相关，而展示能力欲望与更低CDR值相关。
合成数据评估使用Kolmogorov-Smirnov检验、Wasserstein距离和平均绝对相关差异（MADcorr）。DS6中高斯Copula实现最高分布相似性（平均Wasserstein距离=0.122），ADASYN最准确保持原始相关结构（MADcorr=0.084）；DS12中高斯Copula和SMOTEBoost产生最一致的合成数据集，CTGAN表现最差。
ANFIS基线性能表明，训练过程中广义钟形函数在DS6（100epoch后RMSE=0.33）和DS12（125epoch后RMSE=0.42）均实现最低训练RMSE。然而，测试性能呈现不同模式：DS6中三角函数实现最低测试RMSE（1.0021）和MAPE（41.24%），而广义钟形函数测试RMSE较高（1.16）；DS12中三角函数同样提供最强泛化（测试RMSE=1.03，MAPE=44.29%）。广义钟形函数训练误差最低但测试性能退化，表明小样本条件下的过拟合。
模糊规则提取显示，DS6使用三角隶属函数时16条规则被激活（理论243条），主导规则集中于高TKS和PE结合中高音WTC和COL，最频繁观察到CDR=2。不同隶属函数比较显示三角和梯形函数激活规则较少，三角函数实现高可解释性和低重叠。DS12因11个输入变量产生177,147条理论规则，仅22条激活，规则高度稀疏，主导规则集中于大多数输入变量的中等级别，表明平衡人因要素是CDR的主要驱动因素。
合成数据增强后的ANFIS性能显著提升。DS6中SMOTEBoost结合广义钟形函数实现最佳全局结果（MAE(test)=0.40，RMSE(test)=0.55，MAPE(test)=27.73%），CTGAN结合三角和梯形函数也获得高度竞争性结果（MAPE(test)分别为26.87%和26.84%）。DS12中SMOTE结合梯形函数实现最佳整体预测性能（MAE(test)=0.39，RMSE(test)=0.53，MAPE(test)=19.22%），ADASYN和CTGAN也表现出强竞争力。p值分析显示所有方法均大于0.05，表明合成数据与原始数据的预测误差分布无统计学显著差异。
与机器学习模型比较显示，随机森林在DS6上实现最佳训练和测试性能（测试MAE=0.231，RMSE=0.293，MAPE=15.285%），XGBoost在DS12训练数据上几乎完美拟合但测试性能最差表明过拟合，SVM在DS12上展示最强泛化性能（测试MAE=0.617，RMSE=0.746，MAPE=40.729%）。尽管ML算法在泛化准确性上优于ANFIS，但ANFIS在可解释性、不确定性处理和语言规则方面具有优势。
讨论部分指出，研究结果证实了CDX环境中决策行为不能仅由技术能力充分解释，而是源于认知、情感和团队导向变量的复杂交互。描述性统计揭示了CDX参与者常表现出强技术准备但异质的心理压力反应。相关分析的重要洞察在于，技术专长对反思性决策行为的解释力有限，而团队协调、共享态势感知和沟通质量更为关键。DS12分析进一步扩展了这一解释，表明压力、疲劳、动机、责任和自信形成影响决策反思结果的相互关联认知-情感结构。高压力环境促进快速直觉判断同时限制反思性分析再评估，这与Kahneman的双过程决策理论相对应。三维回归和RBF曲面分析证实了人因与决策反思之间的关系主要是非线性、弱至中度和情境依赖的。
ANFIS建模结果强化了这些观察。广义钟形隶属函数训练误差最低但测试性能退化揭示小样本条件下的过拟合；三角隶属函数展示更平衡的泛化性能。这一发现表明更简单的分段线性模糊分区可能在建模稀疏行为数据集时提供更大鲁棒性。提取的模糊规则显示，中等至高水平的团队合作、沟通、动机和责任的平衡组合与稳定决策结果一致，主导规则汇聚于中等CDR值而非极端结果，表明网络防御决策主要表现为部分适应和增量反思而非彻底逆转。DS12规则空间的稀疏激活展示了高维模糊推理在有限观测条件下的挑战，但也提供了识别有影响力因素交互的优势。
合成数据增强的最显著发现是，原始数据集产生明显过拟合症状，而合成生成方法改善了ANFIS泛化能力。DS6中SMOTEBoost结合广义钟形函数实现最强预测性能，DS12中使用梯形隶属函数的SMOTE获得最佳结果。混合过采样和生成对抗方法（SMOTEBoost和CTGAN）表现出保留复杂非线性交互的良好能力，而概率和聚类方法（高斯Copula和模糊聚类）产生更适度的改进。这些发现表明保留潜在交互结构对于网络安全情境下可靠的人因预测至关重要。
研究结论指出，本研究提出了一个以人类为中心的神经模糊建模框架，利用捕获技术、情感、动机和协作人因要素的两项互补数据集分析和预测网络防御演习中的决策行为。获得的CDX决策反思结果主要由技术能力以外的复杂非线性交互决定，证实了网络安全决策过程的多维和社会技术性质。分析表明，团队协作、沟通、责任、动机、压力和自信对决策稳定性的影响强于孤立的技术专长。这些发现建议未来网络防御演习除技术培训目标外，应纳入结构化沟通协议、协作决策检查点和团队同步机制。非线性回归和RBF曲面分析确认了这些关系的情境依赖性，不能通过传统线性方法充分建模，支持了ANFIS的适用性。
ANFIS模型实现了可接受的预测准确性，广义钟形和三角隶属函数在准确性和泛化之间提供了最佳平衡。提取的模糊规则显示，稳定的决策结果与协作、沟通、动机和责任的平衡中等至高水平相关，而决策适应通常是适度的而非极端的。从决策支持角度，提取的模糊规则可嵌入实时决策支持系统，在演习期间监控人因指标。研究证实合成数据增强提高了ANFIS在小规模网络安全数据集中的鲁棒性和预测性能，SMOTE、ADASYN、CTGAN和SMOTEBoost等方法减少了过拟合并改善了泛化。尽管结果证实了使用ANFIS和合成数据增强技术预测反事实决策反思的可行性，但由于原始数据集规模有限，这些发现应被视为探索性的。需要利用从多个网络防御演习收集的更大更多样化样本进行进一步验证，以确认所提框架的鲁棒性、外部有效性和泛化能力。
