数字孪生论文阅读笔记【3】

[1]李琳利,顾复,李浩,顾新建,罗国富,武志强,刚轶金.仿生视角的数字孪生系统信息安全框架及技术[J].浙江大学学报(工学版),2022,56(03):419-435.

面向数字孪生的安全感知虚拟环境，允许用户创建和执行与物理系统紧密匹配的数字孪生平行系统进行安全监测。

数字孪生安全仿真纳入安全运营中心，并用案例演示虚拟工业场景中的模拟攻击对系统造成的影响。

数字孪生安全大脑：在各种安全事件处理过程中，记录数字孪生系统中发生过的所有安全事件及处理规则和流程，形成日渐丰富的基于网络科技的安全攻防全景知识库和安全规则库，并系统化地衡量、评价和持续改进安全防护能力和安全运营管理能力。

[2]苏多,柳鑫.数字孪生驱动下的装备适航性和安全性设计与验证技术研究[J].航空科学技术,2021,32(11):23-33.DOI:10.19452/j.issn1007-5453.2021.11.004.

复杂的知识和经验无法通过简单地抽象、简化、总结、提炼方法来萃取，必须依靠数字化手段。让隐性知识和经验得到充分的显性化、固化和传承。

[3]Jagatheesaperumal S K, Pham Q V, Ruby R, et al. Explainable AI over the Internet of Things (IoT): Overview, State-of-the-Art and Future Directions[J]. IEEE Open Journal of the Communications Society, 2022.

Motivation

人工智能系统由于其黑箱模型的不透明性而带来的重大挑战通常会从伦理角度对信任造成威胁。XAI模型固有的可解释性是通过以透明的方式做出决策来建立的，它允许在没有任何争论的情况下共享解释。

AI在IoT中应用的三个发展阶段

1. 在第一类中，从传感器和物联网收集数据，然后输入AI算法或ML算法
2. 使用人工智能来改善物联网服务。如判定数据是否越界，并试图确定越界的原因，以及数据是否应输入AI邻域
3. 监督物联网领域的人工智能元素，并在人工智能领域的算法和ML系统之间交换信息

[4]Tao F, Xiao B, Qi Q, et al. Digital twin modeling[J]. Journal of Manufacturing Systems, 2022, 64: 372-389.

数字孪生层级概念：单元、系统、SoS

模型验证：为了实现功能效能和满足需求一致性，需要进行模型验证，以确保数字孪生模型准确反映实际系统。模型验证是在相同条件下，评估数字孪生模型和物理对象输出之间的一致性。

要点

1. 模型验证信息再确认：评估与数字孪生模型相关的所有信息，并确定哪些额外分析可提高模型可信度
2. 模型验证的垂直分析：评估各个历史阶段的模型演变，以评估模型对未来应用的适用性
3. 模型验证的概念和保真度分析：在不同维度上评估模型的算法和子模型，以确定不适合预期应用的假设和子模型保真度。
4. 模型验证的逻辑跟踪：在行为和规则维度上评估数字孪生模型，以确定个人行为及其组合是否可取。