该论文面向任务关键型环境中的网络防御，提出了一种面向任务的三层网络防御框架，用于增强网络态势感知（CSA）与决策支持。研究背景是：在任务关键型运营域中，防御者需要在信息不完整且有噪声的观测条件下，持续估计不断变化的安全态势，同时保持关键任务的连续性与完整性，而现有方法往往难以在统一框架内同时表达攻击进展、防御方不确定性、任务影响和防御决策支持。核心方法是一个三层概率集成模型：第一层是攻击图模型，刻画攻击者经由任务相关资产的潜在进阶路径；第二层是事件模型，利用贝叶斯推断将观测到的遥测数据转换为防御者的后验信念；第三层是状态模型，将推断出的安全态势抽象为冲突状态和任务风险等级。三个层次连接到一个单步防御行动规则，该规则在估计的残余任务风险与运营成本之间进行权衡。框架在一个基于NetLogo的智能体仿真中实例化，仿真环境包含战术边缘区（TEZ）、任务运营区（MOZ）和企业支持区（ESZ）三个运营区域。评估方式包括数学一致性分析、遥测扰动下的局部鲁棒性评估以及代表性仿真轨迹分析。结果表明，该框架及其实现能够在攻击推进、遥测驱动的不确定性管理、任务影响评估以及基于任务风险优先级的成本感知防御决策支持之间保持连贯关系。主要贡献在于提供了一个可执行的仿真原型和统一的概率模型，将攻击图、事件推断和状态抽象有机结合，为任务关键型环境中的态势感知与防御决策提供了一种系统化方法。适合网络防御架构师、态势感知研究人员以及关注任务保障的蓝队人员阅读。

本文提出了一种名为 PECR（Predictive Exposure and Cryptographic Readiness，预测性暴露与密码就绪性）的决策支持方法，用于软件定义广域网（SD-WAN）环境中的漏洞优先级排序。传统 CVSS 等严重性评分机制仅关注漏洞本身，而未考虑资产的实际暴露程度、威胁情报或证据质量，导致修复队列无法真实反映当前风险。PECR 将九个归一化因子（包括严重性、威胁、可达性和后果）综合为一个评分模型，并单独报告置信区间和分数区间；同时，密码相关依赖项被放入独立的迁移队列，以应对加密机制升级等场景。评估使用了 100 条按角色和区域条件生成的合成漏洞资产记录，对应 62 个角色一致的资产，并进行了 30 次独立生成器复制。结果表明，与 PECR 排序相比，仅依赖 CVSS、EPSS、KEV 优先以及 CVSS×EPSS 的排序 Kendall τ 值分别为 0.196、0.221、0.301 和 0.234，而包含五个因素的简化上下文比较器的 τ 为 0.755。在 30,000 次联合 Dirichlet 权重抽取中，宽、中、窄扰动下的中位 τ 分别为 0.836、0.893 和 0.924。当掩盖 10% 的因子单元时，有 47 条记录被标记为证据有限，因为它们的置信区间跨越了决策边界。该研究建立了可执行的规范、合成队列差异化验证和压力测试鲁棒性，但未使用真实结果标签，因此不能证明预测准确性、避免损失或生产环境有效性。适合安全运营团队、漏洞管理研究者以及 SD-WAN 架构设计者阅读，以参考如何将上下文信息融入优先级决策。

这篇论文提出了一种基于贝叶斯网络（Bayesian Network, BN）的决策支持系统（Decision Support System, DSS），旨在帮助基础设施运营商在面对日益复杂的异构开源网络环境时，能够高效地选择合适的安全工具或机制。随着网络中互连组件和移动部件数量的增加，运营商需要维护跨领域、跨工具的跨学科知识，以确保系统正常运行。本文设计的DSS框架能够捕捉用户对不同领域安全三要素（机密性、完整性、可用性）的高层需求，并通过贝叶斯网络模型进行推理，输出最匹配这些需求的安全工具列表。系统架构和建模过程与理论框架保持一致。实验评估从时间效率和预测准确性两个维度验证了其性能。该研究的主要贡献在于提供一个可理解、可扩展的框架，以适应不同的安全需求和贝叶斯网络模型，从而降低人工决策负担。适合网络安全运维人员、安全架构师以及决策支持系统研究者阅读。