该论文针对关键任务基础设施面临的网络威胁日益复杂化、攻击门槛持续下降的现状展开研究。作者指出，防病毒和防火墙等传统点状防护方案本质上是被动响应式的，难以应对现代攻击面所呈现的组合爆炸式复杂度。为此，论文结合并对比了两种互补的方法论：其一是洛克希德·马丁的 Vortex/Crow 框架，它在业界标准的网络知识图谱之上引入多智能体强化学习（MARL），用于识别攻击向量并对其以及对应的 TTP（战术、技术与程序）进行优先级排序；其二是阿尔托大学提出的概率攻击图模型，该模型将网络拓扑结构与其中存在的漏洞信息融合，计算出系统层面的风险度量指标。研究选取有完整公开记录的 2015 年乌克兰电网网络攻击事件作为验证场景。当两种方法论被独立应用于同一套运营技术（OT）网络拓扑时，二者所推导出的攻击向量与漏洞利用序列均与事件记录中记载的内容一致，从而形成相互交叉验证，说明这两类建模路径在真实 OT 环境中具备可信度。随后，作者通过节点级消除实验开展攻击图分析，结果显示工业控制系统（ICS）是攻击传播最关键、最核心的使能环节，应作为防御加固的最高优先级目标。论文还比较了 CVSS v2.0 与 IronMiner 两种漏洞评分方法，总体上二者结论一致，但 IronMiner 在网络边缘节点上能给出更具可操作性的区分度。最后，作者认为“基线评估加节点级消除”这一分层方法论可扩展到大型企业网络，为防御方在真实的时间与资源约束下提供了一条结构化、由 AI 赋能的缓解优先级排序路径。适合从事 OT/ICS 安全、攻击面管理与漏洞优先级排序的研究者与工程人员阅读。