面向实时态势感知的动态告警优先级排序：结合主动学习的隐马尔可夫模型框架

基于摘要分析。该研究面向网络安全实时态势感知，研究如何在异常入侵检测系统产生大量误报告警时，优先选择值得人工调查的告警，以改善对潜在安全状态的估计。核心贡献是将动态告警优先级排序表述为隐马尔可夫模型（HMM）中的主动学习问题，并通过空间缩减降低信念更新的计算开销。 方法以信念的均方误差（MSE）最小化为目标，使用信念不确定性作为 MSE 的代理，提出两种计算上可处理的告警调查选择策略；同时提出状态空间与 exploit space 缩减方法。摘要未给出不确定性的具体定义、策略求解形式，以及两类空间缩减如何保留关键依赖关系，尚需正文核对。 在合成与真实依赖图上的仿真评估中，作者报告：相较基线调查策略，所提策略使信念 MSE 最多降低 50%，并对高误报告警率及调查错误表现出鲁棒性；状态空间缩减可使计算时间减少 85%，同时信念 MSE 未显著增加。上述结果属于网络安全依赖图仿真，不是 EEG 或 BCI 实验；基线名称、图规模、误报与调查错误设置、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，在具有隐状态时序结构、且可选择获取额外观测或人工反馈的 EEG 在线监测任务中，信念不确定性驱动的主动查询或可帮助分配复核预算。可复用 HMM 信念更新与查询策略，但需重新设计 EEG 观测模型、隐状态及反馈机制，不能直接套用网络攻击依赖图。低信噪比、跨被试及通道变化可能使不确定性失准，小数据也可能导致转移与观测模型估计不稳。可在固定 EEG 数据划分和相同查询预算下，对比随机查询与不确定性查询，检验其是否降低隐状态估计误差，并记录计算开销；已有相关 EEG 工作尚未检索确认。