面向 CPSoS 的连续韧性：通过自适应协调与学习扩展构架模型

Cyber-physical systems of systems（CPSoS）是高度复杂且动态的环境，其中技术子系统、网络子系统和组织子系统密切相互作用。需要动态、连续可适应的韧性以确保在可变条件下的系统功能。然而，现有的韧性构架通常仅隐式处理适应性，因而主要保持静态。本文通过引入新的自适应协调层（ACL）并概念性地重新定义适应与学习层（AL），来弥补这一差距。ACL 作为 operational 控制层，实时检测风险、优先级对策并动态协调实施。AL 被重新解释为战略-合作层，评估 ACL 的运营决策，学习其结果，并在政策、治理和构架层面推导出长期调整。两者共同实现韧性原则的适应性，兼顾短期响应与长期学习与发展能力。本文描述了两层的各种实现变体——从基于规则和基于 KPI 的方法到 AI 支持和元学习机制——并展示了如何根据系统复杂度、数据可用性和监管程度对其进行组合。提出的构架模型不再将韧性理解为静态系统属性，而是作为相互协调和系统学习的连续、数据驱动过程。这为下一代自适应和韧性 CPSoS 提供了方法论基础。