
本项目由英国University of Southampton(南安普顿大学)与Thales UK(英国泰雷兹集团)联合设立,依托院校Faculty of Engineering and Physical Sciences(工程与物理科学学院)开展研究。南安普顿大学在计算机科学、工程学等领域拥有深厚的学术积淀,其科研成果在全球工程与技术领域具有广泛影响力;Thales UK作为全球领先的国防、安全与航空航天企业,旗下cortAIx Labs专注于人工智能技术的工业转化,为项目提供真实场景与技术资源支持。双方的合作实现了学术研究与工业应用的深度融合,为博士生提供了兼具理论深度与实践价值的研究平台。
一、项目简介
该项目研究主题为Resilient defence sensing: adaptive modelling for trust, compromise, and coalition detection(弹性防御感知:信任、妥协与联盟检测的自适应建模)。
项目面向全球学生开放,核心面向UK(英国)及Horizon Europe(欧洲地平线计划)国民(此类申请者可享受专项资助)。项目配备双导师团队,由Dr Erisa Karafili与Enrico Gerding联合指导,入选者将获得为期三个月的工业实习机会,入驻Thales UK位于雷丁的Research, Technology and Solution Innovation centre(研究、技术与解决方案创新中心)
二、工作内容
- 核心框架开发:构建AI驱动的信任评分框架,实现对分布式传感系统中单个传感器可靠性的持续评估,以及对可能合谋影响系统决策的传感器群体的识别。
- 关键技术研究:融合异常检测、对抗建模与数据溯源分析技术,实现对传感器行为的实时评估,并适配动态变化的威胁环境。
- 策略优化探索:运用博弈论技术预测并响应不断演化的对抗策略,提升系统对未知威胁的应对能力。
- 场景验证评估:在真实攻击场景下对所提方法进行验证,覆盖传感器篡改、欺骗、虚假信息传播及协同联盟攻击等典型场景。
- 成果落地转化:最终形成可扩展的决策支持框架,提升分布式传感系统在关键国防与安全环境中的弹性、准确性与可信度,并完成工业实习期间的实践应用任务。
三、福利待遇
- 专项奖学金资助:项目为IDLA Scholarship(IDLA奖学金)项目,由Thales UK与EPSRC(工程与物理科学研究委员会)联合资助。
- 增强型津贴:入选者可获得高于UKRI(英国研究与创新署)最低标准的年度津贴,额外增幅约£6,250。
- 专项经费支持:提供充足的差旅、设备及实验室耗材补贴,保障研究工作顺利开展。
- 学费减免:对于排名靠前的优秀申请者,将覆盖UK-level tuition fees(英国本地标准学费)。
- 工业实践资源:享受三个月企业实习机会,接触国防与安全领域真实业务场景,积累工业界实践经验,拓展行业人脉资源。
四、申请建议
1. 资质匹配梳理:
- 优先确认自身学历符合要求(需具备一等荣誉学位或国际同等学历),专业背景需为computer science(计算机科学)、mathematics(数学)、engineering(工程学)或相关紧密学科;
- 提前梳理编程技能(Python、C++等)、数学基础(概率、统计、优化)、AI与机器学习知识等核心资质,若有博弈论、对抗建模、分布式系统或传感系统相关经验,需重点突出。
2. 申请材料准备:
- 按要求完整提交research proposal(研究计划书)、CV(个人简历)、2封academic references(学术推荐信)、学历成绩单及证书、英语语言能力证明(如适用);
- 研究计划书需紧密贴合项目主题,清晰展现对研究方向的理解与初步研究思路。
3. 时间节点把控:
- 资助采用rolling basis(滚动录取)模式,建议尽早提交申请以提升录取概率;
五、对该职位的理解和创新想法
该项目聚焦国防传感系统的弹性提升,核心是通过AI技术解决分布式传感网络在对抗环境下的信任评估与风险防控问题,兼具国防安全战略价值与跨学科技术创新意义,可以从以下角度进行思考:
- 跨学科技术融合的深度,如何实现AI信任建模与博弈论对抗策略的无缝衔接,提升系统对动态威胁的自适应能力;
- 工业应用的落地可行性,如何让学术研究成果适配国防安全领域的真实传感设备与复杂场景,保障框架的可扩展性与实用性;
- 风险识别的全面性,如何突破单一传感器异常检测的局限,实现对协同合谋攻击的精准识别。
申请者应当立足自身技术特长,结合项目研究目标,在研究计划书中清晰展现对上述问题的思考;同时,可提前调研国防传感系统的行业痛点与技术瓶颈,将工业实习的实践需求融入研究设计,强化研究成果的落地转化价值;此外,针对对抗环境的动态性特征,可探索引入实时学习算法优化信任评分框架,提升系统的动态响应效率。
