本文提出将随机多组SIR传染模型与企业粒度增长模型耦合,以量化传染性网络性网络攻击对企业营收与网络保险组合的影响,使用CIR过程对传染/恢复/内部传播概率建随机化、用Cox过程(由SIR导出的force of infection)驱动攻击到达,并以Aggregate Exceedance Probability(AEP)衡量组合极端损失;模型经LockBit(2024/05–07)事件校准并应用于Île-de-France代表性组合,结果显示在100天事件期内,保险人在50%置信水平下可能需赔付相当于多达两天收入的损失 。
| Day | Upper bound (€M) | Mode (€M) | Mean (€M) |
|---|---|---|---|
| 7 | 1.742 | 0.441 | 0.871 |
| 24 | 2.634 | 1.062 | 1.317 |
| 38 | 2.309 | 0.991 | 1.154 |
| 52 | 1.630 | 0.470 | 0.815 |
| 93 | 0.453 | 0.001 | 0.227 |
报告元数据与概览(引言与报告概览)
逐节深度解读
图表与图片逐项深度解读(关键图表逐一说明、图像嵌入)
Figure 1(LockBit 2024 感染时间序列与各组别影响力图)——文件与展示:
该图(5‑7月日度受害公司数)显示感染数先慢速上升后迅速攀升并在5月下旬达到峰值随后下降,形态为典型单峰流行曲线;作者据此选择100天窗口并以此轨迹为主要校准目标以确保SIR能再现峰值高度与峰值时点两项关键统计量。
第二图展示多家勒索软件团伙全年节奏差异,支持采用分组/时间依赖传播强度建模的动因(不同团伙节奏、季节性或突发事件会改变β/γ轨迹)。
Figure 2(公司内“分裂”示意图): 该图直观说明:在规模5的公司(S_5)首次入侵后,可能产生k=2的感染,形成 I_2 + S_3 并且I_2对外产生β_2级别的感染力与γ_2恢复,这支持模型中“在公司内可有多重子单位连锁感染”与“组内感染由二项/伯努利流程近似”的设计假设。
表格1(公司特征按行业,Table 1)与公司样本构成:表格汇报H=2,929家企业,行业分布和均值/标准差(平均年收入、分布细节),用于后续把公司拆为子单元与估计GBM参数的基准。
公司规模分布与Zipf拟合(Figure 4):
图4(a).histogram显示绝大多数公司为单子单元(占比高),而(b)在对数‑对数图上Zipf拟合直线说明规模分布的幂律/重尾特征,作者拟合出参数 α≈1.759、q≈0.784,用于生成h_k初值分布与敏感性分析。
SIR日度新感染按规模(Figure 5):
该图把每个k组的每日新感染数量画出,显示k=1群体数值占主导(峰 ~ 135),其他组依次递减,这影响了损失集中性:由于公司规模遵从Zipf,少数大公司对总体损失的贡献可能异常放大。
校准结果的SIR拟合与峰值比较(Figure 6 与 7):
模拟的均值轨迹(蓝)对比已观测LockBit轨迹(黑)给出一致的峰值时点(day 38)但峰值高度略被高估约17%;峰分布直方图显示在10000次模拟样本中峰值和峰日期具有一定分散性,但模型总体再现力较好,被作者视为保守且可接受的拟合结果。
直方图说明峰值分布的均值321对比观测273,峰日期集中于38,模型略高估但峰日拟合良好,这对保险准备与应急容量评估很重要(承保方需依据峰值来准备援助/再保险/流动性)。
群组内 S/I/R 动态(Figure 8):
各组的S,I,R随时间演化呈现为快速上升至峰值后下降的模式,但峰值到达时点随组别不同显著差异:较大规模公司通常在更早时点达到峰值,说明大型公司在疫情早期对外感染更重要同时也更快“用尽”易感子单元(即先崩溃再复原)。
外部感染概率与内部传播概率(Figure 9):
外部感染概率 Y_t 在时间上也呈单峰并在day~38附近最大;作者校准的内部传播概率(1/(1+e^{−a}))约为58.6%,说明“公司内部传播是主导路径”,即一旦公司被外部穿透,多子单元被连锁感染的概率很高,这直接放大了单个公司索赔规模的尾部风险。
感染时点分布与“无感染”概率(Figure 10 与 Table 8):
不同k组的感染时间PDF显示模式在day~24(早于整体峰值),且随着公司规模增加,遭遇“在100天内不被感染”的概率逐步下降(例如k=1 P[T>100]=0.794, k=12 P[T>100]=0.060),这支持“更大目标更早被攻击”的经验事实并与文献引用一致。
单公司与组合损失动态(Figure 11, 12, 13, 14):
单组平均日损失随时间在峰值附近(约day 20–40)集中上升,平均日峰值对某些大组可达数%甚至在个别场景中单天损失可接近或超过公司当日营业额的近几十个百分点(情景极端但存在),反映索赔分布的厚尾特性与高度异质性。
组合级的日损失PDF显示在靠近传染峰期(例如day 24)的分布既扁平又更宽,右尾更厚;表格9给出日损失上界在不同日(最大约2.63百万欧元),相对于被分析子组合日均收入39.13百万欧元,这等价于大约0–6.7%的比率区间,尾端风险不可忽视。
对于100天累计损失(子组合621家),PDF聚焦在约51.4百万欧元区(中位数>51.47M,模式≈51.43M),右尾显示超过55M的概率约6%,也即该100天事件可导致组合损失达约1.5个交易日的总收入或更高。
AEP曲线比较(Exact vs Approximated)显示:当考虑Poisson(ν=0.105)(即100天内10%概率发生一轮传染事件)时,大多数质量集中在零(未发生事件),但当事件发生时,AEP尾部延伸至约180M欧元(相当于4天收入);近似AEP(条件化系统性风险)在尾部略低估极端概率,但在规模更大样本下该近似将更有效率且误差更小。
估值与数值校准细节(Section 4)
风险因素评估(报告中的识别与潜在影响)
批判性视角与模型假设的微妙之处(审慎说明)
结论性综合(关键发现与对保险人的启示)
附:在报告中提及并逐一分析的主要图像(已嵌入于文中相应位置以供复核)
总结语(两句话)
2603.15369.pdf