重放攻击下多智能体系统的一致性问题研究

来源 :江南大学 | 被引量 : 0次 | 上传用户:wwwwcccc3012
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
多智能体系统的分布式协同控制近年来逐渐受到众多研究者的关注,在这个研究领域中,多智能体系统的安全性问题也逐渐成为了热门的新兴研究方向之一。在实际应用中,智能体之间的局部信息交换往往受到恶意攻击的影响。重放攻击是计算机黑客常用的攻击方式之一,其隐匿性往往对系统造成巨大的危害。由于无法预料攻击会发生在何时何地,因此必须提供有复原力的解决办法以削弱攻击带来的危害,确保多智能体系统在受到恶意攻击的情况下完成任务。此外,随着数字传感器和控制器的广泛应用,智能体间的信息传输通常是周期性的。因此研究重放攻击下离散时间多智能体系统的安全一致性问题具有重要的理论意义。本文主要基于模型预测控制算法,针对三种不同的多智能体系统模型,研究离散时间多智能体系统在重放攻击下的安全一致性问题,主要研究工作如下:(1)研究了一阶多智能体系统在重放攻击下的安全一致性问题。分别假设系统的网络拓扑图是固定拓扑和切换拓扑,通过模型预测控制算法,得到相应的安全一致控制协议和状态信息序列,从而有效处理了重放攻击下智能体的状态信息不可用的问题。首先,考虑重放攻击的存在,应用代数图论知识,将原系统转化为系统矩阵随机的等效系统。然后通过应用非负矩阵的性质,获得了能保证一阶多智能体系统在重放攻击下实现一致性的充分条件。进一步,利用数值仿真实验验证了所提出控制策略的有效性。(2)研究了二阶多智能体系统在重放攻击下的安全一致性问题。在网络拓扑图是强连通的情况下将二阶系统改写成紧凑形式,考虑重放攻击发生的不规律性,通过模型预测控制算法,得到相应的安全一致控制协议和状态信息序列,从而有效处理了重放攻击下智能体的状态信息不可用的问题。首先,运用模型转化法以及相关代数图论知识,将原系统转化为系统矩阵随机的等效系统。然后在得到的等效系统的基础上,通过应用非负矩阵的性质,获得了有关重放攻击下二阶多智能体系统达到渐近一致的充分条件。进一步,利用数值仿真实验验证了所提出控制策略的有效性。(3)研究了具有切换拓扑结构的二阶多智能体系统在重放攻击下的安全一致性问题。在网络拓扑图是有向的情况下,通过应用模型预测控制理论设计了针对重放攻击的分布式安全一致性算法,从而削弱了重放攻击带来的危害。接着,运用模型转化法以及相关代数图论知识,将原系统转化为系统矩阵随机的等效系统。然后在得到的等效系统的基础上,通过应用非负矩阵的性质,获得了有关重放攻击下具有切换拓扑的二阶多智能体系统达到渐近一致的充分条件。进一步,利用数值仿真实验验证了所提出控制策略的有效性。
其他文献
音频携带了城市中大量关于日常环境、生活场景和物理事件的信息。通过深度学习方法智能分类识别出各个声源并提供相应的运用与服务,在构建智慧城市中具有巨大的潜力与应用前景。其被广泛运用于噪音监控、城市安防、多媒体信息检索、智慧工厂等方面。但当前已有的城市音频分类模型仍存在分类准确率不够高、泛化能力不够强以及噪音鲁棒性较弱等问题,针对上述问题论文进行了如下研究:(1)为解决城市音频分类领域中现有模型分类准确
多自主体系统协调控制是近几十年的热门研究领域,其研究成果大量应用于无人机编队飞行、无线传感网络和多机器人协调控制等工程领域。一致性控制是多自主体系统协调控制的分支研究领域,控制目标是通过自主体之间的控制协议,利用局部的信息,使所有自主体状态趋于一致。而固定时间一致性控制,要求所有自主体在固定时间内实现状态一致,比传统一致性控制收敛速度更快。在实际工程环境中,干扰和非线性动态会影响系统稳定性,是不可
孪生支持向量回归机(Twin Support Vector Regression,TSVR)是一种解决回归问题的机器学习算法。由于TSVR只需求解一对规模较小的二次规划问题,其训练效率高于支持向量回归机,因此TSVR已逐渐成为机器学习领域的研究热点。但是,目前TSVR的训练算法大部分都只是离线训练算法,无法高效处理在线增量学习问题。本课题致力于提升TSVR三种变体在增量环境下的训练效率,设计其相应
近年来,多自主体系统一致性问题已成为学术界的研究热点,并在传感网络、航天探测以及电力能源等领域得到了广泛应用。一致性问题是指利用自主体的局部交互信息设计合适的控制协议,使所有自主体的状态最终达到相同。为了节约有限的资源,事件触发控制策略被应用到一致性协议中。在事件触发控制中,只有当测量误差触发函数超过预设阈值时,自主体才进行通信和控制器更新。为顺应通信环境的要求,事件触发一致性问题的研究逐渐从固定
视频行为识别就是在不需要人为干预的情况下,综合利用计算机视觉、模式识别、图像处理、人工智能等诸多方面的知识和技术对摄像机拍录的图像序列进行自动分析,实现动态场景中的人体定位、跟踪和识别,并在此基础上分析和判断人的行为,其最终目标是通过对行为特征数据的分析来获取行为的语义描述与理解。视频行为识别技术可用于自动驾驶、人机交互、智能安防监控、智能家居监护等领域。因此,对视频行为识别的研究有着重要而广泛的
迭代学习控制是一种广泛应用于执行重复任务的高性能控制方法,其直接根据之前批次的系统输入输出信息不断修正更新当前批次的控制输入信号,最终在有限时间内实现对参考轨迹的完全跟踪。将优化理论与迭代学习控制技术相结合,能够得到最优型学习控制器以实现快速跟踪。然而在实际的工业过程中,系统输出往往不需要跟踪完整的参考轨迹,只需要在某些特定时间点处跟踪上给定的参考值。例如机器人的“取”和“放”操作,只需要专注于拾
间歇过程具有生产灵活的特点,广泛应用于化妆品、食品、药品等领域。迭代学习模型预测控制(ILMPC)兼具迭代学习控制(ILC)和模型预测控制(MPC)的优点,具有良好的抗干扰能力和约束处理能力,在间歇过程关键过程变量的轨迹跟踪中得到了广泛的应用。然而,ILMPC的预测模型是建立在原始变量空间的,变量间的共线性和高维性使得预测模型的开发变得困难和耗时。其次,ILMPC也存在在线计算量过大的问题。并且,
切换正系统由有限个正的子系统以及一组切换信号组成。切换正系统既有切换系统复杂的动力学行为特性又具有正系统独特的状态非负特性,因此针对此类系统相关控制问题的研究也相对棘手。切换正系统在控制领域应用广泛,并与经济、生物、通信等众多实际生活领域密切相关,因而引起了学者们的极大关注。实际工程应用中,系统短时间内的动态行为变化至关重要,很多系统满足无限时间区间的稳定性能却不能满足短时间区间内的性能指标。典型
随着社会的快速发展,人们的生活水平逐渐提高。但是与此同时,人们不规律的生活方式也使得更多疾病的发生,肿瘤甚至也变成了一种常见的疾病。脑肿瘤是常见的恶性肿瘤之一,其致死率较高,目前只有通过手术或放疗来治疗。因此,脑肿瘤的早期诊断对于改善患者的病情至关重要。核磁共振成像(Magnetic Resonance Imaging,MRI)可以帮助医生观察到病人大脑内部的情况,迅速地确定病灶区域。但是脑肿瘤具
受传输介质、周围环境以及人为因素的影响,控制信号在传输过程中难免会出现时延.时延的出现严重影响系统的控制品质,甚至稳定性.要对时延系统实行有效控制,就必须获得系统的参数.因此研究时延系统的参数辨识方法具有重要理论意义和应用前景.本文以线性连续时间时延系统为研究对象,基于系统正弦响应的观测数据,研究其参数辨识方法,主要内容如下:1.对于线性系统,其正弦响应是一个与输入同频率的含迟延相位的正弦信号,即