Mar, 2023

面向复合攻击的异构多智能体系统弹性输出控制：数字孪生方法

PDF
TL;DR该论文研究了异构多智能体系统的分布式弹性输出包含控制，针对复合攻击，包括拒绝服务攻击，虚假数据注入攻击、伪装攻击和行为攻击，并通过应用数字孪生的思想提出了二层协议，使问题可以分别在高保密度的数字孪生层和更容易利用的物理层上得以解决。该论文的研究成果展示了提出的控制协议的有效性，并证明了输出可以达到均匀最终有界收敛。
发现论文，激发创造
  • 基于数据驱动的双层方法的非线性多智能体系统领从一致性对抗复合攻击

    本文研究基于数字孪生技术的不确定非线性多智能体系统在遭受 `Denial of Service` 和控制攻击的条件下的领从一致性问题，并提出一个具有两层控制框架的鲁棒控制方案。方案分别包括了基于分布式滤波器和基于攻击补偿策略的统一最终有界一致收敛的分布式模型无关自适应协议。

    Mar, 2023

  • 异构多智能体系统对抗拜占庭攻击的弹性输出一致性控制：双层方法

    本论文研究了异构多智能体系统的合作控制问题，提出了一种基于数字孪生概念的分层协议，有效解决了 Byzantine 攻击问题并通过数值实验得到验证。

    Mar, 2023

  • 模型预测控制中分布式编队控制器的攻击韧性探究

    本论文致力于通过研究攻击场景并评估其对系统性能的影响，来提高分布式车队控制器的安全性。使用模型预测控制 (MPC) 控制器模拟了各种攻击技术，包括中间人攻击和伪造数据注入，以识别车队控制器的漏洞和弱点。论文提供并测试了一些对策，其中包括使用机器学习技术进行攻击分析和加强通信协议。研究结果强调了将安全问题整合到设计和实施中的重要性，从而构建安全且具有弹性的分布式车队控制器。

    Jan, 2024

  • 基于数字孪生的可重构智能表面辅助、上行、以用户为中心的无线蜂窝系统管理学习

    提出了一种新的可重构智能表面（RIS）辅助、用户为中心的无线接入系统，通过数字孪生管理。该文档设计了一个新的学习框架，通过联合优化接入点和用户关联、功率控制和 RIS 波束成形来最大化总和速率，以提高 UCCF 系统的性能，此框架优于其他方法。

    Feb, 2023

  • 具有对抗性干扰的线性时不变系统分布式在线控制的遗憾分析

    本研究解决了分布式在线控制问题，考虑了存在对抗干扰的线性时不变系统网络。针对已知动态和未知动态两种情况，分别提出了全分布式干扰反馈控制器和探索 - 执行方法，并给出了相应的遗憾界。

    Oct, 2023

  • 数字孪生 - 智能自主核心网络的 DDoS 检测机制

    通过数字孪生技术和在线学习方法，该研究提出了一种智能分布式拒绝服务攻击检测机制，适用于互联网服务提供商（ISP）核心网络。研究实现了基于数字孪生的 DDoS 检测架构，并利用在线学习方法更新模型以实现准确预测。研究结果表明，所提出的解决方案能够在 DDoS 攻击开始后约 15 分钟内对攻击进行准确估计。

    Oct, 2023

  • 通过数字孪生实现增强式强化学习资源管理：机遇、应用和挑战

    提出了一种基于数字孪生增强的强化学习框架，旨在优化网络资源管理的性能和可靠性，此框架在物理网络中应用传统的强化学习面临多个统一挑战，包括有限的探索效率、收敛速度缓慢、长期性能较差以及在探索阶段的安全问题。

    Jun, 2024

  • 通过两级反馈控制实现网络系统的入侵容忍

    我们设计了一个新颖的控制架构 TOLERANCE 来应对具有服务副本的系统中的入侵容忍问题。我们证明了在两个控制层级上的最优控制策略具有阈值结构，并设计了有效的算法来计算它们。通过在仿真环境中运行 10 种网络入侵，我们验证了 TOLERANCE 可以提高服务可用性并降低运营成本。

    Apr, 2024

  • 一种可扩展和可并行化的数字孪生框架，用于多智能体强化学习系统的可持续的模拟到现实过渡

    本文提出了一种可持续的多智能体深度强化学习框架，能够按需选择性地扩展并行训练工作负载，并利用最小的硬件资源将训练策略从模拟转移到真实环境中。我们引入了 AutoDRIVE 生态系统作为一种使合作和竞争的多智能体强化学习策略能够从模拟环境转移到现实环境中进行训练、部署和传输的数字孪生框架。在研究中，我们首先探讨了 4 个合作车辆（Nigel）在单个智能体和多智能体学习环境中共享有限状态信息时的交叉路口问题，并采用了共同的策略方法。然后，我们使用个体策略方法研究了 2 辆车（F1TENTH）的对抗自主赛车问题。在实验中，我们采用了分散式学习架构，能够在不确定性环境中进行稳健的策略训练和测试。智能体只能观察到有限的观测空间，并且只能采样满足运动动力学和安全约束的控制动作。我们以定量指标和定性评述的方式报告了两个问题陈述的实验结果，包括训练和部署阶段。我们还讨论了用于加速多智能体强化学习训练的智能体和环境并行化技术，并分析了它们的计算性能。最后，我们使用提出的数字孪生框架展示了从模拟环境到真实环境中训练策略的资源感知过渡。

    Mar, 2024

  • 数字孪生的保守和风险意识离线多智能体强化学习

    提出了一种适用于基于数字孪生的无线网络的离线多智能体保守分位回归 (MA-CQR) 方案，通过集成分布式强化学习和保守 Q 学习来解决环境的内在的随机性不确定性和数据有限性导致的认识不确定性。在无人机网络中应用该方案，展示了其对轨迹规划问题的优势。

    Feb, 2024