論文の概要: Resilient Output Containment Control of Heterogeneous Multiagent Systems
Against Composite Attacks: A Digital Twin Approach
- arxiv url: http://arxiv.org/abs/2303.12693v1
- Date: Wed, 22 Mar 2023 16:41:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-23 13:40:11.642036
- Title: Resilient Output Containment Control of Heterogeneous Multiagent Systems
Against Composite Attacks: A Digital Twin Approach
- Title(参考訳): 複合攻撃に対する不均一マルチエージェントシステムの弾力性出力保持制御:デジタルツインアプローチ
- Authors: Yukang Cui, Lingbo Cao, Michael V. Basin, Jun Shen, Tingwen Huang, Xin
Gong
- Abstract要約: 本稿では,複合攻撃に対する異種マルチエージェントシステムの分散レジリエント出力保持制御について検討する。
デジタルツインにインスパイアされた、より高いセキュリティとプライバシを持つツイン層は、問題を2つのタスクに分離するために使用される。
- 参考スコア(独自算出の注目度): 24.587040108605937
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper studies the distributed resilient output containment control of
heterogeneous multiagent systems against composite attacks, including
denial-of-services (DoS) attacks, false-data injection (FDI) attacks,
camouflage attacks, and actuation attacks. Inspired by digital twins, a twin
layer (TL) with higher security and privacy is used to decouple the above
problem into two tasks: defense protocols against DoS attacks on TL and defense
protocols against actuation attacks on cyber-physical layer (CPL). First,
considering modeling errors of leader dynamics, we introduce distributed
observers to reconstruct the leader dynamics for each follower on TL under DoS
attacks. Second, distributed estimators are used to estimate follower states
according to the reconstructed leader dynamics on the TL. Third, according to
the reconstructed leader dynamics, we design decentralized solvers that
calculate the output regulator equations on CPL. Fourth, decentralized adaptive
attack-resilient control schemes that resist unbounded actuation attacks are
provided on CPL. Furthermore, we apply the above control protocols to prove
that the followers can achieve uniformly ultimately bounded (UUB) convergence,
and the upper bound of the UUB convergence is determined explicitly. Finally,
two simulation examples are provided to show the effectiveness of the proposed
control protocols.
- Abstract(参考訳): 本稿では、複合攻撃に対する異種マルチエージェントシステムの分散レジリエント出力保持制御について、DoS攻撃、偽データ注入(FDI)攻撃、カモフラージュ攻撃、アクティベーション攻撃などについて検討する。
デジタルツインにインスパイアされた、より高いセキュリティとプライバシを持つツイン層(TL)は、上記の問題をTLに対するDoS攻撃に対する防衛プロトコルとサイバー物理層(CPL)に対するアクティベーション攻撃に対する防衛プロトコルの2つのタスクに分離するために使用される。
まず、リーダーダイナミクスの誤差をモデル化し、分散オブザーバを導入し、DoS攻撃下でTL上の各フォロワーのリーダーダイナミクスを再構築する。
第二に、tlの再構成されたリーダーダイナミクスに従って、分散推定器を用いて従者の状態を推定する。
第三に、再構成されたリーダーダイナミクスにより、cpl上の出力レギュレータ方程式を計算する分散化ソルバを設計する。第4に、非有界なアクチュエーション攻撃に抵抗する分散化適応攻撃耐性制御スキームをcplに提供し、さらに、上記制御プロトコルを適用して、追従者が一様に有界(uub)収束を達成し、uub収束の上限が明確に決定されることを示す。
最後に、提案した制御プロトコルの有効性を示す2つのシミュレーション例を示す。
関連論文リスト
- Securing Recommender System via Cooperative Training [78.97620275467733]
本稿では,データを相互に強化する3つの協調モデルを用いたTCD(Triple Cooperative Defense)を提案する。
既存の攻撃が二段階最適化と効率のバランスをとるのに苦労していることを考えると、リコメンダシステムにおける毒殺攻撃を再考する。
我々はゲームベースのコトレーニングアタック(GCoAttack)を提案し,提案したCoAttackとTCDをゲーム理論のプロセスとする。
論文 参考訳(メタデータ) (2024-01-23T12:07:20Z) - Exploring Attack Resilience in Distributed Platoon Controllers with
Model Predictive Control [0.0]
本論文は、攻撃シナリオの調査とシステム性能への影響評価により、分散車両小隊制御装置のセキュリティ向上を図ることを目的としている。
Man-in-the-middle (MITM) や false Data Injection (FDI) などの攻撃技術は、モデル予測制御 (MPC) コントローラを用いてシミュレーションされる。
攻撃分析や、検出に機械学習技術を使用した強化通信プロトコルを含む対策が提供されている。
論文 参考訳(メタデータ) (2024-01-08T20:27:16Z) - Model Extraction Attacks Against Reinforcement Learning Based
Controllers [9.273077240506016]
本稿では,Reinforcement Learning (RL)アルゴリズムを用いてDNN(Deep Neural Network)コントローラをトレーニングし,システムを制御する際の設定に焦点を当てる。
オフラインフェーズとも呼ばれる第1フェーズでは、攻撃者はRL-リワード関数とシステムダイナミクスに関するサイドチャネル情報を使用して、未知のDNNの候補推定セットを特定する。
オンラインフェーズとも呼ばれる第2フェーズでは、攻撃者は未知のDNNの振る舞いを観察し、これらの観察を使用して最終的なポリシー推定のセットをショートリスト化する。
論文 参考訳(メタデータ) (2023-04-25T18:48:42Z) - Resilient Output Consensus Control of Heterogeneous Multi-agent Systems
against Byzantine Attacks: A Twin Layer Approach [23.824617731137877]
本研究では、ビザンチン攻撃に対する異種マルチエージェントシステム(MAS)の協調的制御の問題について検討する。
仮想双対層(TL)を備えた新しい階層型プロトコルDigital Twinの概念に着想を得た。
論文 参考訳(メタデータ) (2023-03-22T18:23:21Z) - Data-Driven Leader-following Consensus for Nonlinear Multi-Agent Systems
against Composite Attacks: A Twins Layer Approach [24.556601453798173]
本稿では, 複合攻撃に対する不確実かつ非線形なマルチエージェントシステムのリーダ追従コンセンサスについて検討する。
デジタルツイン層(TL)を従来のサイバー物理層(CPL)の横に追加する、二重層制御フレームワークが定式化されている。
CAに対するレジリエントな制御タスクは、TLに対するDoS攻撃に対する分散推定と、CPLに対するアクティベーション攻撃に対するレジリエントな分散トラッキング制御の2つの部分に分けられる。
論文 参考訳(メタデータ) (2023-03-22T17:20:35Z) - CARBEN: Composite Adversarial Robustness Benchmark [70.05004034081377]
本稿では,複合対向攻撃 (CAA) が画像に与える影響を実証する。
異なるモデルのリアルタイム推論を提供し、攻撃レベルのパラメータの設定を容易にする。
CAAに対する敵対的堅牢性を評価するためのリーダーボードも導入されている。
論文 参考訳(メタデータ) (2022-07-16T01:08:44Z) - Downlink Power Allocation in Massive MIMO via Deep Learning: Adversarial
Attacks and Training [62.77129284830945]
本稿では,無線環境における回帰問題を考察し,敵攻撃がDLベースのアプローチを損なう可能性があることを示す。
また,攻撃に対するDLベースの無線システムの堅牢性が著しく向上することを示す。
論文 参考訳(メタデータ) (2022-06-14T04:55:11Z) - Policy Smoothing for Provably Robust Reinforcement Learning [109.90239627115336]
入力のノルム有界対向摂動に対する強化学習の証明可能な堅牢性について検討する。
我々は、スムーズなポリシーによって得られる全報酬が、入力の摂動のノルムバウンドな逆数の下で一定の閾値以下に収まらないことを保証した証明書を生成する。
論文 参考訳(メタデータ) (2021-06-21T21:42:08Z) - Collision-Free Flocking with a Dynamic Squad of Fixed-Wing UAVs Using
Deep Reinforcement Learning [2.555094847583209]
深層強化学習(DRL)による分散型リーダ・フォロワリング制御問題に対処する。
我々は,すべてのフォロワーに対して共有制御ポリシーを学習するための新しい強化学習アルゴリズムCACER-IIを提案する。
その結果、可変長系状態を固定長埋め込みベクトルに符号化することができ、学習されたDRLポリシーをフォロワーの数や順序と独立にすることができる。
論文 参考訳(メタデータ) (2021-01-20T11:23:35Z) - A Self-supervised Approach for Adversarial Robustness [105.88250594033053]
敵対的な例は、ディープニューラルネットワーク(DNN)ベースの視覚システムにおいて破滅的な誤りを引き起こす可能性がある。
本稿では,入力空間における自己教師型対向学習機構を提案する。
これは、反逆攻撃に対する強力な堅牢性を提供する。
論文 参考訳(メタデータ) (2020-06-08T20:42:39Z) - Robust Deep Reinforcement Learning against Adversarial Perturbations on
State Observations [88.94162416324505]
深部強化学習(DRL)エージェントは、自然な測定誤差や対向雑音を含む観測を通して、その状態を観察する。
観測は真の状態から逸脱するので、エージェントを誤解させ、準最適行動を起こすことができる。
本研究は, 従来の手法を, 対人訓練などの分類タスクの堅牢性向上に応用することは, 多くのRLタスクには有効でないことを示す。
論文 参考訳(メタデータ) (2020-03-19T17:59:59Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。