CN114967439A - 一种多智能体安全事件触发模型预测控制方法 - Google Patents

一种多智能体安全事件触发模型预测控制方法 Download PDF

Info

Publication number
CN114967439A
CN114967439A CN202210388826.4A CN202210388826A CN114967439A CN 114967439 A CN114967439 A CN 114967439A CN 202210388826 A CN202210388826 A CN 202210388826A CN 114967439 A CN114967439 A CN 114967439A
Authority
CN
China
Prior art keywords
agent
state
follows
attack
time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210388826.4A
Other languages
English (en)
Other versions
CN114967439B (zh
Inventor
李建雄
王玲珑
刘一凡
闫玉彪
尹永鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yanshan University
Original Assignee
Yanshan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yanshan University filed Critical Yanshan University
Priority to CN202210388826.4A priority Critical patent/CN114967439B/zh
Publication of CN114967439A publication Critical patent/CN114967439A/zh
Application granted granted Critical
Publication of CN114967439B publication Critical patent/CN114967439B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明涉及一种多智能体安全事件触发模型预测控制方法，包括如下步骤：步骤S1、建立具有欺骗攻击和输入约束的多智能体***的离散时间动态模型；步骤S2、针对模型设计基于安全事件触发的通信策略，并确定安全事件触发间隔上界；步骤S3、设计基于安全事件触发的一致性控制协议；步骤S4、得到领导跟随状态误差方程的紧凑表达形式；步骤S5、在安全事件触发鲁棒模型预测控制框架下提出在线优化问题，获得控制器增益矩阵K；步骤S6、进行仿真验证，实现具有欺骗攻击和输入约束的离散多智能体***的状态一致性。本发明适用于具有欺骗攻击和输入约束的离散多智能体***的安全一致性问题。

Description

一种多智能体安全事件触发模型预测控制方法
技术领域
本发明涉及智能协同控制技术领域，尤其是一种多智能体安全事件触发模型预测控制方法。
背景技术
随着互联网的高速发展，多智能体***更加倾向于依靠网络来进行信息传递，通过网络和***平台来制定多智能体共同参与的协同任务，从而应对各种各样复杂的工作环境。然而，通过网络来通信具有受到攻击的风险，其中比较常见的是欺骗攻击和DoS攻击。DoS攻击是通过阻断信道中信号的传播来完成攻击目的。与DoS攻击相比，欺骗攻击更隐蔽，对受控***危害也更大，因此需要重点研究抵抗多智能体***控制过程中的欺骗攻击。
在控制***中引入网络虽然有许多优点，但也会带来一些具有挑战性的问题，如网络诱导时延和丢包等，这些问题主要是由于通信网络带宽的限制造成的。目前，事件触发方案因其在保持预期***性能的同时减少网络传输量的优势而备受研究人员的青睐。目前的事件触发方案忽略了网络攻击对***的负面影响，所以，人们急需一种改进的安全事件触发控制方法来解决上述问题。
发明内容
本发明需要解决的技术问题是提供一种多智能体安全事件触发模型预测控制方法，在一致性控制中，考虑欺骗攻击和输入约束对***性能的影响，通过鲁棒模型预测控制器抵抗欺骗攻击带来的影响，并引入安全事件触发机制降低通信负载和控制器的更新次数，提高***资源的利用率。
为解决上述技术问题，本发明所采用的技术方案是：一种多智能体安全事件触发模型预测控制方法，包括如下步骤：
步骤S1、建立具有欺骗攻击和输入约束的多智能体***的离散时间动态模型；
步骤S2、针对具有欺骗攻击和输入约束的多智能体***的离散时间动态模型设计基于安全事件触发的通信策略，并确定安全事件触发间隔上界；
步骤S3、根据步骤S2中设计的通信策略从而设计基于安全事件触发的一致性控制协议；
步骤S4、根据步骤S3设计的一致性控制协议，得到领导跟随状态误差方程的紧凑表达形式；
步骤S5、基于步骤S4得到的领导跟随状态误差方程的紧凑表达形式，在安全事件触发鲁棒模型预测控制框架下提出在线优化问题，获得控制器增益矩阵K；
步骤S6、将步骤S5获得的控制器增益矩阵K代入步骤S3中的一致性控制协议，进行仿真验证，实现具有欺骗攻击和输入约束的离散多智能体***的状态一致性。
本发明技术方案的进一步改进在于：所述步骤S1的具体过程为：
建立一个由N个智能体构成的多智能体***，存在欺骗攻击的第i个智能体的动力学模型如下：
Figure BDA0003594767140000021
其中，xi(k)∈Rn为第i个智能体状态在k时刻的状态，xi(k+1)∈Rn为第i个智能体状态在k+1时刻的状态，
Figure BDA0003594767140000022
为带有欺骗攻击信号的控制输入，这里考虑的欺骗攻击类型为替代欺骗攻击，即控制器受到攻击后会使控制信号被替代为相应的攻击信号，ui(k)∈Rm为实际的控制输入，|ui(k)|≤umax，ξi(k)为欺骗攻击信号，A，B是具有适当维数的矩阵，β(k)是在{0，1}上取值的伯努利分布随机变量，
Figure BDA0003594767140000023
为已知常数：
Figure BDA0003594767140000024
此外，ξi(k)是任意有界能量信号，存在常数
Figure BDA0003594767140000025
使得
Figure BDA0003594767140000026
领导者的动力学模型如下：
x0(k+1)＝Ax0(k)， (4)
其中，x0(k)为领导者在k时刻的状态，x0(k+1)为领导者在k+1时刻的状态。
本发明技术方案的进一步改进在于：所述步骤S2的具体过程为：
定义智能体i当前采样时的状态与最近一次传输时的状态之间的误差如下
Figure BDA0003594767140000031
其中
Figure BDA0003594767140000032
表示智能体i的第m个事件触发时刻；
对于第i个智能体，事件触发条件如下：
Figure BDA0003594767140000033
其中σi表示事件触发阈值，Φi加权矩阵，yi(k)是和邻居智能体状态、领导者状态有关的函数，表示如下；
Figure BDA0003594767140000034
其中
Figure BDA0003594767140000035
Figure BDA0003594767140000036
是智能体j的最新事件触发时刻，即每个智能体的事件触发条件取决于自身及其邻居的最新事件触发时刻和领导者的当前时刻；
第i个智能体的下一个事件触发时间
Figure BDA0003594767140000037
可以表示为：
Figure BDA0003594767140000038
Figure BDA0003594767140000039
Figure BDA00035947671400000310
是满足条件(9)的最小事件触发间隔，TM表示相邻两个触发时刻之间的最大事件触发间隔。
本发明技术方案的进一步改进在于：所述步骤S3中的一致性控制协议如下：
Figure BDA00035947671400000311
Figure BDA0003594767140000041
其中
Figure BDA0003594767140000042
Ki是要通过优化问题设计的控制器增益，aij和bi为***的邻接矩阵，ui(k+n|k)表示智能体i的控制协议。
本发明技术方案的进一步改进在于：所述步骤S4中的状态误差方程紧凑表达形式如下：
Figure BDA0003594767140000043
其中，H是与***网络拓扑有关的矩阵，
Figure BDA0003594767140000044
表示了状态测量误差，
Figure BDA0003594767140000045
是Kronecker积。
本发明技术方案的进一步改进在于：所述步骤S5提出在线优化问题如下；
Figure BDA0003594767140000046
Figure BDA0003594767140000047
其中，R1，R2为正定矩阵。
由于采用了上述技术方案，本发明取得的技术进步是：
1、本发明解决了具有欺骗攻击和输入约束的离散时间多智能体***的领导者-跟随者一致性问题，提供了一种针对具有欺骗攻击和输入约束的离散时间多智能体***实现安全一致性的方法，在一致性控制中，考虑欺骗攻击和输入约束对***性能的影响，通过鲁棒模型预测控制器抵抗欺骗攻击带来的影响，并引入安全事件触发机制降低通信负载和控制器的更新次数，提高***资源的利用率。
2、本发明与现有技术中多智能体***需要依赖于实时连续信息交换的一致性控制方式相比，采用本发明中基于事件触发的方法，多智能体之间只需要在发生事件触发时才会发生信息通信，降低了智能体处理器的计算处理负荷和多智能体之间的通信频次，大大减轻了网络传输负载，同时充分考虑了实际工程环境中欺骗攻击和输入约束对多智能体***的影响，并加以克服，最终实现了多智能体***的一致性，具有易于操作和实现的特点。
附图说明
图1为本发明所述方法流程图；
图2是网络化多智能体***通信拓扑结构图；
图3是智能体i的状态分量xi1(k)，i＝0，1，2，3，4，5；
图4是智能体i的状态分量xi2(k)，i＝0，1，2，3，4，5；
图5是智能体i的误差分量ei1(k)，i＝1，2，3，4，5；
图6是智能体i的误差分量ei2(k)，i＝1，2，3，4，5；
图7是智能体i的事件触发时刻。
具体实施方式
下面结合实施例对本发明做进一步详细说明：
如图1所示，一种多智能体安全事件触发模型预测控制方法，包括如下步骤：
步骤S1、考虑实际工程环境中欺骗攻击和输入约束对***一致性的影响，建立具有欺骗攻击和输入约束的多智能体***的离散时间动态模型，具体过程为：
建立一个由N个智能体构成的多智能体***，存在欺骗攻击的第i个智能体的动力学模型如下：
Figure BDA0003594767140000051
其中，xi(k)∈Rn为第i个智能体状态在k时刻的状态，xi(k+1)∈Rn为第i个智能体状态在k+1时刻的状态，
Figure BDA0003594767140000052
为带有欺骗攻击信号的控制输入，这里考虑的欺骗攻击类型为替代欺骗攻击，即控制器受到攻击后会使控制信号被替代为相应的攻击信号，ui(k)∈Rm为实际的控制输入，|ui(k)|≤umax，ξi(k)为欺骗攻击信号，A，B是具有适当维数的矩阵，β(k)是在{0，1}上取值的伯努利分布随机变量，
Figure BDA0003594767140000061
为已知常数：
Figure BDA0003594767140000062
此外，ξi(k)是任意有界能量信号，存在常数
Figure BDA0003594767140000063
使得
Figure BDA0003594767140000064
领导者的动力学模型如下：
x0(k+1)＝Ax0(k)， (4)
其中，x0(k)为领导者在k时刻的状态，x0(k+1)为领导者在k+1时刻的状态。
步骤S2、针对具有欺骗攻击和输入约束的多智能体***的离散时间动态模型设计基于安全事件触发的通信策略，并确定安全事件触发间隔上界，具体过程为：
定义智能体i当前采样时的状态与最近一次传输时的状态之间的误差如下
Figure BDA0003594767140000065
其中
Figure BDA0003594767140000066
表示智能体i的第m个事件触发时刻；
对于第i个智能体，事件触发条件如下：
Figure BDA0003594767140000067
其中σi表示事件触发阈值，Φi加权矩阵，yi(k)是和邻居智能体状态、领导者状态有关的函数，表示如下；
Figure BDA0003594767140000068
其中
Figure BDA0003594767140000069
Figure BDA00035947671400000610
是智能体j的最新事件触发时刻，即每个智能体的事件触发条件取决于自身及其邻居的最新事件触发时刻和领导者的当前时刻；
第i个智能体的下一个事件触发时间
Figure BDA0003594767140000071
可以表示为：
Figure BDA0003594767140000072
Figure BDA0003594767140000073
Figure BDA0003594767140000074
是满足条件(9)的最小事件触发间隔，TM表示相邻两个触发时刻之间的最大事件触发间隔。
本发明的步骤S2与传统的通信策略低效利用通信资源相比，使用了事件触发策略，有效节约资源，事件触发通信策略的设计中，充分考虑了网络攻击对事件触发通信的影响，引入最大事件触发间隔。
步骤S3、根据步骤S2中设计的通信策略从而设计基于安全事件触发的一致性控制协议，一致性控制协议如下：
Figure BDA0003594767140000075
其中
Figure BDA0003594767140000076
Ki是要通过优化问题设计的控制器增益，aij和bi为***的邻接矩阵，ui(k+n|k)表示智能体i的控制协议。
步骤S4、根据步骤S3设计的一致性控制协议，得到领导跟随状态误差方程的紧凑表达形式，状态误差方程紧凑表达形式如下：
状态误差方程紧凑表达形式如下：
Figure BDA0003594767140000077
其中，H是与***网络拓扑有关的矩阵，
Figure BDA0003594767140000078
表示了状态测量误差，
Figure BDA0003594767140000079
是Kronecker积。
步骤S5、基于步骤S4得到的状态误差方程的紧凑表达形式，在安全事件触发鲁棒模型预测控制框架下提出在线优化问题，获得控制器增益矩阵K，在线优化问题如下：
Figure BDA0003594767140000081
Figure BDA0003594767140000082
其中，R1，R2为正定矩阵。
步骤S6：将步骤S5获得的控制器增益矩阵K代入步骤S3中的一致性控制协议，进行仿真验证，实现具有欺骗攻击和输入约束的离散多智能体***的状态一致性。
实施例：
由通信拓扑图2所示，带有领导跟随的且具有欺骗攻击的离散多智能体***由6个智能体组成的，6个智能体分别用0、1、2、3、4、5来表示，其中0代表领导者智能体，1、2、3、4、5分别代表跟随者智能体。
***参数：
Figure BDA0003594767140000083
ξ(k)＝[1×10-3sin(k)1×10-3sin(k)]，
***拉普拉斯矩阵为：
Figure BDA0003594767140000084
领导者与跟随者之间的信息传递β为：
Figure BDA0003594767140000085
(11)中
Figure BDA0003594767140000086
设描述欺骗攻击的伯努利分布随机变量
Figure BDA0003594767140000087
***的初始状态为：
x0＝[0.2 -0.2]T，x1＝[0.21 -0.21]T，x2＝[0.22 -0.22]T，
x3＝[0.17 -0.19]T，x4＝[0.18 -0.18]T，x5＝[0.23 -0.17]T
图3是智能体i的状态分量xi1(k)，图4是智能体i的状态分量xi2(k)，图5是智能体i的误差分量ei1(k)，图6是智能体i的误差分量ei2(k)，图7是智能体i的事件触发时刻。
由图3至图7可见，针对具有欺骗攻击和输入约束的多智能体***，所发明的一致性控制协议可有效地达到领导跟随一致。
本发明解决了具有欺骗攻击和输入约束的离散时间多智能体***的领导者-跟随者一致性问题，提供了一种针对具有欺骗攻击和输入约束的离散时间多智能体***实现安全一致性的方法，在一致性控制中，考虑欺骗攻击和输入约束对***性能的影响，通过鲁棒模型预测控制器抵抗欺骗攻击带来的影响，并引入安全事件触发机制降低通信负载和控制器的更新次数，提高***资源的利用率。
本发明与现有技术中多智能体***需要依赖于实时连续信息交换的一致性控制方式相比，采用本发明中基于事件触发的方法，多智能体之间只需要在发生事件触发时才会发生信息通信，降低了智能体处理器的计算处理负荷和多智能体之间的通信频次，大大减轻了网络传输负载，同时充分考虑了实际工程环境中欺骗攻击和输入约束对多智能体***的影响，并加以克服，最终实现了多智能体***的一致性，具有易于操作和实现的特点。

Claims (6)

1.一种多智能体安全事件触发模型预测控制方法，其特征在于：包括如下步骤：
步骤S1、建立具有欺骗攻击和输入约束的多智能体***的离散时间动态模型；
步骤S2、针对具有欺骗攻击和输入约束的多智能体***的离散时间动态模型设计基于安全事件触发的通信策略，并确定安全事件触发间隔上界；
步骤S3、根据步骤S2中设计的通信策略从而设计基于安全事件触发的一致性控制协议；
步骤S4、根据步骤S3设计的一致性控制协议，得到领导跟随状态误差方程的紧凑表达形式；
步骤S5、基于步骤S4得到的领导跟随状态误差方程的紧凑表达形式，在安全事件触发鲁棒模型预测控制框架下提出在线优化问题，获得控制器增益矩阵K；
步骤S6、将步骤S5获得的控制器增益矩阵K代入步骤S3中的一致性控制协议，进行仿真验证，实现具有欺骗攻击和输入约束的离散多智能体***的状态一致性。
2.根据权利要求1所述的一种多智能体安全事件触发模型预测控制方法，其特征在于：所述步骤S1的具体过程为：
建立一个由N个智能体构成的多智能体***，存在欺骗攻击的第i个智能体的动力学模型如下：
Figure FDA0003594767130000011
其中，xi(k)∈Rn为第i个智能体状态在k时刻的状态，xi(k+1)∈Rn为第i个智能体状态在k+1时刻的状态，
Figure FDA0003594767130000012
为带有欺骗攻击信号的控制输入，这里考虑的欺骗攻击类型为替代欺骗攻击，即控制器受到攻击后会使控制信号被替代为相应的攻击信号，ui(k)∈Rm为实际的控制输入，|ui(k)|≤umax，ξi(k)为欺骗攻击信号，A,B是具有适当维数的矩阵，β(k)是在{0,1}上取值的伯努利分布随机变量，
Figure FDA0003594767130000021
为已知常数：
Figure FDA0003594767130000022
此外，ξi(k)是任意有界能量信号，存在常数
Figure FDA0003594767130000023
使得
Figure FDA0003594767130000024
领导者的动力学模型如下：
x0(k+1)＝Ax0(k)， (4)
其中，x0(k)为领导者在k时刻的状态，x0(k+1)为领导者在k+1时刻的状态。
3.根据权利要求2所述的一种多智能体安全事件触发模型预测控制方法，其特征在于：所述步骤S2的具体过程为：
定义智能体i当前采样时的状态与最近一次传输时的状态之间的误差如下
Figure FDA0003594767130000025
其中
Figure FDA0003594767130000026
表示智能体i的第m个事件触发时刻；
对于第i个智能体，事件触发条件如下：
Figure FDA0003594767130000027
其中σi表示事件触发阈值，Φi加权矩阵，yi(k)是和邻居智能体状态、领导者状态有关的函数，表示如下；
Figure FDA0003594767130000028
其中
Figure FDA0003594767130000029
Figure FDA00035947671300000210
是智能体j的最新事件触发时刻，即每个智能体的事件触发条件取决于自身及其邻居的最新事件触发时刻和领导者的当前时刻；
第i个智能体的下一个事件触发时间
Figure FDA00035947671300000211
可以表示为：
Figure FDA0003594767130000031
Figure FDA0003594767130000032
Figure FDA0003594767130000033
是满足条件(9)的最小事件触发间隔，TM表示相邻两个触发时刻之间的最大事件触发间隔。
4.根据权利要求3所述的一种多智能体安全事件触发模型预测控制方法，其特征在于：所述步骤S3中的一致性控制协议如下：
Figure FDA0003594767130000034
其中
Figure FDA0003594767130000035
Ki是要通过优化问题设计的控制器增益，aij和bi为***的邻接矩阵，ui(k+n|k)表示智能体i的控制协议。
5.根据权利要求4所述的一种多智能体安全事件触发模型预测控制方法，其特征在于：所述步骤S4中的状态误差方程紧凑表达形式如下：
Figure FDA0003594767130000036
其中，H是与***网络拓扑有关的矩阵，
Figure FDA0003594767130000037
表示了状态测量误差，
Figure FDA0003594767130000038
是Kronecker积。
6.根据权利要求5所述的一种多智能体安全事件触发模型预测控制方法，其特征在于：所述步骤S5提出在线优化问题如下；
Figure FDA0003594767130000039
Figure FDA00035947671300000310
其中，R1，R2为正定矩阵。
CN202210388826.4A 2022-04-13 2022-04-13 一种多智能体安全事件触发模型预测控制方法 Active CN114967439B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210388826.4A CN114967439B (zh) 2022-04-13 2022-04-13 一种多智能体安全事件触发模型预测控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210388826.4A CN114967439B (zh) 2022-04-13 2022-04-13 一种多智能体安全事件触发模型预测控制方法

Publications (2)

Publication Number Publication Date
CN114967439A true CN114967439A (zh) 2022-08-30
CN114967439B CN114967439B (zh) 2024-07-26

Family

ID=82977127

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210388826.4A Active CN114967439B (zh) 2022-04-13 2022-04-13 一种多智能体安全事件触发模型预测控制方法

Country Status (1)

Country Link
CN (1) CN114967439B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116820100A (zh) * 2023-06-25 2023-09-29 中国矿业大学 一种欺骗攻击下的无人车编队控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109491249A (zh) * 2018-11-30 2019-03-19 沈阳航空航天大学 一种存在DoS攻击时多智能体***事件触发控制器的设计方法
CN110213115A (zh) * 2019-06-25 2019-09-06 南京财经大学 一种多网络攻击下事件驱动网络控制***的安全控制方法
CN113009825A (zh) * 2021-02-08 2021-06-22 云境商务智能研究院南京有限公司 一种受欺骗攻击的非线性网络化***状态估计方法
CN113721467A (zh) * 2021-08-31 2021-11-30 云境商务智能研究院南京有限公司 欺骗攻击和DoS攻击下基于自适应事件触发的H∞滤波器设计方法
KR20220007395A (ko) * 2020-07-10 2022-01-18 한국전자통신연구원 제어시스템 보안이벤트의 공격전략 분류 장치 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109491249A (zh) * 2018-11-30 2019-03-19 沈阳航空航天大学 一种存在DoS攻击时多智能体***事件触发控制器的设计方法
CN110213115A (zh) * 2019-06-25 2019-09-06 南京财经大学 一种多网络攻击下事件驱动网络控制***的安全控制方法
KR20220007395A (ko) * 2020-07-10 2022-01-18 한국전자통신연구원 제어시스템 보안이벤트의 공격전략 분류 장치 및 방법
CN113009825A (zh) * 2021-02-08 2021-06-22 云境商务智能研究院南京有限公司 一种受欺骗攻击的非线性网络化***状态估计方法
CN113721467A (zh) * 2021-08-31 2021-11-30 云境商务智能研究院南京有限公司 欺骗攻击和DoS攻击下基于自适应事件触发的H∞滤波器设计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王誉达;查利娟;刘金良;费树岷: "基于事件触发和欺骗攻击的多智能体一致性控制", 南京信息工程大学学报(自然科学版), no. 004, 31 December 2019 (2019-12-31) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116820100A (zh) * 2023-06-25 2023-09-29 中国矿业大学 一种欺骗攻击下的无人车编队控制方法
CN116820100B (zh) * 2023-06-25 2024-02-27 中国矿业大学 一种欺骗攻击下的无人车编队控制方法

Also Published As

Publication number Publication date
CN114967439B (zh) 2024-07-26

Similar Documents

Publication Publication Date Title
CN109729528B (zh) 一种基于多智能体深度强化学习的d2d资源分配方法
CN112286051A (zh) 复杂网络攻击下基于自适应事件触发机制的神经网络量化控制方法
CN113407248B (zh) 基于流量权重控制的传感边缘云内部DDoS攻击主动防御方法
CN112865752B (zh) 一种混合网络攻击下基于自适应事件触发机制的滤波器设计方法
CN109814381A (zh) 一种基于事件触发的网络控制***控制器设计方法
CN114415633B (zh) 多网络攻击下基于动态事件触发机制的安全跟踪控制方法
CN114967439A (zh) 一种多智能体安全事件触发模型预测控制方法
CN115277689A (zh) 一种基于分布式联邦学习的云边网络通信优化方法及***
CN113972671A (zh) 拒绝服务攻击下多区域电力***的弹性负荷频率控制方法
Zhang et al. Resilient observer-based event-triggered control for cyber-physical systems under asynchronous denial-of-service attacks
CN115913704A (zh) 一种抵御欺骗攻击的智能无人集群***时滞脉冲控制方法
CN117938755B (zh) 一种数据流量控制方法、网络交换子***及智能计算平台
CN115022205A (zh) 一种应用于海量终端高并发场景的跨网数据传输方法
CN114442592A (zh) 重放攻击和欺骗攻击下的网络化互联***的自适应事件触发控制器设计方法
CN111786967B (zh) DDoS攻击的防御方法、***、节点及存储介质
CN116017467A (zh) 一种多无人机***事件触发安全控制方法及***
Shi et al. Flocking control for Cucker–Smale model under denial‐of‐service attacks
CN114567883A (zh) 一种基于环境自适应决策的双层模糊逻辑信任模型方法
CN116679753B (zh) 一种异构无人***抗欺骗攻击的编队跟踪控制方法
CN118151543B (zh) 无人车协同控制方法及装置
CN115378565B (zh) 一种用于双层耦合网络准同步的事件触发控制方法
CN116614299B (zh) 一种受混合攻击的复杂网络动态事件触发牵引控制方法
CN114844890B (zh) 一种基于设备消息扩散的主动任务卸载方法
CN111541999B (zh) 基于生物启发的大规模分布式节点自组织接入方法
CN115981268B (zh) 一种拒绝服务攻击下不确定非线性***的自适应事件触发控制器的设计方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant