重放攻击下多智能体系统H_(∞)一致性PID控制

本文针对一类带有加性噪声和乘性噪声的离散多智能体系统,研究重放攻击下多智能体系统的H_(∞)一致性比例-积分-微分(PID)控制问题.首先,根据智能体的测量输出设计状态观测器,对智能体的状态进行有效估计,观测器设计过程中考虑了系统测量输出从传感器传输到观测器过程中受到重放网络攻击的影响.然后,利用智能体与其邻居智能体的估计状态差设计PID控制器.利用李雅普诺夫稳定性理论和代数图论,证明在该控制策略下,多智能体系统在重放攻击存在的情况下达到预期的H_(∞)性能指标.最后,利用线性矩阵不等式(LMI)方法求解观测器和控制器增益,利用数值仿真验证了所设计的观测器和PID控制器的有效性.

多维动态网络的密钥认证数学建模与仿真

多维动态网络在密钥认证过程中,若加密的密钥安全程度较低,则会被量子计算机解码,使传输的隐私数据出现泄露。为有效提升密钥的安全认证效果,提出量子攻击下多维动态网络密钥认证数学建模方法。方法建立用于多维动态网络的密钥认证模型,在建立的认证模型中,对网络中待传输数据实施冗余清洗,并使用高级加密标准(Advanced Encryption Standard,AES)算法生成密钥对待传输数据初次加密;添加一串噪声数据在加密数据中,并对其二次加密,进一步提升数据的抗量子攻击性能,建立多维动态网络的安全密钥传输模型,完成密钥的安全传输。根据解密方法结合密钥对数据安全解密,完成多维动态网络密钥的安全认证。实验结果表明,利用上述方法开展网络密钥认证时,加解密时间短,认证准确率在85%以上,且抗量子攻击能力强。

网络攻击下考虑状态受限的微电网安全运行与控制

攻击、干扰、不确定性通常存在于微电网中危害系统的安全运行.为了解决此问题,设计了一种带攻击补偿的电压控制器,以减小或抵消攻击对系统稳定性的影响.设计攻击观测器对微电网中受到的攻击进行观测;利用多智能体一致性协议,考虑全状态约束问题,采用正切型障碍Lyapunov函数约束所设计的状态量,使系统状态约束在预设范围内,并实现无功功率分配.采用自适应模糊系统对系统中一些参变量的变化进行估计,提高控制器的自适应能力.仿真验证了控制器的有效性.

DoS攻击下多智能体ICPS的最优一致控制

为解决由多个被控对象组成的工业信息物理系统(ICPS)在拒绝服务(DoS)攻击和不确定外界扰动下的一致性控制问题,将多智能体和ICPS相结合,并基于状态观测器和零和博弈方法,设计最优H_(∞)一致控制器。首先,针对多个被控对象组成的ICPS,根据智能体的信息交互特性,构建固定拓扑结构的多智能体ICPS模型。其次,考虑DoS攻击作用在传感器通道和执行器通道时系统通信信道堵塞的影响,采用状态观测器重构被堵塞的状态信息,并构建DoS攻击下基于状态观测器的多智能体ICPS模型。然后,引入干扰抑制水平,并将控制器和干扰者视为零和博弈中的参与者,根据干扰抑制水平的优化目标和H_(∞)性能条件,构建基于零和博弈的最优H_(∞)设计框架。最后,通过对干扰抑制水平的约束,并求解满足H_(∞)一致性的线性矩阵不等式,设计最优一致性控制器。采用4个不间断电源的控制问题作为仿真对象,Matlab仿真结果表明,相比于未对状态重构和未对参数约束的设计方法,本设计方案可使得多智能体ICPS在双通道DoS攻击下达到一致的时间更短,且具有良好的相对稳定性。

DoS攻击下抛物型多智能体系统的输出反馈领导-跟随一致性

为了解决抛物型多智能体系统(MASs)在拒绝服务(DoS)攻击下的一致性问题,提出了一种基于输出反馈方法的MASs领导-跟随一致性控制协议来应对恶意攻击者发起的DoS攻击,从而实现智能体在无向通信拓扑图上的领导-跟随一致性。对DoS攻击的频率和持续时间进行了分析,利用Lyapunov稳定性定理推导了抛物型偏微分系统的稳定条件,证明了触发时间间隔不为零,避免了芝诺行为的发生,并通过仿真算例验证了理论结果的有效性。

抗拜占庭攻击的隐私保护联邦学习

联邦学习是一种隐私保护的分布式机器学习框架,可以让各方参与者在不披露本地数据的前提下共建模型.然而,联邦学习仍然面临拜占庭攻击和用户隐私泄漏等威胁.现有研究结合鲁棒聚合规则和安全计算技术以同时应对上述安全威胁,但是这些方案难以兼顾模型鲁棒性与计算高效性。针对此问题,本文提出一种抗拜占庭攻击的隐私保护联邦学习框架SecFedDMC,在保护用户数据隐私的条件下实现高效的拜占庭攻击检测与防御.基础方案FedDMC采用“先降维后聚类”的策略,设计了高效精准的恶意客户端检测方法.此外,该方法利用的随机主成分分析降维技术和K-均值聚类技术主要由线性运算构成,从而优化了算法在安全计算环境中的适用性。针对基础方案存在的用户数据隐私泄露问题,提出了基于安全多方计算技术的隐私增强方案SecFedDMC.基于轻量级加法秘密分享技术,设计安全的正交三角分解协议和安全的特征分解协议,从而构建双服务器模型下隐私保护的拜占庭鲁棒联邦学习方案,以保护模型训练和拜占庭节点识别过程中的用户隐私.经实验验证,SecFedDMC在保护用户隐私的前提下,可以高效准确地识别拜占庭攻击节点,具有较好的鲁棒性.其中,本方案与最先进的鲁棒联邦学习算法相比,在CIFAR10数据集上,拜占庭攻击节点检测准确率提升12%~24%,全局模型精度提升4.45%~18.48%,计算效率提升33.21%~47.31%.

基于多智能体遗传算法的云平台抗虚假数据注入攻击方法

为确保云平台内数据传输安全,提出一种基于多智能体遗传算法的云平台抗虚假数据注入攻击方法。采用开源平台OpenStack搭建云平台,并分析云平台虚假数据注入攻击过程;以该攻击过程为基础,结合Copula函数与GAN生成对抗网络构建虚假数据注入攻击检测框架,利用Copula GAN函数模型中的判别器与生成器对云平台原始量测数据进行对抗训练,再采用极端随机树分类器检测虚假数据,判断云平台中是否存在虚假数据注入攻击情况;利用三层攻防博弈模型防御云平台中的虚假数据注入攻击,同时由该模型为各条数据传输线路分配防御资源,并设置对应的约束条件;采用多智能体遗传算法对模型进行优化求解,完成云平台虚假数据注入攻击目标防御。实验结果表明,该方法可以精准检测云平台虚假数据并及时采取防御措施,具备较强的抗虚假数据注入攻击能力。

基于深度强化学习的多攻角翼型流动控制研究

针对弱湍流条件下大攻角翼型产生的流动分离现象,采用柔性演员评论家(Soft Actor-Critic,SAC)深度强化学习(Deep Reinforcement Learning,DRL)算法训练神经网络,并对其进行闭环主动流动控制策略研究。在复杂环境下,通过增添零质量射流约束,采用三射流进行优化策略研究,获得不同攻角条件下的平均阻力系数。结果表明:使用DRL训练得到的策略控制射流速度,可以高效抑制翼型流动分离;在单射流控制、翼型攻角分别为10°、13°、15°时,平均阻力系数分别减少25%、15.3%、11.7%;在大攻角条件下,基于DRL的主动流动控制方法具有良好的效果,验证了该方法在抑制翼型流动分离中的高效性;合成射流的引入也可以使智能体寻找到更好的控制策略,使阻力系数进一步减小。

错位多次打击下UHPC靶体损伤破坏效应的数值模拟研究

基于LS-DYNA三维数值建模方法和修正的Kong-Fang混凝土材料模型,考虑多次打击时弹着点的二维正态分布规律,开展了某弹体错位多次打击下超高性能混凝土靶损伤破坏效应的数值模拟研究。首先对已有弹体先侵彻后爆炸一次打击试验进行了数值模拟,验证了数值建模方法和材料模型参数选取的准确性。在此基础上,开展了10组(圆概率误差(circular error probable,CEP)为3 m时5组,CEP为1 m时5组,每组随机生成3个弹着点)错位多次打击工况的数值计算,探讨了CEP和打击次数对靶体损伤破坏与侵彻深度的影响。数值模拟结果表明:第1枚弹体侵彻后的后续计算过程中,损伤演化均沿第1枚弹体侵彻后的材料损伤区域继续发展,随着打击次数增加,侵彻深度逐渐增加;当多次打击过程的CEP相同时,考虑爆炸工况时计算的侵彻深度比不考虑爆炸工况时大;CEP越小,相对侵彻深度越大,当CEP为1 m时,相对侵彻深度约为1.7,当CEP为3 m时,相对侵彻深度约为1.2。研究结果表明,在多次打击下,现有防护设计规范中遮弹层厚度的设计方法偏危险。

基于ARO-MKELM的微电网攻击检测

智能电网的复杂性和开放性使其在信息交换时更易受到网络攻击的威胁。目前大多数检测方法只关注检测攻击的存在性,不能确定受到攻击的分布式电源的具体位置,导致无法快速将被攻击的分布式电源隔离,继而造成严重的损失。提出一种基于人工兔群优化算法优化多核极限学习机的交流微电网虚假数据注入攻击检测方法。在传统极限学习机中引入组合核函数以提升检测模型的学习能力和泛化能力,并采用具有强全局搜索能力的人工兔群优化算法优化多核极限学习机的核函数参数及正则化系数,进一步提升检测模型的检测精度。利用非训练样本内幅值为55和95的阶跃攻击信号进行仿真验证,检测准确率范围分别达到了(93.44~94.64)%和(98.11~99.23)%,与其他检测模型进行对比分析,验证了所提方法的优越性。

多源-多离子耦合作用下水泥胶砂硫酸盐腐蚀机理

硫酸盐渍土地区现浇结构广泛存在多源-多离子耦合腐蚀,利用砂浆内掺Mg^(2+)、Cl^(-)以及SO_(4)^(2-)并置于不同的腐蚀环境中,在腐蚀期间分别测定试样的孔隙分布、质量、尺寸以及不同深度硫酸盐浓度的变化,同时测定了抗折、抗压强度的演变规律。采用扫描电镜-能谱分析(SEM-EDS)、X射线衍射(XRD)及热重分析(TG-DTG)等方法观测试样微观结构及矿物成分变化。试验结果表明,内源腐蚀增加了试样的有害孔含量,加速了腐蚀进程;内源腐蚀对试样抗折强度的发展具有明显的不利影响,较无内源腐蚀试样抗折强度降低了50%~67%;内源Mg^(2+)严重影响了硫酸盐环境中试样抗折强度的发展,试样的抗折强度仅为无腐蚀组的4.4%;试样表层的Mg^(2+)缓解了有害孔隙含量增加趋势,对内部结构具有一定的保护作用。

面向物联网僵尸网络多阶段攻击的异常流量检测方法

针对如何从海量的网络流量数据中高效检测出物联网僵尸网络多阶段攻击行为,提出了一种基于多尺度混合残差网络(Multi-scale Hybrid Residual Network,MHRN)的物联网僵尸网络攻击检测(IoT Botnet Attack Detection based on MHRN,IBAD-MHRN)方法。首先,为了减少检测模型的计算参数,在数据预处理中提出基于方差阈值法的特征选择(Feature Selection based on Variance Threshold,FS-VT)算法;其次,采取一种将数据样本转换为图像样本的数据图像化处理策略,充分挖掘深度学习模型的潜能;然后,为了弥补传统僵尸网络检测模型表征能力有限的不足,提出了一种基于多尺度混合残差网络的物联网僵尸网络多阶段攻击检测模型,该模型通过混合方式融合了不同尺度深度提取的特征信息,再通过残差连接消除网络加深造成的网络退化影响;最后,集成上述模型和算法,进一步提出了一种物联网僵尸网络攻击检测方法IBAD-MHRN。实验结果表明,IBAD-MHRN方法的检测准确率和F1值均达到了99.8%,与表现较好的卷积神经网络方法相比在准确率和F1值上分别有0.14%和0.36%的提升,能够有效且高效地检测物联网僵尸网络多阶段攻击。

混凝土硫酸盐侵蚀化学热力学和多尺度研究进展

总结了混凝土硫酸盐侵蚀在基于化学热力学理论、微观-细观结构分析、宏观性能、多尺度分析与建模等方面的研究成果,指出现有研究多基于微观、细观和宏观的单一尺度分析混凝土硫酸盐侵蚀性能劣化,有关混凝土硫酸盐侵蚀的跨尺度和跨层次耦合关联等方面研究极少,传统混凝土硫酸盐侵蚀损伤评价指标、表征方法和量化参数难充分反映硫酸盐侵蚀损伤的多样性。基于化学热力学和多尺度理论开展混凝土硫酸盐侵蚀损伤和动态演化研究更具现实意义。

面向后渗透攻击行为的网络恶意流量检测研究

现有的后渗透行为研究主要针对主机端进行攻击与防御反制,缺乏对流量侧的模式分析与检测方法。随着后渗透攻击框架与攻击工具的快速发展与广泛使用,基于统计特征或原始流量输入的恶意流量检测模型难以应对复杂多变场景下的后渗透攻击行为恶意流量,存在泛化能力弱、检测精度低、误报率高等问题。通过深入分析后渗透攻击恶意流量样本与正常网络流量会话流,提出后渗透攻击恶意流量的会话流级别粒度划分方法,挖掘后渗透攻击恶意流量在时间尺度上的交互行为与语义表示。引入一种基于马尔可夫模型的时间向量特征提取方法表征流序列的行为相似度,对会话流进行全局行为建模,解决单一粒度特征学习能力不足的问题,进而构建基于多粒度特征融合的后渗透攻击恶意流量检测框架。实验结果表明,该方法在后渗透攻击行为恶意流量多分类检测任务上达到了99.98%的准确率,具有较高的分类准确性与较低的误报率。

基于分布式检测与告警切换的多传感器CPS安全状态估计

针对多传感器信息物理系统(CPS)在执行器和传感器遭受隐蔽性攻击情况下的安全状态估计问题,本文提出一种基于分布式检测与告警切换的安全状态估计方法.首先,利用卡尔曼滤波器组,构建基于状态差异的残差信号,用于多传感器的分布式检测;其次,定义传感器置信因子,建立基于检测告警切换的安全状态估计框架,设计攻击情况下的攻击隔离与状态估计一体化算法;最后,利用四驱麦克纳姆轮移动机器人,搭建了多传感器CPS实验平台,并分别在零动态攻击、隐蔽攻击和重放攻击场景下进行实验验证,结果表明,本文提出的安全估计方法具有较好的可行性和有效性.

横向联邦学习后门的多方共治防范策略

联邦学习易受到基于模型替换的后门攻击。针对目前后门检测方法效果不佳的问题,提出横向联邦学习后门的多方共治防范策略,旨在建立联邦学习中心服务器与客户端共治机制,从而在不破坏数据隐私与主任务性能的前提下有效检测并防范模型中的后门。该策略涵盖浅层后门扫描、深层后门检测和模型修复等内容,均由客户端在中心服务器的协同下完成。其中,浅层后门扫描是一种轻量级的实时后门检测方案,其并不显著增加时间开销。该方案由客户端捕捉聚合后模型参数的异常变化,并向中心服务器报告。当报告数达到设定的阈值时,中心服务器启动深层后门检测,各客户端会暂停联邦学习进程,进行深度检测,以确定模型中的神经元是否受到后门攻击的影响而表现异常。若存在异常,各客户端采用良性模型与受攻击模型拼接的方法,将模型恢复至良性状态,并将深层后门检测的结果以及模型修复方案提交至中心服务器,由中心服务器决定最终修复方案,从而彻底清除后门。实验结果表明,该策略可以有效地检测并清除联邦学习模型中存在的后门,为横向联邦学习的安全运行保驾护航。

基于多特征检测与自适应权重调整的鲁棒联邦学习算法

联邦学习作为一种保护隐私的分布式机器学习范式,允许多个客户端在不泄露原始训练数据的情况下协同训练全局模型。然而,由于无法直接访问客户端本地训练数据和无法监控本地训练过程,联邦学习面临各种拜占庭攻击的威胁,如数据中毒和模型篡改攻击。这些攻击旨在扰乱联邦学习模型训练过程,降低模型性能。针对此问题,尽管已有许多研究提出了不同的聚合算法,但这些方法主要聚焦于单一拜占庭攻击场景,而忽略了实际环境中可能出现的混合拜占庭攻击所带来的威胁。为应对这一难题,受净水器的原理启发,提出了一种基于多特征检测与自适应权重调整的新型拜占庭鲁棒聚合算法FL-Sieve,旨在通过多层次的筛查过滤恶意客户端。首先,算法通过角幅相似度和模型边界测度评估客户端间的特征相似性,生成相似度矩阵并计算相似性分数;接着,利用聚类算法将相似的节点归入同一簇,以确保相似的节点能够被正确分类;随后,根据预定义规则筛选潜在良性客户端;最后,根据每个客户端的信任度智能地分配权重,进一步增强防御效果和系统鲁棒性。为了验证FL-Sieve的性能,实验利用了MNIST,Fashion-MNIST和CIFAR-10这3种数据集,考虑了Non-IID数据分布情景和混合拜占庭攻击场景。混合拜占庭客户端的数量从20%递增到49%,以模拟大规模混合拜占庭客户端攻击的场景。同时也对FL-Sieve在IID和Non-IID数据分布以及单攻击场景下的性能进行了测试。实验结果表明,FL-Sieve能够有效抵御不同场景下的拜占庭攻击,即使在高达49%的混合拜占庭客户端攻击下,FL-Sieve依然能够维持较高的主任务准确率。相比之下,几种现有的经典算法存在不同程度的失效,凸显出FL-Sieve的优势。

基于改进NSGA-III算法的多无人机协同目标分配

武器-目标分配问题是战场环境下无人机对敌方执行打击任务的关键,其目的是基于目标的威胁、价值和我方武器的毁伤概率,寻找合理的武器目标分配方案,以提高作战效率。针对当前多目标优化算法解决静态武器-目标分配问题时收敛速度慢、收敛稳定性差,难以适应当前战场高度实时性的问题,提出一种改进的基于参考点的非支配排序遗传算法。通过二进制编码打击方案并优化初始种群,引入自适应变异与交叉策略以及种群寻优更新策略,基于对战场态势进行评估得到的威胁矩阵和优势矩阵,种群多次迭代后生成目标打击方案。最后计算满足约束条件的Pareto解集,并将Pareto前沿中的相对最优解作为多无人机的打击方案。多次实验证明,在较好情况下改进算法相比于原始算法的收敛时间减少46.74%,目标威胁值降低50.5%,总飞行航程减少26.46%,杀伤目标数增加11.76%,证明该算法在解决多无人机空对地打击任务目标分配问题时具有合理性和高效性。

基于改进遗传算法的远程多点空中加油规划

为解决飞机在执行远程奔袭任务中多次空中加油任务规划的问题,综合考虑任务的时效性与经济性,建立多点空中加油模型。对标准遗传算法进行改进,使之具有更快的搜索速度与计算效率。将任务划分为多个阶段,使用不同方法进行加油点的选取。仿真试验结果表明,该方法可以有效解决远程奔袭任务中飞机多点空中加油任务加油点选取的问题。

基于相关特征-多标签级联提升森林的电网虚假数据注入攻击定位检测

虚假数据注入攻击严重威胁了电网安全稳定运行。由于电力量测数据维度高、特征复杂,传统攻击定位检测方法存在定位精度不足的问题。为此,提出一种基于相关特征-多标签级联提升森林的电网虚假数据注入攻击定位检测方法来精确定位电网受攻击的位置。所提方法通过融入极端梯度提升算法来增强多标签级联森林对复杂电力量测数据的拟合能力,进而识别系统各节点状态量的异常;引入“相关特征”算法来对原始电力量测数据中的高信息性特征进行提取,提升多标签级联森林的泛化能力,以获得更精确的定位检测。在IEEE-14和IEEE-57节点系统中进行仿真测试,验证了所提方法的有效性,且与其他方法相比,所提方法具有更优的准确率、查准率、灵敏度和F1分数。