Resilient Estimation and Control on $k$-Nearest Neighbor Platoons: A Network-Theoretic Approach
本文关注的是所谓的$k$ -最近邻智能车辆排,其中每辆车与$k$车辆,在前面和后面的网络理论的属性。本文分析的网络理论属性在量化三种通用分布式估计和控制算法对通信故障和干扰的弹性和鲁棒性方面发挥了重要作用,即弹性分布式估计,弹性分布式共识和鲁棒网络形成。基于$k$ -最近邻排的连通性措施的结果,我们表明,扩展传统的排队拓扑结构(这是基于与最近邻的互动),以$k$ -最近邻排增加了弹性的分布式估计和控制算法的通信故障和干扰。最后,我们讨论了每个算法的性能如何与车队的规模。
2018-03-05 math.OC
Algorithms for Optimal Topology Design, Placement, Sizing and Operation of Distributed Energy Resources in Resilient Off-grid Microgrids
偏远社区的配电往往依赖于离网微电网。为了解决这些微电网的可靠性的挑战,我们开发了一个数学模型的拓扑设计,容量规划,并在微电网中,包括N-1安全分析的分布式能源的操作。由于最优化问题的大小令人望而却步,我们开发了一个滚动时域算法,该算法与基于递归的分解相结合,以有效地解决该模型。我们证明了我们的算法的效率,适应IEEE测试网络和一个真正的网络从阿拉斯加微电网。我们还比较了我们的模型所需的解决方案的时间与商业求解器和最近开发的分解算法来解决类似的问题。
2018-06-06 math.OC
On the Geometric Convergence of Byzantine-Resilient Distributed Optimization Algorithms
本文提出了一个通用的拜占庭弹性分布式优化算法框架,分析了其几何收敛速率,并揭示了收敛区域、智能体值距离、步长与函数性质之间的关系。
2024-12-25 cs.MA math.OC
Resilient Coordination of Networked Multiagent Systems Based on Distributed State Emulators
本文研究了存在行为不端的代理时网络多代理系统的弹性协调,即,代理人受到对手建模为外源干扰。除了现有的相关文献,作出具体的假设图的拓扑结构和/或部分行为不端的代理,我们提出了一个适应控制架构的基础上分布式状态仿真器,并表明,标称网络多智能体系统的行为可以检索,即使所有的代理行为不端。
2014-03-16 math.DS math.OC
Resilient Distributed Recovery of Large Fields
本文研究了弹性分布式恢复测量攻击下的大型字段,由一个团队的代理,其中每个措施的一个小的子集的组件的一个大的空间分布的字段。对手破坏了一些测量结果。代理合作处理他们的测量结果,每个人都只对恢复一小部分字段感兴趣。我们提出了一个字段恢复共识+创新类型的分布式算法,是弹性的测量攻击,其中代理维护和更新本地状态的基础上,其邻居的状态和自己的测量。在攻击者和通信网络的连通性的充分条件下,每个代理的状态,即使是那些具有受损测量的状态,也收敛到它有兴趣恢复的场分量的真实值。最后,我们通过数值例子说明我们的算法的性能。
2019-10-19 cs.MA math.OC
Resilient Distributed Optimization
本文考虑了一个分布式最优化问题中存在的拜占庭代理能够引入不可信的信息到通信网络。提出了一种基于图冗余和目标冗余的弹性分布式次梯度法。在适当的假设下,该算法使所有非拜占庭智能体的状态渐近收敛到同一最优点。还提供了部分收敛速度结果。
2023-03-20 cs.SY eess.SY math.OC
Attack-resilient Estimation of Switched Nonlinear Stochastic Cyber-Physical Systems
研究了一类随机噪声下切换非线性系统的抗攻击估计问题。系统同时受到信号攻击和切换攻击的威胁。将该问题转化为隐模切换系统的状态、攻击向量和模式的联合估计问题。我们提出了一种估计算法,它是由一个银行的状态和攻击向量估计器和模式估计器。模式估计器基于由获得的输出和预测的输出之间的差异引起的模式的后验概率来选择最可能的模式。我们正式分析了与真实模式相关的估计器的估计误差的概率稳定性时,隐藏模式是时不变的,但仍然未知。对于隐模切换线性系,我们讨论了一种降低由未知信号攻击位置引起的计算复杂性的方法。最后,我们提出了数值模拟上的IEEE 68节点测试系统显示的估计性能随时间变化的模式与常规模式集和减少模式集。
2017-05-08 math.OC
Disturbance-resilient Distributed Resource Allocation over Stochastic Networks using Uncoordinated Stepsizes
研究了多智能体系统中的分布式资源分配问题,其中所有智能体在随机通信网络上合作最小化它们的费用函数之和.这个问题出现在许多实际领域,如智能电网中的经济调度,任务分配,机器人控制中的功率分配。现有的大多数工作不能收敛到最优解,如果状态偏离可行域,由于环境噪声,误操作,恶意攻击等造成的干扰,为了解决这个问题,我们提出了一种分布式偏差跟踪资源分配算法,并证明了它线性收敛到最优解与常数步长。我们进一步探讨了所提出的算法的弹性特性。最重要的是,在干扰注入和随机通信故障的情况下,算法仍然收敛到最优解。为了提高算法的收敛速度,建立了最快收敛速度的最优步长。我们还证明了该算法的线性收敛到最优解的均方,即使与不协调的步长,即,允许代理采用不同的步长。仿真结果验证了理论分析的正确性。
2021-04-25 math.OC
Byzantine-Resilient Multi-Agent Distributed Exact Optimization with Less Data
研究了分布式多智能体在f-total拜占庭攻击下的弹性最优化问题。与以往的拜占庭弹性多智能体精确最优化问题的工作相比,我们不要求通信拓扑是全连通的。在费用函数冗余的情况下,基于强凸全局费用和Lipschitz连续梯度的传统假设,提出了分布式比较梯度消去弹性优化算法.在该算法下,我们成功地证明了,如果每个正常智能体的内邻个数大于某个常数,且参数f满足一定的条件,则所有正常智能体对全局变量的局部估计最终会达到一致并收敛到最优解。最后通过数值实验成功地验证了结果的正确性。
2023-03-28 cs.SY eess.SY math.OC
Attack-resilient Estimation for Linear Discrete-time Stochastic Systems with Input and State Constraints
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出了一种针对具有状态和输入约束的线性离散时间随机系统的攻击鲁棒估计算法,证明所提出的估计算法的状态估计误差在实践中指数稳定。
2019-03-19 cs.SY eess.SY math.OC
A Resilient Convex Combination for consensus-based distributed algorithms
Purdue University(普渡大学)
本文提出基于凸包交集的鲁棒凸组合方法,用于应对分布式算法中的拜占庭攻击,相比Tverberg点方法具有更低的计算复杂度。
2018-07-10 cs.SY eess.SY math.OC
Resilient Federated Learning under Byzantine Attack in Distributed Nonconvex Optimization with 2-f Redundancy
针对分布式非凸优化中拜占庭攻击导致联邦学习求解精度不足的问题,提出带比较消除(CE)滤波器的局部梯度下降法,证明其在非凸场景下的收敛性并通过数值模拟验证。
2023-12-15 math.OC
Resilient Primal-Dual Optimization Algorithms for Distributed Resource Allocation
在许多网络物理系统中,分布式多代理资源分配算法可以提供集中式算法的隐私性和可扩展性。然而,这些算法的分布式性质可能使这些系统容易受到中间人攻击,这可能导致资源分配方案的不收敛和不可行性。在本文中,我们提出了攻击弹性分布式算法的基础上原始对偶优化拜占庭攻击者存在于系统中。特别是,我们设计了攻击弹性的原始对偶法的静态和动态模拟攻击的鲁棒统计。对于静态模仿攻击,我们制定了一个鲁棒的最优化模型,并表明我们的算法保证收敛到鲁棒问题的最优解的邻域。另一方面,一个强大的最优化模型是不需要的动态模拟攻击的情况下,我们能够设计一个算法,收敛到一个接近最优解的原始问题。我们分析了我们的算法的性能,通过理论和计算研究。
2020-09-15 cs.SY eess.SY math.OC
Resilient Optimal Estimation Using Measurement Prior
研究了测量向量受到对抗性代理任意破坏的线性系的最优估计问题。这个问题与网络物理系统有关,由于物理,通信和计算的紧密耦合,恶意代理能够利用多个固有的漏洞,以便将隐形信号注入测量过程。这些恶意信号被计算以服务于引起虚假态势感知和/或触发导致最终系统故障的级联效应序列的攻击目标。我们假设攻击者只能同时危害一部分而不是全部测量通道。然而,一旦信道被破坏,攻击者可以自由地任意修改相应的测量。因此,该问题被公式化为具有附加先验信息模型的压缩感知问题。所考虑的先验信息是对测量向量的集合包含约束。它表明,如果先验集满足一定的条件,由此产生的恢复误差界是更强。将该方法应用于电力系统弹性状态估计问题。对于这个应用程序,高斯过程是用来建立一个先验生成的概率回归模型,从历史数据。由此产生的高斯过程回归模型递归地将能源市场信息映射到相关系统测量的\emph{iid}高斯分布。基于优化的弹性状态估计器,然后开发使用重新加权$\ell_1$ -最小化计划。所开发的算法进行评估,通过数值模拟的IEEE 14节点系统映射到纽约独立系统运营商(NYISO)的网格数据的例子。
2019-08-08 math.OC
Reputation-Based Byzantine-Resilient Vector Consensus without Prespecified Fault Bounds
Loughborough University(拉夫堡大学);East China University of Science and Technology(华东理工大学);University of Victoria(维多利亚大学)
本文提出一种容错共识框架,通过主动识别拜占庭节点和保证正常节点的容错共识。该方法嵌入主动声誉学习机制,利用稳健损失函数和历史信息评估邻居行为,构建概率单纯形上的声誉向量,从而提升共识状态和拜占庭识别能力。
2026-09-18 math.OC
Attack-Resilient H2, H-infinity, and L1 State Estimator
研究了稀疏传感器完整性攻击下噪声系统的安全状态估计问题。我们展示了一个基本的限制:即,2 r-可检测性是实现有界估计误差所必需的,其中r是攻击的数量。这个条件比文献中通常假设的2 r-可观测性条件弱。相反,我们提出了一个实时的状态估计器,实现的基本限制。建议的状态估计器的灵感来自鲁棒控制和FDI:即,它包括本地Luenberger估计器,本地残差检测器,和一个全球融合过程。我们展示了它对H2,H-无穷大和L1系统的性能保证。最后,数值例子表明,它有相对较低的估计误差在现有的算法和平均计算时间的系统与足够少的妥协的传感器。
2018-03-19 math.OC
Attack-Resilient Distributed Convex Optimization of Linear Multi-Agent Systems Against Malicious Cyber-Attacks over Random Digraphs
研究了随机有向图上异构线性多智能体系统在拒绝服务攻击下的弹性指数分布凸优化问题.随机有向图是由不可靠的网络引起的,而允许非周期性发生的DoS攻击是指智能对手中断通信信道。与现有的许多分布式凸优化算法相比,在网络环境下,由于网络环境的不利影响,可能无法得到全局最优解,从而导致优化算法性能下降甚至失效。上述设置对优化算法设计和指数收敛分析提出了某些技术挑战。在这项工作中,提出了几个弹性算法,使一个团队的代理最小化的总和,当地的非二次费用函数在一个安全可靠的方式与全球指数收敛。受[15]-[18]中的初步工作的启发,研究了对攻击频率和持续时间的显式分析,以保证指数最优解。数值模拟结果证明了所提出的设计的有效性。
2021-05-06 cs.SY eess.SY math.OC
ByRDiE: Byzantine-resilient distributed coordinate descent for decentralized learning
Rutgers University–New Brunswick(罗格斯大学新布朗斯维克分校)
分布式机器学习算法使得能够从分布在网络上的数据集学习模型,而无需在集中位置收集数据。虽然在无故障网络的假设下已经开发出了高效的分布式算法,但在现实世界中经常会发生使这些算法无法正常工作的故障。本文重点研究分布式算法中最难防范的拜占庭故障问题。虽然拜占庭容错有着丰富的历史,但现有的工作并没有转化为在完全分布式(也称为分散式)设置中进行高维学习的有效和实用的算法。在本文中,一个算法称为拜占庭弹性分布式坐标下降(ByRDiE)的开发和分析,使分布式学习中存在拜占庭故障。理论分析(凸设置)和数值实验(凸和非凸设置)突出了其有用的高维分布式学习拜占庭故障的存在。
2019-07-05 cs.DC cs.LG math.OC
On the Impacts of Redundancy, Diversity, and Trust in Resilient Distributed State Estimation
本文研究了易受攻击环境下线性动态过程的分布式状态估计问题。最近试图解决这个问题强加了严格的冗余要求的测量和网络的通信资源。在本文中,我们采取了一个步骤,以减轻这种严格的要求,探索两个互补的方向:(i)使一小部分的节点免疫攻击,或“可信”,(ii)将多样性纳入网络。我们定义了图论的结构,正式捕获冗余,多样性和信任的概念。基于这些结构,我们开发了一个弹性估计算法,并证明了即使是相对稀疏的网络,无论是表现出节点多样性,或包含一个小的子集的可信节点,可以作为更密集的网络对抗性攻击的弹性。最后,在网络设计预算有限的情况下,我们重点研究了(i)选择一组可信节点和(ii)分配多样性的复杂性,以达到所需的鲁棒性水平。不幸的是,我们确定这些问题中的每一个都是NP完全的。
2020-01-20 cs.SY eess.SY math.OC
Personalized and Resilient Distributed Learning Through Opinion Dynamics
University of Padova(帕多瓦大学);Delft University of Technology(代尔夫特理工大学)
本文提出结合分布式梯度下降与意见动态模型的算法,以实现分布式学习中的个性化和鲁棒性,通过参数调整控制学习过程的个性化与鲁棒性,实验验证其在合成和实际任务中的有效性。
2025-12-22 cs.LG cs.MA eess.SP
Byzantine-Resilient Distributed Optimization of Multi-Dimensional Functions
针对多维凸分布式优化中的拜占庭攻击问题,提出含距离过滤与逐分量过滤的容错算法,可在未知攻击者身份时容忍每节点至多 F 个恶意邻居并保证渐近收敛至全局最优附近。
2024-03-04 cs.MA math.OC
Constrained Attack-Resilient Estimation of Stochastic Cyber-Physical Systems
针对随机网络物理系统,提出了一种约束抗攻击估计算法(CARE)。CARE算法能够同时估计出系统的状态和攻击信号。它提高了估计精度和攻击检测性能时,物理约束和操作限制。特别地,CARE被设计用于同时输入和状态估计,提供最小方差无偏估计,并且这些估计随后被投影到由不等式约束限制的约束空间上。我们证明了估计误差和他们的协方差从CARE是小于那些从无约束的算法,并确认这一属性可以进一步降低攻击检测的漏报率。我们证明了CARE的估计误差实际上是指数稳定的均方。最后,一个说明性的例子,对车辆的攻击,以证明提高估计精度和检测性能相比,现有的无约束算法。
2022-10-11 cs.SY eess.SY math.OC
Resilient Set-based State Estimation for Linear Time-Invariant Systems Using Zonotopes
研究了时变传感器攻击下线性时不变系统基于集合的状态估计问题。只要LTI系统是稳定的且可通过每个传感器观察到的,并且至少有一个传感器未受到损害,我们就保证真实状态始终包含在估计集中。为了提高计算效率,我们使用zonotopes来表示这些集合。然而,我们表明,智能设计的隐形攻击可能会导致算法的最坏情况下的复杂性呈指数增长。我们提出了几种策略来处理这个复杂性的问题,并说明我们的弹性zonotope-based状态估计算法的旋转目标系统。
2022-11-15 cs.CR cs.SY eess.SY
On the Design of Resilient Distributed Single Time-Scale Estimators: A Graph-Theoretic Approach
本文提出一种基于图论的弹性分布式单时间尺度估计器设计方法,通过放宽网络连通性要求并避免内部共识循环以降低通信负载,同时基于$q$-节点和$q$-链路连通性定义,证明了在最多$q$个传感器或通信链路故障时的Schur稳定性。
2025-05-03 cs.DC cs.MA cs.SY
Towards Resilient Tracking in Autonomous Vehicles: A Distributionally Robust Input and State Estimation Approach
University of New Mexico(新墨西哥大学)
本文提出一种分布鲁棒的输入和状态估计方法,用于提高自动驾驶车辆在模型不确定性和测量异常情况下的鲁棒跟踪性能。
2025-04-14 cs.SY eess.SY math.OC
Byzantine-Resilient Distributed P2P Energy Trading via Spatial-Temporal Anomaly Detection
本文提出一种基于时空异常检测的拜占庭容错分布式P2P能源交易方法,通过张量学习检测恶意故障,并给出闭式解及最优性收敛性条件,仿真验证其有效性与可扩展性。
2025-05-26 cs.SY eess.SY math.OC
Switching and Data Injection Attacks on Stochastic Cyber-Physical Systems: Modeling, Resilient Estimation and Attack Mitigation
Arizona State University(亚利桑那州立大学);Pennsylvania State University(宾夕法尼亚州立大学);Swiss Federal Institute of Technology (ETH)(瑞士联邦理工学院(苏黎世联邦理工学院))
本文研究在随机过程中和测量噪声存在下,如何通过多模型推理算法实现鲁棒状态估计,以应对切换机制攻击和传感器信号注入攻击,并讨论攻击检测与缓解方法。
2017-07-22 cs.CR cs.SY eess.SY
Byzantine Resilient Non-Convex SVRG with Distributed Batch Gradient Computations
在这项工作中,我们考虑了分布式随机最优化问题的最小化非凸函数$f(x) = \mathbb{E}_{ξ\sim \mathcal{D}} f(x; ξ)$在对抗设置,其中个别功能$f(x; ξ)$也可以是潜在的非凸的。我们假设最多$α$ -全部$K$节点的一部分可以是拜占庭。我们提出了一个强大的随机方差降低梯度(SVRG)的问题,其中批量梯度计算在工人节点(WN)和随机梯度计算在服务器节点(SN)的算法。对于非凸优化问题,我们证明了我们需要在每个节点(SN和WN)上平均计算$\tilde{O}\left( \frac{1}{ε^{5/3} K^{2/3}} + \frac{α^{4/3}}{ε^{5/3}} \right)$梯度,以达到$ε$ -稳定点。该算法通过设计一个新的拜占庭过滤规则,这是独立的问题的维数,保证收敛。重要的是,我们捕获的拜占庭节点的分数$α$存在于网络上的算法的收敛性能的影响。
2019-12-10 cs.DC cs.MA math.OC
Resilient Nash Equilibrium Seeking in the Partial Information Setting
目前的研究在分布式纳什均衡(NE)寻求在部分信息设置假设,信息是“真实”的代理之间进行交换。然而,在一般的非合作对策代理可能会考虑发送错误的信息,以进一步降低其成本的目标,邻近的代理。此外,通信网络容易受到游戏外代理的攻击以及通信故障。在本文中,我们提出了一种分布式NE搜索算法,该算法对传输噪声,随机信号,恒定信号,欺骗性消息的敌对代理具有鲁棒性,并且对诸如掉线通信,干扰信号和中间人攻击等外部因素具有弹性。使问题具有挑战性的核心问题是,代理人没有办法验证他们收到的信息是否正确,即没有“地面真相”。为了解决这个问题,我们使用了一个观察图,它给出了真实的动作信息,结合一个通信图,它给出了(可能不正确的)信息。通过过滤从这两个图中获得的信息,我们表明,我们的算法是弹性对抗代理和收敛到纳什均衡。
2021-11-26 math.DS math.OC
Distributed Allocation and Resource Scheduling Algorithms Resilient to Link Failure
Semnan University(塞姆南大学);University of Lisbon(里斯本大学)
针对链路故障、丢包、时延和间歇连通问题,提出基于图论与网络渗流理论的弹性分布式资源分配算法,保证全程可行、鲁棒收敛并在一致连通网络下达到最优。
2025-10-21 cs.DC cs.MA cs.SY
Byzantine-Resilient Non-Convex Stochastic Gradient Descent
Microsoft Research Redmond(微软雷德蒙德研究院);University of Waterloo(滑铁卢大学);IST Austria(奥地利科学技术研究所)
我们研究了对抗弹性随机分布式优化,其中$m$机器可以独立地计算随机梯度,并合作共同优化其局部目标函数。然而,$α$ -一小部分机器是$\textit{Byzantine}$,因为它们可以以任意的、对抗的方式行为。我们考虑在具有挑战性的$\textit{non-convex}$情况下,这种程序的变体。我们的主要结果是一个新的算法SafeguardSGD,它可以证明逃逸鞍点,并找到近似的局部极小的非凸目标。该算法是基于一个新的浓度过滤技术,其样本和时间复杂度界匹配的随机,分布式设置时,没有拜占庭机器的最佳已知的理论界。我们的算法非常实用:它在训练深度神经网络时提高了所有现有方法的性能,它相对轻量级,并且它是第一个能够抵御两种最近提出的拜占庭攻击的方法。
2021-04-02 cs.DC cs.DS cs.LG