CN119292063A 一种fdi攻击下多智能体系统的事件触发迭代学习一致性控制方法 （青岛科技大学）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN119292063A(43)申请公布日2025.01.10

(21)申请号202411404250.1

(22)申请日2024.10.10

(71)申请人青岛科技大学

地址266000山东省青岛市崂山区松岭路

99号

(72)发明人林娜池荣虎彭慧明

(74)专利代理机构青岛汇智海纳知识产权代理有限公司37335

专利代理师刘晓

(51)Int.CI.

G05B13/04(2006.01)

权利要求书4页说明书10页附图6页

(54)发明名称

一种FDI攻击下多智能体系统的事件触发迭代学习一致性控制方法

(57)摘要

CN119292063A本发明公开一种FDI攻击下多智能体系统的事件触发迭代学习一致性控制方法，属于智能控制领域。本发明所提出的技术方案如下：建立输出序列的自回归模型，并考虑在前m次迭代训练预测模型参数；在m次迭代后，加入攻击检测和补偿机制；基于拓扑结构信息，以状态转移迭代动态线性化技术得到一致性误差εk,;(t+1)与多滞后输入向量uk,;(t)之间的线性参数化模型；设计参数估计器和迭代学习控制律；为了减少网络通信资源，建立事件触发机制模型。本发明公开的一种FDI攻击下多智能体系统的事件触发迭代学习一致性控制方法，针对攻击后系统增加相应的

CN119292063A

建立多智能体系统的输出预测模型

建立多智能体系统的输出预测模型

在m次迭代后，建立FDI攻击检测和补偿机制

基于拓扑结构信息，构建智能体一致性误差的线性参数化模型

构建多智能体系统的分布式迭代学习控制器

构建多智能体系统的事件触发条件

构建系统的整体控制方案

S1

S2

S3

CN119292063A权利要求书1/4页

2

1.一种FDI攻击下多智能体系统的事件触发迭代学习一致性控制方法，其特征在于，所述方法包括以下步骤：

S1、在前m次迭代，建立多智能体系统的输出预测模型；

S2、在m次迭代后，建立FDI攻击检测和补偿机制；

S3、基于拓扑结构信息，构建多智能体系统一致性误差的线性参数化模型；

S4、设计多智能体系统的分布式迭代学习控制器；

S5、构建多智能体系统的事件触发条件；

S6、构建系统的整体控制方案。

2.根据权利要求1所述方法，其特征在于，步骤S1中所述的在前m次迭代，建立多智能体系统的输出预测模型为：

,(t+1)=Φ,(t),;(t)(1)

(2)

其中，

k表示迭代次数；

j∈{1,2,...,N}表示智能体的编号；

t∈{0,1,…,T}表示离散时间，T是一个正整数；

k,;(t+1)∈R表示第k次迭代t+1时刻第j个智能体的预测输出；

Φ,;(t)=[vk,;(t),…,y.,;(t-np+1)]∈R’;

n,为正整数；

Yk,;(t)∈R表示第k次迭代t时刻第j个智能体的系统输出；

δ表示一个正的权重系数；

IⅡ·|表示向量的二范数运算符；

θ,(t)表示智能体j在t时刻对0,;(t)的估计；

0R,j,s=1,,n,,表示智能体j第k次迭代向前第s个时刻输出值的系数，

θ.;(t)=[0;(t),…,0“”;(t)]∈R”;

a∈[0,1]是步长因子，使得算法(2)更具一般性。

3.根据权利要求1所述方法，其特征在于，步骤S2所述的在m次迭代后，建立FDI攻击检测和补偿机制，主要包括以下步骤：

步骤1、根据预测输出，;(t+1),设计注入攻击检测方案：

h,(t+1)=yA.,(t+1)-V.,;(t+1)(3)

其中，Y.,(t+1)=vk,(+1)+h,(t+1)表示受到攻击后的测量输出数据，bh.,;(t+1)表示

注入的虚假数据；h,(t+1)表示对虚假注入数据h,;(t+1)的估计；如果|à,(t+1)|h,表示

智能体遭受了攻击；攻击阈值h通常由实验或者专家经验获得。

CN119292063A权利