在干扰攻击下，针对列车间通信的弹性控制策略

《ACM Transactions on Autonomous and Adaptive Systems》：A Resilient Control Strategy for Train-to-Train Communications under Jamming Attacks

研究提出基于多智能体深度强化学习的两种抗干扰控制策略，用于缓解T2T-CBTC系统中恶意干扰对列车运行的影响。实验表明，MADDPG策略将收敛时间缩短32%-42%，MATD3策略优化后效率提升40%-48%，有效保障列车安全运行。

　　

摘要

基于通信的列车控制（CBTC）系统依赖无线通信来提高铁路运营的效率。传统的CBTC系统采用双向的列车与轨旁设备（T2W）通信方式，列车通过这种方式将自身状态信息发送给轨旁设备。而T2T-CBTC系统代表了CBTC技术未来的发展方向，它采用列车之间的通信（T2T）来实现相邻列车之间的状态信息共享。T2T通信简化了传统CBTC网络的架构，并减少了传输延迟。然而，无线通信可能给列车间的通信带来网络安全威胁。本文提出了两种针对T2T-CBTC系统的弹性控制策略，以减轻干扰的影响。这两种策略均基于多智能体深度强化学习技术，旨在在干扰攻击下控制列车的运行，使列车能够继续安全运行而无需紧急制动。一种策略基于多智能体深度确定性策略梯度（MADDPG）算法，另一种策略基于多智能体双延迟深度确定性策略梯度（MATD3）算法。这两种策略已实际应用，并与现有的基于MADDPG的策略进行了对比。实验结果表明，与基线策略相比，基于MADDPG的策略收敛时间缩短了32%至42%，而基于MATD3的策略收敛时间缩短了40%至48%。