基于双马尔可夫动态事件触发的神经网络安全同步控制研究：异步网络攻击下的新型防御策略

针对主从神经网络(MSNNs)在异步网络攻击下的安全同步问题，本研究创新性地提出由双马尔可夫过程驱动的动态事件触发机制(DMDETMs)，构建非对称Lyapunov-Krasovskii函数(LKF)，结合互反凸组合不等式和零方程法降低稳定性判据保守性。通过设计自适应马尔可夫跳跃事件触发控制器，实现了攻击场景下的高效资源利用与安全同步控制，为人工智能系统的网络安全防御提供新范式。

　　

在人工智能技术迅猛发展的今天，神经网络(NNs)作为机器学习的核心工具，已广泛应用于图像识别、自然语言处理等关键领域。然而，随着网络攻击手段的日益复杂化，神经网络的脆弱性逐渐暴露——拒绝服务攻击(DoS)会耗尽系统资源，精心设计的欺骗攻击则能诱导网络产生错误输出。更严峻的是，现有研究多局限于单一攻击类型的防御，且普遍采用不符合实际攻击特征的伯努利过程建模，这严重制约了神经网络在金融、医疗等安全敏感场景的应用。

针对这一技术瓶颈，西南民族大学的研究团队在《Neurocomputing》发表创新成果，首次将双马尔可夫过程引入网络安全领域。研究通过构建主从神经网络(MSNNs)模型，创新性地设计了双马尔可夫动态事件触发机制(DMDETMs)，该机制通过两个独立的马尔可夫跳变过程分别控制攻击策略和防御策略，大幅提升了系统对混合攻击的适应能力。理论方面，团队提出非对称Lyapunov-Krasovskii函数(LKF)，结合互反凸组合不等式和零方程法，将传统稳定性判据的保守性降低23.6%。实验数据显示，新方法在保持同步精度的同时，通信带宽消耗减少41%，为智能系统的安全防护提供了突破性解决方案。

关键技术包括：1) 建立含时变延迟τ(t)的MSNNs动态模型；2) 设计由马尔可夫过程ι_t和κ_t共同调控的DMDETMs；3) 构建含松弛矩阵的非对称LKF；4) 采用自适应马尔可夫跳跃事件触发控制器实现同步误差e(t)的渐进稳定。

主要研究结果

异步攻击模型构建
通过分析DoS攻击和两类欺骗攻击的共性特征，提出统一攻击模型。相比传统伯努利过程，双马尔可夫过程能更准确刻画攻击状态的动态转移特性，实验显示攻击检测准确率提升至92.4%。

DMDETMs机制设计
创新性地将事件触发条件与马尔可夫状态绑定，当ι_t=i时采用阈值σ_i触发通信。数值模拟表明，该机制在τ=0.1s延迟下，数据传输量较固定周期采样减少37.8%。

非对称LKF稳定性分析
通过引入松弛矩阵V^im，构建的LKF函数He[V^im]在保持稳定性的同时，决策变量减少15个，计算效率提升19.2%。在tanh激活函数条件下，获得时滞相关稳定性判据。

自适应控制器实现
设计的控制器增益K^im能随马尔可夫状态自适应调整。在τ₁=0.025s的突变延迟测试中，同步误差收敛速度加快43%，验证了方案对动态环境的适应性。

结论与展望
该研究通过理论创新和方法融合，解决了异步攻击下神经网络的同步控制难题。DMDETMs机制在C=diag{1,0.5}的测试系统中展现出显著优势，其带宽优化效果为工业物联网部署提供可能。非对称LKF的构建方法为复杂系统稳定性分析开辟新路径。未来研究可拓展至脉冲攻击场景，并探索在脑机接口安全领域的应用。这项工作不仅推动了智能控制理论的发展，更为关键信息基础设施的网络安全防护提供了原创性技术支撑。