分布式优化在对抗攻击下的韧性-脆弱性演变路径及崩溃机制研究

为解决分布式多智能体离散选择组合优化在对抗环境中的性能评估难题，研究人员首次系统研究了从韧性保持到脆弱性显现直至系统崩溃的动态轨迹。通过构建包含1.12亿场景的基准数据集，揭示了对抗规模、严重程度和网络位置对Pareto最优性的影响规律，为设计自修复(self-healing)容错策略提供了理论依据。

　　

随着物联网(IoT)应用的爆发式增长，从智慧城市到工业自动化领域，分布式优化技术已成为支撑大规模社会技术基础设施运行的核心手段。然而现实世界中，当部分智能体为追求自身利益而实施数据操纵时，系统优化性能将面临严峻挑战。例如在智能电网中，某些家庭可能通过篡改用电数据来维持自身热舒适性(thermal comfort)，这种对抗行为会导致能源分配失衡甚至引发大规模停电。尽管连续选择框架下的对抗优化已有研究，但离散选择组合优化(discrete-choice combinatorial optimization)领域仍存在关键空白——系统如何从保持韧性(resilience)逐步滑向崩溃(collapse)的演变机制尚未阐明。

英国利兹大学计算机科学学院(School of Computer Science, University of Leeds)的Amal Aldawsari和Evangelos Pournaras团队在《Future Generation Computer Systems》发表的研究，通过构建新型对抗模型，首次揭示了分布式优化系统在对抗条件下的动态演变规律。研究人员采用真实世界与合成数据相结合的方式，在I-EPOS¹系统框架下生成了超过1.12亿个优化场景，系统评估了对抗智能体数量、行为严重程度和网络结构位置对多目标优化性能的影响，特别关注了Pareto最优性边界的变化特征。

关键技术方法包括：1) 构建离散选择多目标优化的对抗行为模型；2) 开发支持异构智能体行为的I-EPOS系统扩展模块；3) 设计包含能源管理、投票系统和隐私保护三类真实场景的测试框架；4) 采用网络中心性指标量化对抗智能体的结构影响力。

结果分析显示：在能源优化场景中，当对抗智能体比例超过15%且位于网络介数中心性(betweenness centrality)前20%位置时，系统效率下降40%；投票数据集表明对抗行为会显著扭曲集体决策的公平性；隐私保护实验揭示了对抗攻击与信息泄露风险的非线性关系。通过建立"韧性-脆弱性-崩溃"的三阶段模型，研究首次量化了不同场景下的临界阈值。

结论部分指出，该研究为分布式系统设计了首个离散选择对抗优化基准数据集，其创新性体现在：1) 发现对抗智能体的网络位置影响力与其行为严重程度存在乘数效应；2) 确定了维持Pareto最优性的安全操作边界；3) 开发的开放源码工具实现了异构行为建模。这些成果为智慧城市基础设施的自我修复(self-healing)机制设计提供了量化依据，特别是对防范智能电网级联故障和自动驾驶系统协同决策失效具有重要应用价值。研究同时指出，未来需要进一步探索动态网络中的适应性对抗行为及其应对策略。