基于人工智能和神经网络的信息物理系统估计与控制

《Internet of Things》：Neural network-based estimation and control of cyber-physical systems using artificial intelligence

　　

摘要
信息物理系统（CPS）对交通、能源和医疗等关键基础设施越来越重要，在这些领域中安全性和可靠性至关重要。然而，计算与物理过程的深度融合使得系统容易遭受智能的、具有模式感知能力的网络攻击，从而破坏系统的稳定运行。本文提出了一种具有弹性的基于神经网络的估计与控制框架，专门用于中和这些对抗性威胁。我们开发了一个由人工智能（AI）驱动的估计器，将对抗性特征视为一个潜在控制信号，利用李代数生成器重构攻击模式的无穷小结构。该估计器与一种鲁棒反馈控制律和控制障碍函数（CBF）安全滤波器集成，以确保操作连续性和安全集的前向不变性。通过基于李雅普诺夫的分析建立了所提出方法的稳定性，证明即使在强对抗压力下，系统轨迹也能达到一致最终有界性（UUB）。在高维感知流形上的仿真研究表明，该框架实现了马尔可夫攻击成功率（MASR）76.22%的绝对降低，且神经网络权重在0.65秒以内收敛。稳态MASR稳定在12.91%，与推导出的理论界一致。这些结果表明，所提出的反学习机制提供了可证明的鲁棒性裕度，为在对抗性环境中保护下一代CPS提供了一条有前景的路径。

引言
信息物理系统（CPS）是一类关键的互联系统，其中物理过程与计算和通信资源紧密集成，例如自动驾驶车辆、智能电网、工业自动化和医疗监测系统[1]，[2]，[3]，[4]。虽然CPS带来了效率、可扩展性和自主性，但它们对网络通信日益增长的依赖性使其容易遭受虚假数据注入、拒绝服务（DoS）和重放攻击等恶意网络攻击[5]，[6]，[7]，[8]。这些对抗性干扰不仅会降低性能，还可能危及安全性和稳定性，使弹性估计和控制研究成为优先事项。

经典控制技术，如比例-积分-微分（PID）控制和状态反馈控制，在正常运行条件下提供了有效的解决方案。近期的进展专门针对横向误差反馈分析，以增强自动驾驶车辆的控制[9]。此外，[10]展示了比例控制策略如何在不确定环境中调节系统行为。类似地，关于基于反馈的方法的工作[11]，[12]，[13]，[14]，[15]已经展示了弹性控制律在保持有界扰动下稳定性方面的有效性。然而，当系统动力学在对抗性条件下不可预测地演化时，这些方法往往难以适应。

近年来，神经网络（NN）在控制设计中的集成因其通用函数逼近能力而获得了关注。NN估计器已被应用于识别系统动力学[16]，[17]，[18]，补偿建模不确定性[19]，[20]，[21]，[22]，并实现非线性系统的自适应控制[23]，[24]。在控制仿射动力学之外，利用多头自注意力（MHSA）和LSTM等高级架构的智能传感框架已被证明在复杂环境中的早期威胁检测中有效，例如通过数据驱动的传感来识别勒索软件模式[25]。在网络化环境中，改良的多源共享（RMSS）策略确保在边缘服务器之间进行有效的资源分配[26]，同时位置跟踪和数据融合策略被用于在无线传感器网络中保持准确性[27]。

尽管取得了这些进展，但在开发结合主动学习与在恶意对抗场景下弹性的框架方面仍面临重大挑战。本文通过提出一种新颖的基于NN的估计与控制框架来解决这一空白。本工作的核心创新之一是将估计器输出作为攻击者的潜在描述符来处理，有效地将攻击者的估计转化为控制信号。我们不仅防御随机噪声，还利用生成器（G）来建模攻击者的模式，提供对攻击者利用的旋转和缩放等对称性的几何不变性。此外，我们通过欺骗性反馈回路引入了主动防御层，基于推断出的攻击者策略提供误导性信息，从而打破攻击者的学习过程。

本工作的核心新颖性有三方面：对抗流形的构建，将防御范式从简单的噪声拒绝转变为几何等变性；潜在攻击者控制回路，利用NN估计器输出作为战略描述符以实现主动策略适应；以及可证明的稳定性，提供了一个最终界以确保在非欧几里得流形扰动下的安全操作。这些贡献阐述如下：
•我们开发了一个基于NN的估计器，将对抗性特征视为潜在控制信号。这使得控制策略能够对攻击者的学习特征进行响应。
•我们中和了攻击者利用的几何对称性（旋转、缩放和平移）。这将防御框架从简单的基于幅度的噪声拒绝推进到流形一致的弹性。
•我们实施了一种机制来破坏攻击者的学习回路。通过将合成的系统状态注入回对抗流形，我们打破了攻击者的极小极大收敛。
•我们证明所提出的框架在智能DoS和虚假数据注入场景下，与滑动模式、卡尔曼滤波和自适应观测器控制器相比，攻击成功率降低了76.22%。

本文的其余部分结构如下。第2节回顾现有文献。第3节建立系统模型，并提供所提出的RBF-NN框架的推导和稳定性分析。第4节呈现实验结果和定量比较分析。最后，第5节提供结论性评论。

相关文献
智能CPS的进步依赖于两条交汇的研究轨迹：通过机器学习从数据中提取几何和代数结构，以及设计能够在资源约束下缓解对抗性威胁的鲁棒控制律。

系统模型与问题表述
考虑一类由以下动力学支配的非线性控制仿射CPS：
?(t) = f(x(t)) + g(x(t))u(t) + d(t) + a(t,x)，
其中x(t)∈??是状态向量，u(t)∈??是控制输入。函数f(x)和g(x)代表局部Lipschitz连续的标称系统动力学。项d(t)∈??表示外生环境扰动，而a(t,x)∈??表示未知的、智能的且依赖于状态的对抗性攻击。所提出框架的整体架构为

结果与讨论
本节呈现所提出的弹性框架的实验验证。我们评估受智能对抗攻击的系统(1)的性能。这些攻击通过生成语义上合理的欺骗信号来利用系统的几何流形，针对特定的模式识别漏洞。

结论
本文提出了一种鲁棒的基于神经网络（NN）的估计与控制框架，旨在保护信息物理系统（CPS）免受智能的、具有模式感知能力的对抗性攻击。通过将RBF-NN估计器与基于控制障碍函数（CBF）的弹性反馈集成，该框架确保了操作连续性和可证明的安全性。核心创新在于自适应权重更新律的反学习能力，它能够重构依赖于状态的

作者贡献声明
Mordecai Opoku Ohemeng：写作—审稿与编辑，写作—初稿，可视化，验证，监督，方法论，形式分析，概念化。

利益冲突声明
作者声明他们没有已知的可能影响本文工作的竞争财务利益或个人关系。

Mordecai Opoku Ohemeng
爱达荷大学工程学院计算机科学系，美国爱达荷州莫斯科