[发明专利]基于深度学习的多智能体系统一致性攻击方法及系统

权利要求书

1.基于深度学习的多智能体系统一致性攻击方法，其特征在于，包括步骤：

S1.构建多智能体容错一致性系统模型；

S2.对构建的系统模型通过CNN网络获取适宜攻击的两个节点；

S3.攻击选取的两个节点并采用一致性攻击算法进行更新；

S4.对经过步骤S2、S3处理后的所有智能体进行交互迭代处理，使整个系统模型被拆分且无法达到一致。

2.根据权利要求1所述的基于深度学习的多智能体系统一致性攻击方法，其特征在于，步骤S1中，构建多智能体容错一致性系统模型，其中，多智能体的拓扑结构表示为G(V,E,A)，V＝{1,2,…,n}表示智能体集合，表示智能体之间的连接关系，A表示加权邻接矩阵，由非负元素α_ij(k)组成，α_ij(k)为节点i在k时刻对节点j的权重；节点i到节点j的边存在当且仅当α_ij0，并且称这样的节点i为节点j的邻居，节点i的邻居集合称为N_i＝{j|(j,i)∈E}，且节点i在k时刻状态信息表示为x_i(k)。

3.根据权利要求2所述的基于深度学习的多智能体系统一致性攻击方法，其特征在于，步骤S2中，通过CNN选取较适合攻击的两个节点具体包括：

S21.训练所需要的数据集，包含训练集和测试集；

S22.将训练集输入至CNN模型中，训练CNN神经网络；

S23.将测试集输入至完成训练的CNN模型中，得到最终选取的进行攻击的两个节点F₁、F₂。

4.根据权利要求3所述的基于深度学习的多智能体系统一致性攻击方法，其特征在于，步骤S21具体如下：随机生成m个拓扑，计算得出这些拓扑的邻接矩阵A，每个拓扑随机赋初始值1000次，计算出每个图每个节点组合打破系统收敛一致性的成功率，神经网络的输出即为攻破系统的成功率是否大于50％的向量。

5.根据权利要求4所述的基于深度学习的多智能体系统一致性攻击方法，其特征在于，步骤S3中，攻击选取的两个节点并采用一致性攻击算法进行更新，表示为将选取的两个节点F₁、F₂作为错误节点，忽略它们之间的连接关系，状态更新采用一致性攻击算法，具体表示为：

其中，表示错误节点F₁的状态信息，表示错误节点F₂的状态信息，表示错误节点F₁的邻居节点的平均值，表示错误节点F₂的邻居节点的平均值，Δ表示为扰动，k表示第k次更新。

6.根据权利要求5所述的基于深度学习的多智能体系统一致性攻击方法，其特征在于，步骤S4中，迭代处理所有节点，正常节点依据Q一致性方法进行状态更新，表示为：

其中，i,j表示节点i,j，α_ij(k)表示节点i对节点j在k时刻的权重，ω_i(k)表示为k时刻对节点i的扰动，x_i(k)表示节点i在k时刻的状态；错误节点状态更新方式依据一致性攻击算法进行更新。

7.一种基于权利要求1-6任一项所述多智能体系统一致性攻击方法的系统，其特征在于，包括如下模块：

构建模块，用于构建多智能体容错一致性系统模型；

处理模块，用于对构建的系统模型通过CNN网络获取适宜攻击的两个节点；

攻击模块，用于攻击选取的两个节点并采用一致性攻击算法进行更新；

迭代模块，用于对处理后的所有智能体进行交互迭代处理，使整个系统模型被拆分且无法达到一致。