[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

说明书

本发明公开了一种基于深度学习的多智能体系统一致性攻击方法及系统，方法包括步骤：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.对处理后的所有智能体进行交互迭代处理，使整个系统被拆分并且无法达到一致。本发明使用一致性攻击算法对一致性算法中每个智能体的状态值进行影响，通过对邻居智能体每个时刻状态值的计算，让错误智能体更新自己的状态值，并往不同方向进行更新，从而影响正确节点的状态值，最终使整个系统被拆分并且无法达到一致。

技术领域

本发明涉及多智能体系统技术领域及深度学习技术领域，尤其涉及一种基于深度学习的多智能体系统一致性攻击方法及系统。

背景技术

近年来，随着多智能体技术的不断发展，多智能体系统在现实生活与科技领域中也被广泛应用，作为一个流行且成熟的研究领域，多智能体系统通过安排多个智能体，每个智能体都具备观察环境和交流通信的能力，这些智能体会以集中或分布式的方法完成共同的任务。由于多智能体的自主性、鲁棒性和协作性，其被广泛应用与多个领域，例如航空航天、物联网、分布式人工智能。然而，一些智能体可能受到外部攻击或者内部障碍等影响表现异常，这些故障模型可能会给系统带来很多负面影响，因此容错共识问题受到广泛的关注，其中最近提出的Q一致性算法效果显著，对拓扑要求小，且收敛速度快。

多智能体一致性研究成为热点的同时，由于需要考虑一致性方法的普适性，对多智能体系统一致性的攻击方法研究也显得尤为重要，在一致性攻击方法的应用和验证下，有助于了解一致性方法的缺陷并加以改善。基于此，本发明提出了一种基于深度学习的拆分多智能体系统一致性攻击方法及系统，本发明从攻击方法入手，使得Q一致性算法在该模型下失效。

发明内容

本发明的目的是针对现有的一致性算法，提出一种基于深度学习的多智能体系统一致性攻击方法及系统。

为了实现以上目的，本发明采用以下技术方案：

一种基于深度学习的多智能体系统一致性攻击方法，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并且无法达到一致。

进一步的，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)。在本发明中，若节点i为节点j的邻居，则节点j为节点i的邻居，且一定存在一个节点，从该节点到其它任何节点的路径都存在。

进一步的，步骤S2具体包括：

S21.训练所需要的数据集，包含训练集和测试集，具体优选为：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；

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。