⚡ electrical engineering

Resilient Consensus-Based Target Tracking under False Data Injection Attacks in Multi-Agent Networks

本文提出了一种具有韧性的、基于共识的分布式目标跟踪算法，该算法集成了基于饱和的滤波技术和动态虚假数据注入检测机制，旨在有效抑制测量故障和对抗性攻击，同时在多智能体网络中保持估计精度和收敛速度。

原作者： Amir Ahmad Ghods, Mohammadreza Doostmohammadian

发布于 2026-08-04

📖 1 分钟阅读☕ 轻松阅读

原作者： Amir Ahmad Ghods, Mohammadreza Doostmohammadian

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，一群无人机、一支自动驾驶汽车车队，或者一组机器人正在森林中协同工作以寻找一名失踪的徒步旅行者。它们并没有一个单一的“指挥”无人机来告诉它们该去哪里；相反，它们表现得就像一群鱼，不断地与周围的邻居交流，以确定目标的方位。这就是多智能体网络（multi-agent networks）的世界——这是机器人学和工程学的一个分支，其中许多小型、简单的设备通过协作来解决大型问题。为了实现这一点，它们依赖于分布式估计（distributed estimation），这是一个高级说法，意为“让我们通过分享各自的局部线索，共同推测出答案”。但问题在于：如果其中一个邻居在撒谎怎么办？如果黑客潜入了网络并向团队提供虚假的坐标，导致整个团队去追逐一个幻影怎么办？这就是**虚假数据注入攻击（false data injection attacks）**的危险所在。这个问题不仅仅关乎数学，更关乎信任。你该如何建立一支能够识别人群中的骗子，并在不崩溃的情况下继续前进的队伍？

这篇论文针对这一确切问题，提出了一种让这些机器人团队在追踪移动目标时忽略恶意行为者的全新方法。作者 Amir Ahmad Ghods 和 Mohammadreza Doostmohammadian 建议采用一个两部分的安全性系统。首先，他们使用了一个“饱和滤波器（saturation filter）”，它充当了类似减震器的角色。如果一个邻居突然大声喊出一个极其不可能的数字（比如一个无人机声称目标正以光速移动），该滤波器会缓冲这个喊叫声，以免它把整个团队带偏。其次，更重要的是，他们增加了一个“测谎仪”。该机制不断检查邻居提供的新信息是否符合基于物理规律的预期。如果数据过于离谱，系统就会将该邻居标记为受损，并暂时忽略其输入，从而保护其余小组的安全。

研究人员通过计算机模拟而非野外的真实机器人测试了他们的想法。他们创建了虚拟的智能体网络，并引入了不同类型的麻烦：少数智能体用巨大的数字撒谎，一半的团队被黑客攻击并产生各种谎言，甚至还有短时间的虚假数据爆发。结果令人鼓舞。在他们的模拟中，这种新系统成功识别并隔离了“骗子”，防止了他们的虚假数据破坏小组共享的地图。当 50% 的智能体遭受协同攻击时，与旧的无保护方法相比，新方法将追踪误差降低了约 65%。研究还发现，增加智能体之间的连接以及让它们更频繁地交谈，有助于它们更快、更准确地达成一致，尽管这需要更多的通信功率。然而，作者指出，当团队中大多数成员都是诚实的时候，他们的系统效果最好；如果过多的智能体被攻破，系统可能会面临困难。他们还指出，他们的模型假设目标以相对可预测的方式移动（例如在直路上行驶的汽车），因此如果目标突然进行特技翻转，系统可能会感到困惑。最终，这项工作表明，通过结合适当的减震器和测谎仪，去中心化的机器人团队在抵御网络攻击方面可以比之前认为的要强大得多。

技术摘要：基于共识机制的抗虚假数据注入攻击韧性目标跟踪技术

问题陈述
多智能体网络中的分布式目标跟踪对于自主监视和协作机器人等应用至关重要。然而，这些系统在面对错误测量、环境干扰以及网络物理威胁时，在维持估计精度和网络韧性方面面临着重大挑战。特别是虚假数据注入攻击（FDIA），即攻击者破坏智能体或通信信道以输入错误数据，会导致位置和速度估计出现严重误差。虽然现有的去中心化框架（如分布式卡尔曼滤波器 DKF）提供了可扩展性，但它们往往缺乏针对此类对抗性输入的鲁棒性，并且由于协方差交换而导致较高的通信开销。此外，许多自适应或基于学习的解决方案引入了过高的计算负担，限制了其在资源受限网络中的实用性。

方法论
本文提出了一种韧性的去中心化目标跟踪算法，该算法将基于共识的估计框架与动态故障检测机制相结合。该方法构建于三个核心组件之上：

系统建模： 目标的运动采用近匀速（NCV）运动学模型进行建模，并引入过程噪声以解释加速度的不确定性。智能体利用到达时间（TOA）多边定位技术生成局部观测矩阵，使它们能够根据信号到达时间估计到目标的距离。网络拓扑由 Erdős–Rényi 随机图表示。
带有饱和滤波的基于共识的估计： 基于作者的前期工作，该算法采用两步过程：局部观测更新及随后的迭代共识步骤。
- 观测更新： 智能体对其局部测量值应用基于饱和的滤波器。饱和增益 ( $g_i(k)$ ) 限制了巨大创新值（测量值与预测值之间的差异）的影响，从而有效地抑制了由噪声或攻击引起的脉冲式测量变化。
- 共识步骤： 智能体通过与相邻节点迭代交换状态估计值以达成全局一致。该步骤在每个时间步重复 $L$ 次，以在不需要全局协方差信息的情况下提高收敛性和精度。
动态 FDIA 检测与隔离： 本研究的主要贡献在于增加了检测与隔离层。
- 创新值监测： 在每个时间步，智能体计算一个创新值 ( $\gamma_i(k)$ )，代表当前测量值与预测状态之间的偏差。
- 动态阈值设定： 根据状态转移矩阵范数、前一时刻估计误差界限、全局共识偏差以及预定义的噪声界限，计算出一个动态检测阈值 ( $\varphi_i(k)$ )。
- 隔离逻辑： 如果创新值的大小超过阈值，则该智能体被标记为受损。此时，智能体不再使用该可疑测量值来更新其状态，而是仅依赖于动态模型预测 ($x(k) = Ax(k-1)$)，从而有效地将故障数据从共识过程中隔离出来。

主要贡献

集成检测与共识： 本文通过嵌入一个无需中央监督或复杂学习模型的实时 FDIA 检测机制，扩展了基准共识跟踪器。
动态阈值设定： 与静态阈值不同，所提出的检测阈值能够根据网络的当前状态（共识偏差）和噪声特性进行自适应调整，从而实现更准确的异常识别。
故障隔离策略： 该方法通过在检测到故障智能体时切换到基于模型的预测，而非尝试修正数据，从而防止受损数据破坏全局估计。
全面评估： 研究通过六个不同的案例研究进行了严格评估，涵盖了良性条件（不同的连通性、共识迭代次数和滤波器参数）以及三种对抗场景（局部攻击、广泛协同攻击和瞬态攻击）。

结果
MATLAB 环境下的仿真结果表明：

基准性能： 在良性条件下，更高的网络连通性（ $p=0.7$ 对比 $p=0.3$ ）和增加的共识迭代次数（ $L=100$ 对比 $L=10$ ）显著提高了估计精度和收敛速度，尽管这会带来更高的通信成本。保守的饱和滤波器（ $\xi=2$ ）在应对噪声方面表现出更好的鲁棒性，但也降低了对合法状态变化的敏感度。
对抗韧性：
- 局部攻击： 算法成功识别并隔离了两个受损智能体，阻止了虚假数据的传播，并保持了较低的均方估计误差（MSEE）。
- 广泛协同攻击： 在 50% 的智能体被破坏且攻击幅度各异的场景下，所提算法（算法 2）与不带检测功能的基准算法（算法 1）相比，将平均 MSEE 降低了约 65%。虽然对于接近阈值的低幅度攻击偶尔会出现漏检，但系统仍保持了显著优于基准算法的精度。
- 瞬态攻击： 检测机制能迅速识别短时攻击，使系统能够以极小的延迟进行恢复。
权衡： 研究证实，虽然检测机制增加了一层安全性，但其运行时的计算和通信开销适中，使其适用于去中心化网络。

意义与主张
作者声称，本研究提供了一种简化的容错解决方案，在不施加过度通信或计算负担的情况下，显著提升了分布式目标跟踪的精度和韧性。论文断言，所提出的算法有效地平衡了故障抑制与精确估计之间的权衡。通过在局部、协同和瞬态攻击场景下成功识别并隔离受损智能体，该方法确保了分布式全局估计不受破坏。这项工作为复杂的基于学习或集中式的方案提供了一个实用的替代方案，为动态及对抗环境下的安全多智能体系统提供了一个可扩展的框架。作者也承认了其局限性，包括假设大多数智能体是良性的、依赖 NCV 模型处理非线性动力学，以及当攻击幅度非常接近动态阈值时可能出现的漏检情况。

类似论文