[论文解读] Attack-resilient Estimation for Linear Discrete-time Stochastic Systems with Input and State Constraints

Wenbin Wan, Hunmin Kim+2 more|arXiv (Cornell University)|Mar 19, 2019

Fault Detection and Control Systems参考文献 26被引用 4

一句话总结

该论文提出了一种针对具有状态和输入约束的线性离散时间随机系统的抗欺骗估计算法。通过将无约束最优估计投影到约束可行集上，该方法降低了估计误差和误差协方差，确保在攻击下估计误差具有实际指数稳定性。

ABSTRACT

In this paper, an attack-resilient estimation algorithm is presented for linear discrete-time stochastic systems with state and input constraints. It is shown that the state estimation errors of the proposed estimation algorithm are practically exponentially stable.

研究动机与目标

• 解决网络物理系统（CPS）易受隐蔽执行器攻击的影响，此类攻击利用系统约束进行破坏。
• 通过最小化估计误差协方差来提高攻击检测的可靠性，从而增强卡方检验等统计检验的敏感性。
• 构建一种约束估计框架，同时对状态和输入施加物理和运行限制。
• 正式建立在攻击下估计误差的实际指数稳定性，确保长期鲁棒性。
• 在具有动态约束和对抗性输入的多智能体系统中验证该算法的有效性。

提出的方法

• 在每个时间步使用标准卡尔曼滤波原理设计无约束的最优线性估计器。
• 将无约束估计投影到由状态和执行器攻击的不等式约束所定义的可行集上。
• 利用投影降低估计误差和误差协方差，通过凸优化保持计算可实现性。
• 将约束估计表述为带有状态和输入变量线性不等式约束的凸优化问题。
• 将投影步骤集成到时间递归估计框架中，以保持实时适用性。
• 将该算法应用于具有位置、速度和加速度约束的多智能体机器人系统，以验证性能。

实验结果

研究问题

• RQ1 在存在执行器攻击且受状态和输入约束的条件下，如何最小化估计误差和误差协方差？
• RQ2 在统计阈值有限的随机系统中，约束估计是否能提高攻击检测的可靠性？
• RQ3 通过投影施加约束后，估计误差的稳定性行为如何？
• RQ4 与无约束估计相比，约束估计算法在误差降低和检测性能方面表现如何？
• RQ5 所提方法是否能在具有耦合物理约束和对抗性输入的多智能体系统中保持鲁棒性？

主要发现

• 与无约束估计相比，约束估计算法显著降低了估计误差和误差协方差。
• 估计误差具有实际指数稳定性，确保在攻击条件下误差增长被有效限制。
• 基于投影的方法通过强制实施物理和运行约束，系统性地提高了估计精度。
• 在多智能体系统上的数值仿真表明，约束估计的误差协方差显著低于无约束估计。
• 由于误差协方差降低，该算法通过提升归一化卡方检验统计量，有效检测到攻击。
• 在周期性执行器攻击和智能体间距离约束的场景下，该方法仍保持鲁棒性。