[论文解读] Distributed Estimation Under Sensor Attacks

Yuan Chen, Soummya Kar+1 more|arXiv (Cornell University)|Sep 18, 2017

Distributed Sensor Networks and Detection Algorithms参考文献 20被引用 3

一句话总结

该论文提出了一种饱和创新更新（Saturated Innovation Update, SIU）算法，用于在传感器遭受攻击的多智能体系统中进行分布式估计。在该算法中，智能体通过一致性协议与局部创新信息，利用有界增益协作估计一个参数。当采用恒定权重时，若受攻击传感器比例低于30%，算法可保证指数收敛；当采用时间衰减权重时，若受攻击传感器比例低于50%，算法可保证多项式收敛，且该结果与网络拓扑无关。

ABSTRACT

This paper studies multi-agent distributed estimation under sensor attacks. Individual agents make sensor measurements of an unknown parameter belonging to a compact set, and, at every time step, a fraction of the agents' sensor measurements may fall under attack and take arbitrary values. The goal of this paper is to develop a distributed estimation algorithm to ensure that all, even those whose sensors are under attack, correctly estimate the parameter of interest. We assume a fully distributed setup; there is no fusion center and inter-agent collaboration is restricted to message exchanges between neighboring agents, the neighborhoods corresponding to a pre-specified, possibly parse, communication graph. We present two versions of the Saturated Innovation Update (SIU) algorithm for distributed estimation resilient to sensor attacks. The SIU algorithm is a consensus + innovations type estimator: agents iteratively estimate the parameter of interest by combining estimates of neighbors (consensus) and local sensing information (innovations). In the SIU algorithm, each agent applies a local, time-varying scalar gain to its innovation term to ensure that the energy of the scaled innovation lies below a threshold. Under the first version of SIU, which uses constant combination weights, if less than three tenths of agent sensors fall under attack, then, all of the agents' estimates converge exponentially fast to the true parameter. Under the second version, which uses time-decaying weights, if less than one half of the agent sensors fall under attack, then, all of the agents' estimates converge at a polynomial rate to the true parameter. We show that the resilience of SIU to sensor attacks does not depend on the topology of the inter-agent communication network, as long as it remains connected. Finally, we demonstrate the performance of SIU with numerical examples.

研究动机与目标

• 开发一种完全分布式的估计算法，使所有智能体在传感器遭受攻击的情况下仍能准确估计参数。
• 在不依赖中心融合中心的前提下，确保对恶意传感器测量值的鲁棒性。
• 无论智能体间通信网络的拓扑结构如何，只要网络保持连通，即可维持估计精度。
• 设计一种结合一致性与创新信息的估计器，采用有界创新增益以限制受损测量值的影响。
• 在攻击条件下，针对不同的权重更新策略，建立理论上的收敛性保证。

提出的方法

• SIU算法采用一致性+创新框架，智能体结合邻居估计值与本地测量值。
• 每个智能体对其创新项应用时变标量增益，以确保缩放后创新项的能量低于预设阈值。
• 第一种SIU变体采用恒定组合权重，并对创新项应用饱和机制，以限制受损数据的影响。
• 第二种SIU变体采用时间衰减组合权重，逐步降低对旧数据或可能被破坏数据的依赖。
• 该算法以完全分布式方式运行，无需融合中心，仅依赖于预设连通通信图中的本地通信。
• 设计确保即使传感器被攻破的智能体，也能在指定攻击阈值下收敛至真实参数。

实验结果

研究问题

• RQ1 当部分传感器测量值被攻击者任意破坏时，分布式估计算法是否仍能保持估计精度？
• RQ2 在恒定权重与时间衰减权重之间进行选择时，如何影响收敛速度与攻击鲁棒性？
• RQ3 该算法的鲁棒性在多大程度上依赖于智能体间通信网络的拓扑结构？
• RQ4 在何种最大比例的传感器被破坏时，该算法仍能保证收敛至真实参数？
• RQ5 该算法是否能在无中心融合中心或缺乏攻击模式先验知识的情况下保证收敛？

主要发现

• 在恒定权重SIU变体下，若受攻击传感器比例低于30%，所有智能体的估计值将指数快速收敛至真实参数。
• 在时间衰减权重SIU变体下，若受攻击传感器比例低于50%，所有智能体的估计值将以多项式速率收敛。
• SIU算法的收敛性与通信网络的拓扑结构无关，只要网络保持连通即可。
• 采用有界创新增益可确保任意被破坏传感器测量值的影响受到限制，从而保持估计精度。
• 数值示例表明，SIU算法在各种攻击场景与网络配置下均表现出有效性与鲁棒性。
• 只要满足攻击阈值，即使攻击者有针对性地攻击特定传感器，该算法仍能保持鲁棒性。