[论文解读] Resilient Distributed Estimation: Sensor Attacks

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

Distributed Sensor Networks and Detection Algorithms被引用 5

一句话总结

本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网络中实现鲁棒的分布式估计。通过对接收创新项应用时变增益以限制其ℓ₂范数，SIU 确保当少于一半传感器受攻击时，无论网络拓扑如何，所有智能体均能以多项式速率收敛至真实参数，且仅依赖本地通信及对邻居的了解。

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. We present the Saturated Innovation Update ($\mathcal{SIU}$) algorithm for distributed estimation resilient to sensor attacks. Under the iterative $\mathcal{SIU}$ algorithm, if less than one half of the agent sensors fall under attack, then, all of the agents' estimates converge at a polynomial rate (with respect to the number of iterations) to the true parameter. The resilience of $\mathcal{SIU}$ to sensor attacks does not depend on the topology of the inter-agent communication network, as long as it remains connected. We demonstrate the performance of $\mathcal{SIU}$ with numerical examples.

研究动机与目标

• 解决当部分传感器测量值被敌方任意破坏时，实现鲁棒的分布式参数估计的挑战。
• 开发一种完全分布式的算法，无需全局网络知识或融合中心。
• 确定在何种最大比例的传感器被破坏时，仍可实现准确估计。
• 在对网络结构假设最少的前提下，确保收敛至真实参数的速度为多项式速率。
• 实现与网络拓扑无关的鲁棒性，仅依赖本地通信和对邻居的了解。

提出的方法

• SIU算法结合了一致性更新与创新更新，每个智能体维护对未知参数的本地估计。
• 在每个时间步，智能体对接收自身的创新项应用时变标量增益，以确保缩放后创新项的ℓ₂范数保持在阈值以下。
• 该算法采用饱和创新机制，限制潜在被污染测量值的影响，防止因敌方输入导致发散。
• 智能体通过邻居估计值的加权组合（一致性）与自身有界创新项的组合来更新其估计。
• 设计确保即使多达一半的传感器受攻击，所有智能体的估计仍能收敛至真实参数。
• 该方法仅依赖对邻居的本地知识，无需全局网络拓扑信息。

实验结果

研究问题

• RQ1 在仍能实现未知参数的准确分布式估计的前提下，最多可有多少比例的传感器受攻击？
• RQ2 如何设计一种完全分布式的算法，在不依赖融合中心或全局网络知识的前提下，实现对传感器攻击的鲁棒性？
• RQ3 在敌方传感器污染下，能否保证以多项式速率收敛至真实参数？
• RQ4 该算法的鲁棒性是否依赖于通信网络的连通性或结构？
• RQ5 何种机制可确保被污染的测量值不会使估计过程不稳定？

主要发现

• 当少于一半智能体的传感器受攻击时，SIU算法可确保所有智能体的估计以多项式速率收敛至真实参数θ*。
• 只要通信网络保持连通，收敛性不依赖于智能体间通信网络的拓扑结构。
• 尽管为完全分布式，该算法实现了与最鲁棒的集中式估计器同等的鲁棒性水平。
• 有界创新机制可防止敌方测量值主导估计过程。
• 通过递推不等式与类李雅普诺夫分析证明了算法的收敛性，表明估计误差随时间呈多项式衰减。
• 该方法仅需对邻居的本地知识，不依赖全局网络信息，从而增强了可扩展性与鲁棒性。