复杂网络攻击下基于自适应事件触发机制的神经网络量化控制方法

技术领域

本发明属于网络控制领域，具体是具有自适应事件触发机制(AETS)和复杂网络攻击，包括重放攻击、欺骗攻击和拒绝服务(DoS)攻击的神经网络量化控制方法。

背景技术

随着网络通信技术的飞速发展，网络在网络化系统中扮演着越来越重要的角色。由于网络资源的有限性是普遍存在和不可避免的，如何处理网络资源约束是研究网络系统的一个基本研究课题。在网络系统中，数据传输近年来广泛采用时间触发(周期采样)方案。在时间触发方案下，信号在固定的时间段内周期性地发送。然而，当所传送的数据波动不大时，将几乎相同的数据传输到通信网络中可能会造成通信资源的浪费。

由于网络的插入，给网络化系统带来了实时性、方便性和高效性等诸多优点。然而，由于网络通信信道的开放性，网络系统容易受到恶意网络攻击。有鉴于此，人们对网络系统的网络安全问题进行了大量的研究。对网络化系统的重放攻击、欺骗攻击和拒绝服务(DoS)攻击的一些控制和估计问题进行了深入的研究。当重放攻击发生时，攻击者会记录一系列采样数据，然后再进行回放。与重放攻击不同，欺骗攻击的攻击者利用恶意数据替换正常数据进行欺骗攻击。作为另一种常见的攻击，DoS攻击试图通过干扰数据传输通道来阻止测量和采样数据到达目的地。

然而，现有的研究成果大多只涉及一种网络攻击，这是不现实的。事实上，这些系统可能同时遭受各种网络攻击。为了反映实际情况，本文考虑了三种常见的网络攻击，包括重放攻击、欺骗攻击和DoS攻击。据我们所知，目前还没有相关的研究成果来研究具有AETS和复杂网络攻击的神经网络的量化控制问题。

发明内容

发明目的：本发明针对目前的问题，在现有技术的基础上提供了一种基于复杂网络攻击背景下应用自适应事件触发机制的神经网络系统量化控制器设计方法技术方案；在考虑了Dos攻击、重放攻击和欺骗攻击对于网络安全影响的同时引入自适应事件触发机制(AETS)有效降低网络负载，保证控制系统的有效性和稳定性，降低网络负载，提高数据传输的效率。

技术方案：

一种复杂网络攻击下基于自适应事件触发机制的神经网络量化控制方法，包括如下步骤：

步骤一：建立神经网络模型并初步设计控制器模型；

步骤二：建立自适应事件触发方案AETS；

步骤三：引入量子化机制，采用对数量子器减少具有线性量化电平的冗余数据，从而有效节省带宽；

步骤四：分别考虑重放攻击、欺骗攻击、DoS攻击情况下对网络传输数据造成的影响，建立复杂网络攻击模型；

步骤五：在综合考虑Dos攻击、欺骗攻击、重放攻击三种情况，综合自适应事件触发机制和量化器，设计了神经网络量化控制器；

步骤六：利用李雅普诺夫稳定性理论，得到确保系统均方指数稳定的充分性条件；

步骤七：联列并求解线性矩阵不等式获取状态反馈控制器增益K。

进一步地，步骤一中，首先给出n元延迟神经网络模型如下：

其中x(t)＝[x

设计的控制器模型如下：

u(t)＝Kx(t) (2)

其中K∈R

进一步地，步骤二中，采用了动态调整触发条件的AETS机制，且AETS机制触发条件为

{t

式中，Ω＞0，e

满足0＜π(t)≤1，σ＞0，令

那么

定义等效延迟τ(t)＝t-(t

进一步地，步骤三中，使用对数量化器来节省网络带宽，设计的对数量化器模型如下：

假定量化层级的集合描述为H＝{±l

进一步地，步骤四中，分别考虑重放攻击、欺骗攻击、DoS攻击方式下所传送的数据。

重放攻击下所传送的数据计算方法为

欺骗攻击下所传送的数据计算方法为：

在非周期性的DoS攻击下，具有变量v(t)的非周期性的DoS攻击信号可以表示为：

v(t)＝0表示系统处于安全状态，为1表示DoS攻击活跃；w

进一步地，步骤五中，神经网络量化控制器系统模型为：

其中x(t)＝[x

进一步地，步骤六中，给定正标量

H

并且Ω＞0，则系统指数均方指数稳定的充分条件为：

约束条件为：

进一步地，步骤七中，给定的正标量

且有相容维数的矩阵Y；

利用线性矩阵不等式方法，给出了神经网络控制器的设计算法：

约束条件如下：

所需控制器增益为：

有益效果：

1、本发明在考虑重放攻击、欺骗攻击和DoS攻击的基础上，针对神经网络建立了复杂网络攻击的数学模型；

2、采用了动态调整触发条件的AETS，节省了有限的通信资源；

3、采用量化机制，进一步节省了有限的带宽；

4、利用李雅普诺夫理论，给出了系统闭环稳定性的充分条件；

5、可以通过求解一系列的线性矩阵不等式来得出控制器的增益。

附图说明

图1是本发明所提供的神经网络系统量化控制器设计的流程图；

图2是重播攻击下的伯努利分布变量；

图3是欺骗攻击下的伯努利分布变量；

图4是Dos攻击的干扰信号间隔；

图5是重播攻击和欺骗攻击下的传输信号；

图6是系统的响应状态。

具体实施方式

下面结合附图对本发明做更进一步的解释。

本发明公开了一种具有自适应事件触发机制(AETS)和复杂网络攻击(包括重放攻击、欺骗攻击和拒绝服务(DoS)攻击)的神经网络量化控制方法，主要是针对具有AETS和复杂网络攻击的神经网络设计一种量化控制器，采用量化机制和AETS来减轻网络带宽负载，在网络和控制器之间引入了零阶保持器(ZOH)。利用Lyapunov稳定性理论，得到了保证神经网络稳定性的充分条件。此外，通过求解一组线性矩阵不等式得到控制器增益。最后，通过算例验证了该方法的有效性

图1是本发明的神经网络系统量化控制器设计流程图，流程图主要用来表明控制器的设计步骤，步骤如下：

步骤一：建立神经网络模型并初步设计控制器模型；

步骤二：建立自适应事件触发方案AETS；

步骤三：引入量子化机制，采用对数量子器减少具有线性量化电平的冗余数据，从而有效节省带宽；

步骤四：分别考虑重放攻击、欺骗攻击、DoS攻击情况下对网络传输数据造成的影响，建立复杂网络攻击模型；

步骤五：在综合考虑Dos攻击、欺骗攻击、重放攻击三种情况，综合自适应事件触发机制和量化器，设计了神经网络量化控制器；

步骤六：利用李雅普诺夫稳定性理论，得到确保系统均方指数稳定的充分性条件；

步骤七：联列并求解线性矩阵不等式获取状态反馈控制器增益K。

注：R

步骤一，建立神经网络模型和初步设计的控制器。

首先给出n元延迟神经网络模型如下：

其中x(t)＝[x

在本发明中，设计的控制器模型初步如下：

u(t)＝Kx(t) (2)

其中K∈R

步骤二：建立自适应事件触发方案AETS；

让{t

式中，Ω＞0，e

满足0＜π(t)≤1，σ＞0；

区间

令

且有AETS机制触发条件为：

定义等效延迟τ(t)＝t-(t

式中，τ(t)是满足0≤τ(t)≤τ

步骤三：引入量子化机制，采用对数量子器减少具有线性量化电平的冗余数据，从而有效节省带宽；

设计的对数量化器模型如下：

假定量化层级的集合描述为H＝{±l

r(x)＝diag{r

对于对称矩阵r

满足条件

步骤四：分别考虑重放攻击、欺骗攻击、DoS攻击情况下对网络传输数据造成的影响，建立复杂网络攻击模型；

重放攻击下，攻击者会记录一系列的传感器数据并且随之不断重播这些序列，一个服从伯努利分布的随机变量ε(t)用来描述是否发生重播攻击。由此得出在重播攻击下可以交付的信号计算为：

欺骗攻击下，攻击者将合法的抽样数据替换为恶意数据，与建模重放攻击的方法类似，一个服从伯努利分布的随机变量Q(t)用来描述是否发生欺骗攻击，由此得出在欺骗攻击下传输的数据计算方法为：

f(x(t))＝[f

Dos攻击下，攻击者被认为是通过占用通信资源来阻止数据传输，一般来说，Dos攻击时不规则的也是随机的；非周期性的Dos攻击信号变量v(t)可表示为：

v(t)＝0表示系统处于安全状态，为1表示DoS攻击活跃；w

步骤五：在综合考虑Dos攻击、欺骗攻击、重放攻击三种情况，综合自适应事件触发机制和量化器，设计了神经网络量化控制器；

本发明中假定非周期性的Dos攻击事件划分为两个集合M

t

n∈N，k代表第n次干扰发生期间事件触发的次数且有

令

在满足条件：

注：

基于式(18)-(20)，可以得出时间间隔可表示为

令

基于以上两个函数可以得出τ

x(t

综合式(2)、(7)、(11)、(12)、(13)和(16)可得出控制器的真实输入为

将式(23)代入式(1)得出

步骤六：利用李雅普诺夫稳定性理论，得到确保系统均方指数稳定的充分性条件；

给定正标量

H

并且Ω＞0，则系统指数均方稳定的充分条件为

约束条件为：

其中：

步骤七：联列并求解线性矩阵不等式获取状态反馈控制器增益K。

给定的正标量

使得系统是均方稳定的，且具有相容维数的矩阵Y。

利用下面的线性矩阵不等式方法，给出了神经网络控制器的设计算法：

约束条件如下：

所需控制器增益为：

其中：

仿真分析

通过编写Matlab程序求解线性矩阵不等式求解控制器增益并绘制仿真曲线，用仿真实例证明本发明的有效性：

考虑系统模型(1)中的参数为：

神经元激活函数为g(x(t))＝[tanh(0.04x

欺骗攻击函数为f(x(t))＝[tanh(0.25x

根据这些参数，通过使用matlab求解定理2中的式子，可以得到如下矩阵：

根据定理2中的等式(36)，控制器收益为：

将神经网络系统初始化为x＝[-1 1]

根据以上的图像，可以得出以下结论：在复杂网络攻击的神经网络系统中设计的量化控制器是可行的。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。