.png){kind=icon}
返回
Adversarial destabilization attacks to direct data-driven control
.png){kind=icon}
PRE
AI
DOI：10.1016/j.automatica.2026.113125.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究探讨了直接数据驱动控制在离线收集数据中对抗性扰动下的脆弱性，特别是在线性二次调节器（LQR）问题中。我们关注隐蔽攻击，这些攻击通过微妙地改变训练数据来破坏闭环系统的稳定性，同时规避检测。为构建此类攻击，我们提出了定向梯度符号法（DGSM）及其迭代变体（I-DGSM），这些方法借鉴对抗性机器学习技术，使扰动与闭环谱半径的梯度对齐。一项关键技术贡献是使用隐式微分通过基础半定规划的Karush-Kuhn-Tucker条件进行高效且精确的梯度计算方法。在防御方面，我们引入两种策略：（i）正则化以降低控制器敏感性；（ii）鲁棒数据驱动控制，确保在受界扰动下的稳定性。在基准系统上的实验表明，即使小到随机噪声十分之一的不易察觉的扰动也能导致不稳定，而提出的防御方法能显著降低攻击成功率，同时最小化性能损失。我们还评估了在部分知识下的可转移性，展示了保护训练数据的重要性。这项工作突出了数据驱动控制中的关键安全风险，并提出了实用的攻击与防御方法。（c）2026 作者。由Elsevier Ltd出版。这是一篇开放获取文章，遵循CC BY-NC-ND许可（http://creativecommons.org/licenses/by-nc-nd/4.0/）。
Keyword:
Adversarial attacks
Control system security
Direct data-driven control
