一、科学研究背景

随着现代控制系统的被控对象日益复杂，具有多模态、多层次特征的网络化切换系统逐渐成为研究热点。这类系统虽然能够灵活应对复杂工况，但其依赖的通信网络却面临严峻的安全挑战，尤其是隐蔽性极强的重放攻击。攻击者通过组合历史信号，精心构造虚假的系统状态和切换信号，以迷惑控制器。由于这些信号与正常系统行为特征高度相似，传统检测方法往往难以识别，从而导致控制系统产生严重的决策偏差，甚至威胁整个系统的运行安全。在此背景下，如何构建具备自主学习和智能决策能力的主动防御体系，已成为保障现代控制系统安全稳定运行的关键突破口。值得注意的是，强化学习技术凭借其强大的环境适应性和自主决策能力，为动态安全预警和精准攻击识别提供了全新的技术范式。

二、主要科技成果

围绕网络化切换系统在重放攻击下的安全控制问题，探花porn-色情网站-韩国伦理 李莉莉教授在《Automatica》上发表了题为“Dissipativity-based security control for switched systems with encryption/decryption under switching-Q-learning-based replay-attack detection”的科技论文。该期刊是控制理论与应用领域的国际顶级期刊，由国际自动控制联合会主办。

本研究提出了一种基于耗散性理论的切换Q学习重放攻击检测安全控制方案，通过融合智能攻击检测、事件触发机制和动态加密技术，实现了对网络化切换系统的高效主动防御与通信资源优化。该方案利用切换Q学习精准区分正常切换行为与恶意攻击，显著提升检测精度；结合耗散性理论，确保系统状态在遭受攻击时快速收敛并维持能量稳定；通过事件触发机制动态调整通信频率，有效降低网络负载。在无人船集群协同控制的仿真验证中，该方案有效降低了定位误差和波动，增强了系统抗干扰能力，展现出优异的工程适用性。如图1所示，即使存在重放攻击，三艘无人船仍成功到达了各自的目标位置，完成协同动力定位。表1数据表明，所提切换Q学习检测算法显著优于固定阈值检测方法。图2-4对比结果显示，基于检测结果的事件触发机制和切换规则能够大幅减少触发次数、缩短异步切换时长，并有效抑制攻击期间的连续异步切换。这表明，该方案在安全性和资源利用率方面具备显著优势，为网络化切换系统的安全控制提供了高效可靠的解决方案。

图1 无人船的运行轨迹       图2 有/无重放攻击检测与耗散性参数的事件触发间隔

图3 有重放攻击检测时的切换信号异步时长 图4 无重放攻击检测时的切换信号异步时长

表1 基于切换Q学习与固定阈值的重放攻击检测性能对比

三、成果应用前景

本研究提出一种基于耗散性理论的切换Q学习重放攻击检测的安全控制方案，具有重要的工程应用价值。该方案兼具低通信负载和强鲁棒性的优势，特别适用于无人系统协同作业、智能电网、轨道交通等资源受限且对安全性和实时性要求较高的关键领域，为关键基础设施的网络安全防护提供了可靠的技术支撑。其采用的智能学习与能量分析融合框架具备良好扩展性，可适应更复杂的网络攻击防御需求，推动网络化控制向安全智能方向持续发展。

四、成果贡献人及项目资助情况

成果由探花porn 李莉莉教授、中国自动化学会青年科学家奖和中国控制会议关肇直奖获得者东北大学马丹教授、以及硕士研究生赵佳、陈亚琳共同完成。研究工作得到了国家自然科学基金的资助（项目号：62273068、U23A20324）。

五、成果联系人及联系方式

成果联系人：李莉莉

联系方式：[email protected]