存在拜占庭攻击下基于 M 元量化数据的分布式推断

本文研究了在存在拜占庭攻击的情况下，传感器端采用 M 元量化数据进行分布式推断的问题。我们假设攻击者既不了解感兴趣现象的真实状态，也不了解传感器使用的量化阈值。因此，拜占庭节点通过将量化数据对应的符号修改为量化字母集中的其他 M 个符号之一，并将虚假符号传输至融合中心 (FC)，从而对推断网络发起攻击。在本文中，我们找到了能使任何分布式推断网络失效的最优拜占庭攻击策略。随着量化字母集大小的增加，分布式推断网络的安全性能观察到显著提升。我们还研究了资源受限拜占庭攻击存在下的分布式推断问题。具体而言，我们重点关注两个问题：当拜占庭攻击者采用高度对称攻击时的分布式检测与分布式估计。针对这两个问题，我们找到了攻击者为最大程度降低推断网络性能所采用的最优攻击策略。此外，本文还提出了一种基于信誉的方案来识别恶意节点，作为网络减轻拜占庭威胁对分布式传感器网络推断性能影响的策略。