非均衡学习下交通网络的韧性研究

我们研究基于学习的智能导航系统（INS）对信息流攻击的韧性，此类攻击利用 IT 基础设施漏洞并操纵交通状况数据。为此，我们提出 Wardrop 非均衡解（WANES）概念，其刻画学习过程下动态交通流适应的有限时间行为。所提出的非均衡解由目标集与度量函数表征，在有限轮交互次数内评估学习结果，并且涉及并推广了近似均衡概念。借助有限时间分析方法，我们发现，在镜像下降（MD）在线学习框架下，交通流轨迹能够在有界的 INS 攻击后恢复至 Wardrop 非均衡解。由此产生的性能损失为 $\tilde{\mathcal{O}}(T^{\beta})$ 阶（$-\frac{1}{2} \leq \beta < 0$），其常数依赖于交通网络规模，表明基于 MD 的 INS 的韧性。我们使用 Sioux-Fall 交通网络的疏散案例研究佐证了结果。