针对隐蔽对手的后悔最优防御：系统层面的方法

机器人、航空航天和网络物理系统中的现代控制设计严重依赖通过系统输出获取的真实数据。然而，这些输出可能因系统故障和恶意攻击而被篡改，从而扭曲了安全可靠运行所需的关键系统信息。本文引入了一种针对设计抗隐蔽攻击控制器的后悔最优控制框架，包括传感器攻击和执行器攻击。具体而言，我们提出了(1)一种基于凸优化的系统度量，用于量化最坏情况隐蔽攻击下的后悔（即实际性能与凭借攻击事后信息获得的最优性能之间的差异），该度量在存在隐蔽对手时适应并改进了 $\mathcal{H}_2$ 和 $\mathcal{H}_{\infty}$ 范数；(2)一种针对(1)的优化问题，采用系统级参数化进行后悔最小化，支持大规模系统的局部和分布式实现；(3)一种等价于(2)的受秩约束优化问题，可通过凸秩最小化方法求解。我们还 presented数值仿真，证明了所提框架的有效性。