13、去中心化机器人群集聚类：抵御恶意攻击的研究

去中心化机器人群集聚类：抵御恶意攻击的研究

在当今科技发展中，机器人群集的应用越来越广泛。然而，机器人群集在运行过程中面临着各种安全威胁，尤其是恶意攻击可能会严重影响其聚类性能。本文将深入探讨如何让去中心化的机器人群集在没有全局通信和全局位置数据的场景下，通过入侵检测与响应系统（IDRS）来提高对恶意攻击的抵御能力。

1. 研究背景与目标

在研究机器人群集的安全问题时，我们借鉴了去中心化网络安全领域的相关概念。入侵检测系统（IDS）用于识别对手，入侵响应系统（IRS）用于抵消对手的影响，而入侵检测与响应系统（IDRS）则兼具两者功能。

我们的研究目标是评估去中心化的 IDRS 能否以及在多大程度上通过检测和中和恶意机器人来提高机器人群集的聚类性能。为此，我们对 k-Means 和 DBSCAN 这两种聚类算法进行了改进，使其适用于去中心化的机器人群集，并设计了伪装攻击来测试算法的脆弱性，同时创建了带有 IDRS 的算法变体以检测这些攻击。

2. 相关工作

• 经典算法发展 ：k-Means 和 DBSCAN 算法分别在 20 世纪 60 年代和 70 年代被提出。近年来，它们的变体开始利用分布式计算，如在对等网络、无线网络和自组织网络中应用。同时，也有工作致力于确保这些算法在聚类数据时的数据隐私性。
• 不同算法区别 ：k-Medians 算法与 k-Means 密切相关，但 k-Means 最小化所有节点到其对应簇中心的 L2 范数之和，而 k-Medians 最小化对应的 L1 范数之和。我们研究的群集算法使用图距离度量，这种度