udec.cl

이 이메일 도메인이 관측된 논문 1건

arXiv:2606.19069v1eess.SY

복원력 있는 사이버 물리 시스템을 위한 무모델 강화학습 제어

Model-Free Reinforcement Learning Control for Resilient Cyber-Physical Systems

본 논문은 거짓 데이터 주입 및 서비스 거부 공격을 포함한 사이버 공격 하에서 비선형 시스템에 대한 무모델 제어기의 성능을 비교합니다. 네 가지 강화학습(RL) 보상 유형을 정확도, 비용, 복원력 측면에서 분석했습니다. 결과에 따르면 리아푸노프(Lyapunov) 보상이 낮은 추적 오차로 최고의 복원력을 제공합니다. 지수 모드 또한 적절한 학습 조건 하에서 수용 가능한 복원력과 함께 좋은 상충 관계(trade-off)를 제공합니다. 점진적 및 선형 보상은 더 빠르게 수렴하지만 강인성이 다소 떨어집니다. RL-MPC는 강력한 정상 상태 복원력을 보이지만 학습 시간이 더 오래 걸리는 반면, RL-PID 제어기는 훨씬 짧은 학습 시간으로 더 빠릅니다. 근접 정책 최적화(PPO)는 KPI 분산을 크게 줄여 심층 결정론적 정책 그래디언트(DDPG)보다 우수한 성능을 보였습니다. 이 연구는 잘 설계된 강화학습 보상이 사이버 위협에 대한 성능과 복원력을 어떻게 향상시킬 수 있는지 강조합니다.