23952

كنترل سيستم‌هاي فيزيكي سايبري در حضور حمله و عيب با استفاده از يادگيري تقويتي

كاذشناسي ارشد

برق - كنترل

97-99

99/12/25

سعيد شمقدري

برق

سيستم‌هاي فيزيكي سايبري كه خود متشكل از دو زير سيستم فيزيكي و سايبري هستند در دهه‌هاي گذشته توجه زيادي را به خود معطوف كرده‌اند. اهميت اين سيستم‌ها وقتي مطرح مي‌شود كه بحث امنيت آن‌ها در مقابل حملات سايبري به ميان مي‌آيد. تغيير در اين سيستم‌ها چه بصورت عامدانه و يا بصورت غيرعامدانه مي‌تواند تبعات جبران ناپذيري را بر سيستم و همچنين محيط و يا حتي افرادي كه با اين سيستم ها در ارتباط هستند بگذارد. در اين پژوهش سيستم فيزيكي سايبري در مواجهه با عوامل مزاحم مانند حملات سايبري، عيب و اغتشاش به چالش كشيده شده است و تاب‌آوري آن با طراحي كنترل‌كننده‌ي يادگيري تقويتي مورد بررسي قرار خواهد گرفت. علاوه بر كنترل‌كننده‌ي يادگيري تقويتي از شبكه‌ي عصبي نيز استفاده شده است. براي انتخاب شبكه‌ي عصبي بهينه از تئوري بازي بين چند استراتژي شبكه‌ي عصبي، شبكه‌ي عصبي بهينه انتخاب مي‌‌شود. شبكه‌ي عصبي بهينه‌اي كه به عنوان كنترل‌كننده از تئوري بازي انتخاب مي‌شود و اطلاعات آن با كنترل سيستم توسط كنترل‌كننده‌ي يادگيري تقويتي بدست آمد مي‌تواند سيستم را در مواجهه با عوامل نامطلوب در حالات مختلف پشتيباني كند و خواسته‌هاي كنترلي را برآورده كند. سيستم فيزيكي مورد بررسي يك سيستم دو تانك است كه اطلاعات آن توسط سيستم سايبري بين بخش‌هاي مختلف سيستم كنترلي يعني كنترل‌كننده‌، سنسور و عملگر منتقل مي‌شود. در اين پژوهش بر خلاف پژوهش‌هاي قبلي كنترل‌كننده‌اي را طراحي مي‌شود كه همزمان عيب، حملات سايبري و اغتشاش را رفع كند. واژه‌هاي كليدي: سيستم‌هاي فيزيكي سايبري،حملات سايبري، عيب، يادگيري تقويتي، شبكه‌ي عصبي، تئوري بازي

1400/03/20

Control of cyber physical systems in the presence of attack and fault by reinforcing learning

3/16/2022 12:00:00 AM

Physical cyber systems, which themselves consist of both physical and cyber subsystems, have attracted much attention in recent decades. The importance of these systems comes up when it comes to their security against cyber attacks. Changes in these systems, either intentionally or unintentionally, can have irreparable consequences for the system as well as the environment or even the people who interact with the system. In this thesis, we intend to challenge the physical cyber system in the face of intrusive factors such as cyber attacks, malfunctions and disturbances, and examine its resilience by designing reinforcing learning control. In this dissertation, in addition to the controller of reinforcement learning, we have also used neural networks. To select the optimal neural network, we choose the optimal neural network from the theory of play between several neural network strategies. We will see that the optimal neural network selected as the controller from game theory and its information obtained by controlling the system by the reinforcement learning controller can support the system in the face of adverse factors in different situations and meet our control needs. The physical system under study is a two-tank system whose information is transmitted by the cyber system between the various parts of the control system, namely the controller, sensor and operator. In this thesis, unlike previous works, we have been able to design a controller that simultaneously fixes defects, cyber attacks and disturbances. Keywords: cyber physical system , cyber attack , fault , reinforcement learning , neural network , game theory

سيستم‌هاي فيزيكي سايبري , ،حملات سايبري , عيب , يادگيري تقويتي , شبكه‌ي عصبي , تئوري بازي

cyber physical system , cyber attack , fault , reinforcement learning , neural network , game theory