基于差分隐私的多智能体系统一致性研究

发布时间：2021-11-23 01:47

　　近年来,多智能体系统分布式协同控制算法的一致性研究在各个领域有着广泛的应用,如智能机器人控制、交通车辆管制、网络的资源分配等。由于分布式一致性算法要求每个智能体都需要与其邻居节点交换各自的状态信息然后根据当前邻居节点的状态以及自己状态信息更新自己下一个时刻的状态。如果交换的信息中包含需要保护的敏感信息,那么信息交流最终可能会导致智能体的隐私泄露这一问题。为了防止这个问题的出现,目前许多相关的研究人员提出了一些有效的保护隐私的方法:如加密技术、访问控制技术、匿名算法、关联规则隐藏计算等,而差分隐私方法的提出为解决多智能体系统的隐私泄露问题提出了新思路:在对某些需要保护的信息查询结果中加入拉普拉斯噪声后再进行信息发布,使得访问数据的用户无法推断出每个智能体的确切值。基于以上问题本文主要研究了关于多智能体系统的差分隐私保护及一致性收敛分析,主要研究内容及创新点如下:（1）首先研究了基础的多智能体平均一致性算法,提出了达到平均一致需要满足的充要条件以及当算法实现一致时存在的安全问题:当部分智能体的数据信息被公开时会招致的隐私泄露问题的出现。为了解决此类问题,采用差分隐私中的Laplace机制的... 

【文章来源】：西南大学重庆市 211工程院校 教育部直属院校

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 多智能体一致性研究现状
    1.3 差分隐私研究现状
    1.4 主要内容及创新点
第二章 预备知识
    2.1 基本符号定义
    2.2 图论
    2.3 拉普拉斯分布
    2.4 凸函数
    2.5 差分隐私基本概念
        2.5.1 Laplace 机制
        2.5.2 指数机制
    2.6 一致性及收敛速度
    2.7 希尔伯特空间
    2.8 本章小结
第三章 多智能体系统的差分隐私平均一致研究
    3.1 引言
    3.2 问题描述
    3.3 算法设计
    3.4 一致性分析与隐私保护性分析
        3.4.1 平均一致分析
        3.4.2 隐私性分析
    3.5 仿真实例
    3.6 本章小结
第四章 基于零梯度和的优化一致及差分隐私保护
    4.1 引言
    4.2 问题描述
    4.3 算法描述
    4.4 主要结果分析
        4.4.1 零梯度和优化一致分析
        4.4.2 隐私性分析
    4.5 仿真实例
    4.6 本章小结
第五章 总结与展望
参考文献
致谢
攻读硕士期间已发表的论文



本文编号：3512871