浙江大学|基于多智能体强化学习的对抗性攻击需求响应的弹性增强

【标题】Resilience enhancement of multi-agent reinforcement learning-based demand response against adversarial attacks

【作者团队】Lanting Zeng, Dawei Qiu, Mingyang Sun

【发表日期】2022.8.4

【论文链接】https://www.sciencedirect.com/science/article/pii/S0306261922009850#!

【推荐理由】随着分布式数字通信技术和先进计量基础设施的大规模部署，多智能体强化学习 (MARL) 等数据驱动方法被广泛用于解决需求响应问题。然而，从网络攻击的角度来看，需求响应管理系统内外的大量数据交互可能会导致严重威胁。本文提出了一种强大的针对需求响应的对抗性多智能体强化学习框架 (RAMARL-DR)，具有增强的对抗性攻击弹性。特别是，所提出的 RAMARL-DR 首先构建了一个对抗性智能体，旨在通过制定对抗性攻击来导致最坏情况下的性能；然后采用周期性交替的鲁棒对抗训练场景和最佳对手，旨在减少对抗性攻击引起的严重影响。实证结果表明，当敌手出现时，基于 MARL 的需求响应管理系统很容易受到攻击，并且经过周期性的交替鲁棒对抗训练后，其性能可以得到显著提高。