Зикратов Игорь Алексеевич — доктор технических наук, профессор, декан факультета
Санкт-Петербург, 193232
Igor A. Zikratov — D.Sc., Professor, Dean
Saint Petersburg,193232
Зикратова Татьяна Викторовна — кандидат технических наук, доцент
Санкт-Петербург, 197342
Tatiana V. Zikratova — PhD, Associate Professor
Saint Petersburg, 197342
Введение. Многовариантное коллективное принятие решений в мультиагентных робототехнических системах является сложной задачей роевого интеллекта. Особенности архитектуры гомогенных групп роботов с децентрализованным управлением и ограниченные способности отдельных агентов предоставляют возможность злоумышленникам для внедрения и использования в составе роя вредоносных роботов. Вредоносные роботы применяют различные стратегии поведения и создают условия для принятия ошибочного решения в процессе достижения консенсуса. Предлагается метод, позволяющий выявить вредоносных роботов в процессе выполнения роем задачи картографирования исходной сцены. Метод. Предложенный подход решает задачу выявления в составе роя вредоносных роботов, независимо от используемой ими стратегии поведения. Метод основан на гипотезе, что статистические характеристики локальных карт, полученные исправными роботами, соответствуют статистическим характеристикам исходной сцены, и не соответствуют характеристикам локальных карт вредоносных роботов. В качестве атрибутов для распознавания предложены частотные гистограммы атрибутов исследуемого объекта, которые формируются при анализе локальных карт. Решение задачи распознавания осуществляется наивным байесовским классификатором. Такой подход позволяет обеспечить высокие показатели качества распознавания за счет выявления статистически значимой разницы гистограмм локальных карт исправных и вредоносных роботов. Основные результаты. Проведена оценка показателей качества разрабатываемого алгоритма для различных типов сцены. Выполнена серия испытаний, в которых для единых исходных данных оценивалась вероятность правильного определения вредоносных роботов, использующих различные стратегии поведения. Показано, что при предварительном обучении байесовского классификатора на сцене с идентичными статистическими характеристиками ошибка второго рода снижается до минимальных значений. Определение ошибки второго рода критически важно для исключения ситуации, когда к коррективному обсуждению решения могут быть допущены вредоносные агенты. Обсуждение. Предложенный алгоритм отличается высокой степенью абстракции, что позволяет рассматривать его использование в широком круге задач коллективного восприятия окружающей среды при наличии преднамеренных вредоносных информационных воздействий.
Multi-variant collective decision-making in multi-agent robotic systems is a complex problem of swarm intelligence. The architectural features of homogeneous robot groups with decentralized control and the limited capabilities of individual agents provide an opportunity for attackers to introduce and use malicious robots within the swarm. Malicious robots employ various behavioral strategies and create conditions for erroneous decision-making during consensus formation. A method is proposed to detect malicious robots while the swarm performs the task of mapping the original scene. The proposed approach solves the problem of detecting malicious robots within a swarm, regardless of the behavioral strategy they use. The method is based on the hypothesis that the statistical characteristics of local maps obtained by benign robots correspond to the statistical characteristics of the original scene and do not match the characteristics of local maps from malicious robots. Frequency histograms of attributes of the examined object, generated during the analysis of local maps, are proposed as recognition features. The recognition problem is solved using a naive Bayes classifier. This approach ensures high recognition quality by identifying statistically significant differences in the histograms of local maps from benign and malicious robots. The performance metrics of the developed algorithm are evaluated for various scene types. A series of experiments is conducted in which the probability of correctly identifying malicious robots using different behavioral strategies is assessed for the same initial data. It is shown that when the Bayesian classifier is pre-trained on a scene with identical statistical characteristics, the Type II error is reduced to minimal values. Identifying the Type II error is critically important to prevent malicious agents from being admitted to corrective decision-making discussions. The proposed algorithm features a high degree of abstraction, allowing it to be considered for use in a wide range of collective perception tasks involving deliberate malicious information attacks.
The authors declare that there are no conflicts of interest present.