基于C-IFGSM的入侵检测对抗方法及AGV路径规划的深度强化学习算法

# 基于C - IFGSM的入侵检测对抗方法及AGV路径规划的深度强化学习算法 ## 1. 基于C - IFGSM的入侵检测对抗方法 ### 1.1 参数对检测准确率的影响 通过分析相关数据发现，当噪声值（参数）增加时，入侵检测的准确率会下降，同时特征之间的关系（欧几里得度量）会发生更大程度的变化。另外，当修改的特征数量增加时，准确率也会下降，但对抗样本的秩可以与原始测试集相等。而且，仅修改数值特征和修改所有特征的实验结果相似，这可能是因为数据集中的三个名义特征对对抗样本的影响相对较弱。综合考虑各项指标，选择“修改所有特征，α = 2/225，T = 4”作为最佳参数设置。 ### 1.2 与基线方法的性能比较 由于未找到其他特殊的生成入侵对抗样本的方法，因此将C - IFGSM与IFGSM作为基线进行性能比较。具体比较了两种方法生成的对抗样本和原始样本，以评估C - IFGSM的有效性。以下是性能比较的表格： | 方法 | 分类准确率 | 特征类型匹配(%) | 欧几里得度量 | 矩阵的秩 | | --- | --- | --- | --- | --- | | C - IFGSM | 0.41 | 1 | 7.20 | 112 | | IFGSM | 0.48 | 0.69 | 7.82 | 111 | | 原始数据集 | 0.79 | 1 | 0 | 112 | 从表格中可以看出，在相同的参数设置下，C - IFGSM在各个方面都优于IFGSM。具体来说，C - IFGSM生成的对抗样本使入侵检测分类器的准确率更低，特征类型匹配度更高，欧几里得距离更小，并且数据集的秩相同。这表明C - IFGSM能够更好地适应网络流量数据集，并生成高质量的入侵对抗样本。 ### 1.3 对抗样本的可迁移性验证 为了验证入侵对抗样本的可迁移性，将其输入到其他分类模型中，并比较模型准确率的下降情况。以下是不同算法在原始数据集和对抗数据集上的准确率比较： | 算法 | 原始数据集 | 对抗数据集 | | --- | --- | --- | | 决策树 | 0.73 | 0.25 | | CNN | 0.77 | 0.68 | | MLP | 0.74 | 0.73 | 从表格中可以看出，C - IFGSM生成的入侵对抗样本能使决策树的准确率明显下降，而对CNN和MLP模型的影响较小。这表明C - IFGSM生成的入侵对抗样本也可以攻击其他模型，但在其他神经网络结构模型中的对抗效果不是很好。 ## 2. 基于深度强化学习的AGV路径规划问题 ### 2.1 AGV系统与路径规划问题 #### 2.1.1 AGV系统概述 在自动物流系统（如工厂、仓库和集装箱码头）中，AGV常被用于完成物料搬运任务。AGV控制系统管理多个同时运行的AGV，并与其他系统进行交互。以仓库中的AGV系统为例，它需要控制AGV进行装载、卸载、充电等操作。 #### 2.1.2 AGV路径规划任务 调度指令发出后，AGV路径规划的任务是根据当前交通状况或其他信息，为每个AGV找到从当前位置到目的地的合适路径，并避免AGV在路径上发生冲突和碰撞。AGV路径规划有静态和动态两种模式： - 静态模式：车辆运行时输入数据恒定，无法适应AGV系统的变化。 - 动态模式：规划和实施同时