MARC

 008260126s2024        us                              c    eng  d
■001000017360365
■00520260202105513
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263340858
■035    ▼a(MiAaPQ)AAI32309260
■035    ▼a(MiAaPQ)GeorgiaTech75178
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a658.404
■1001  ▼aConnelly,  Prachi  Pratyusha.
■24510▼aSecure,  Intermittent,  and  Model-Free  Learning  Framework  for  Autonomous  Cyber  Physical  Systems
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a153  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Vamvoudakis,  Kyriakos  G.;Costello,  Mark.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2024.
■520    ▼aCyber-physical  systems  (CPS)  integrate  humans  and  computational  systems  to  control  physical  plants  using  sensing  signals  and  feedback  loops.  The  interconnection,  modularity,  and  exposure  to  human  environments,  reveal  CPS  to  attacks  from  adversaries.  In  an  adversarial,  informationconstrained,  and  model-agnostic  environment,  reinforcement  learning  (RL)  methods  design  optimal  control  policies  using  reward  signals  that  possess  decentralized  learning  and  deployment  protocols.  Increased  continuous  data-sharing  between  sensors,  actuators,  and  the  cloud  adds  complexities  to  the  network  leading  to  degradation  of  communication  effectiveness  and  increased  the  possibility  of  reinforcement  signal  dropouts,  leaving  the  learning  framework  with  access  to  a  sparse  set  of  rewards  or  even  state  measurements.This  work  presents  a  Moving  Target  Defense  (MTD)  framework,  to  switch  between  allowable  actuator  combinations.  MTD  allows  the  input-generation  framework  to  maintain  controllability,  enhance  performance,  and  safeguard  the  CPS  from.  A  data-driven  controllability  algorithm  identifies  allowable  actuator  combinations  to  guarantee  controllability.  During  sensing  breakdown,  lack  of  complete  state  measurements  dictates  an  intermittent  framework  to  approximate  value  functions  and  tune  embedded  neural  networks.  When  continuous  communication  between  the  reinforcement  channel  and  the  controller  is  challenged,  the  proposed  framework  will  develop  an  self  learning  algorithm  that  will  provide  conditions  wherein  the  internal  reinforcement  signal  is  rich  enough  to  allow  learning  of  the  optimal  control  policy  and  when  a  trade-off  between  internal  and  external  reinforcements  is  utilized.  Finally,  bionic,  human  brain-centric  learning  for  CPS  is  formalised  using  B.F.  Skinner's  operant  conditioning  re-contextualised  for  learning  in  CPS,  as  well  as  sparse  evolutionary  training  of  neuronal  configurations  informed  with  physics  of  the  system  to  approximate  solutions  to  the  non-linear  Hamilton-Jacobi-Bellman  (HJB)  is  presented.
■590    ▼aSchool  code:  0078.
■650  4▼aSchedules
■650  4▼aCommunication  channels
■650  4▼aDecision  making
■650  4▼aNeural  networks
■650  4▼aMilitary  deployment
■650  4▼aCommunications  networks
■650  4▼aDesign
■650  4▼aCognition  &  reasoning
■650  4▼aCognitive  psychology
■650  4▼aElectrical  engineering
■650  4▼aMilitary  studies
■690    ▼a0389
■690    ▼a0800
■690    ▼a0633
■690    ▼a0544
■690    ▼a0750
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360365▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서