在道覆盖的周期性异步攻击下,冲动交换记忆神经网络的DFA模式依赖稳定性

科学领域:

• 控制理论 控制理论
• 网络安全 网络安全
• 计算神经科学是一种神经科学.

背景情况:

• 冲动交换记忆神经网络 (SMNNs) 对于复杂的计算至关重要,但易受攻击.
• 现有的研究往往假定周期性攻击,缺乏强大的秘密道管理.
• 确定性有限自动机 (DFA) 为SMNN中的模式切换建模提供了一个精确的方法.

研究的目的:

• 为了研究DFAMD SMNNs在非周期性异步攻击下的指数稳定性.
• 开发一个安全的网络隐形通道管理策略.
• 提出一种新的模式依赖式混合控制器,以提高系统性能.

主要方法:

• 使用确定性有限自动机 (DFA) 进行模式依赖切换.
• 实施多通道周期性异步拒绝服务 (DoS) 攻击.
• 采用动态加权一次尝试丢弃 (DWTOD) 协议用于网络隐藏通道管理.
• 设计一个混合控制器,结合输出反和冲动控制.
• 应用半张量积 (STP) 技术,利亚普诺夫-克拉索夫斯基函数和不等式理论.

主要成果:

• 为DFAMD SMNNs获得了新的指数稳定性条件.
• 拟议的控制策略有效地减轻了周期性异步攻击的影响.
• 动态隐蔽通道管理增强数据安全性,减少网络拥堵.
• 数字模拟验证了开发方法的有效性.

结论:

• 该DFAMD框架为SMNN面对复杂攻击的稳定性提供了一个强大的解决方案.
• 综合方法提高了系统的弹性,安全性和控制效率.
• 这项工作在记忆神经网络的安全和稳定运行方面取得了重大进展.