A Resilient Control Strategy for Train-to-Train Communications under Jamming Attacks
Notice bibliographique
Résumé
Communication-Based Train Control (CBTC) systems rely on wireless communications to enhance the efficiency of railway operations. Classical CBTC systems incorporate bidirectional train-to-wayside (T2W) communications through which trains send their status information to wayside units. T2T-CBTC systems represent a burgeoning direction in the future of CBTC. They adopt train-to-train (T2T) communications for adjacent trains to share status information. T2T communications simplify the architecture of traditional CBTC networks and reduce transmission delays. Wireless communications can introduce cybersecurity threats to inter-train communications. This work proposes two resilient control strategies for T2T-CBTC systems to mitigate the effects of jamming. Both strategies are based on multi-agent deep reinforcement learning and aim to control trains’ operations under jamming attacks, allowing them to continue operating safely instead of applying emergency braking. One strategy is based on the Multi-Agent Deep Deterministic Policy Gradient (MADDPG) algorithm, and the other is based on the Multi-Agent Twin Delayed Deep Deterministic Policy Gradient (MATD3) algorithm. The strategies are implemented and compared with an existing strategy based on MADDPG. The experimental results indicate that the proposed MADDPG-based strategy shortens the convergence time by 32% to 42%, while the MATD3-based strategy achieves a reduction of 40% to 48%, compared to the baseline.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».