网络攻击下产品与供应链协同演进系统补偿方法及系统技术方案

本发明专利技术涉及一种网络攻击下产品与供应链协同演进系统补偿方法及系统，针对分布式信息物理系统在网络攻击下数据包丢失的问题，先利用每条子链的历史数据设计基于循环神经网络的预测模型，利用该预测模型预测子链当前库存状态数据，以弥补因网络攻击造成的库存数据丢失；其次，利用零和博弈的思想解决变更以及不确定市场需求下的产品与供应链协同演进系统变更后的一致性问题；最后计算出博弈解以确定最优生产率和不确定市场需求。本发明专利技术能够保证系统在DoS攻击导致设计变更情形下，使产品与供应链协同演进系统达到领导跟随H∞一致，并抑制不确定需求和变更设计带来的牛鞭效应。抑制不确定需求和变更设计带来的牛鞭效应。抑制不确定需求和变更设计带来的牛鞭效应。

【技术实现步骤摘要】
网络攻击下产品与供应链协同演进系统补偿方法及系统


[0001]本专利技术涉及产品与供应链系统领域，特别是涉及一种网络攻击下产品与供应链协同演进系统补偿方法及系统。

技术介绍

[0002]产品与供应链协同演进系统是由服务于产品生产设计及流通的各个节点企业如供应商、制造商、分销商和零售商组成，通过对信息流、物流、资金流的控制实现将原材料生产为产品并交付给用户的分布式网络控制系统 (Networked Control System，NCS)。随着人工智能技术的迅速发展，制造业正逐步由制造自动化向协同智能制造转型。作为国家智能制造重大工程的支撑，产品与供应链协同演进系统在电力供应，智能制造，生物医药，食品加工等领域具有广泛应用前景。
[0003]传统的产品与供应链协同演进系统以满足生产需求为主导，采用专用信道进行数据传输，在运作过程中通常出现物流缓慢，信息传递不及时，无法实现定制化生产，以及因生产率设计不准确而导致库存积仓等问题，致使资源利用率极低。得益于大数据技术与人工智能技术的迅猛发展，产品与供应链协同演进系统开始向数字化，智能化，可组织化转变，成为数据驱动、综合计算和网络通信于一体的信息物理系统(cyber
‑
physical system，CPS)。基于信息物理系统与多智能体技术，产品与供应链协同演进系统可以实现以用户需求为导向的定制化生产，同时对生产过程实时监控以及智能化仓储，从而极大地减少商品库存过剩现象，简化生产流程，提高企业的经营效益。
[0004]基于信息物理系统的产品与供应链协同演进系统以可靠、高效、实时协同的优势为复杂产品的生产销售提供了极大的便利，但由于大量网络设备的引入，使得这类信息物理系统更易受到恶意网络攻击。近年来，网络攻击事件频发，对企业造成了严重的经济损失。产品与供应链协同演进系统已经成为网络攻击的主要目标，频繁的网络攻击会使得产品与供应链协同演进系统中的节点企业遭受严重经济损失，甚至会危害社会稳定和国家发展。因此，如何提高产品与供应链协同演进系统在一类突发网络攻击事件下的应急能力和稳定性具有重要的现实意义。

技术实现思路

[0005]本专利技术的目的是提供一种网络攻击下产品与供应链协同演进系统变更补偿方法及系统，解决网络攻击情形下的系统应急变更控制问题。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]一种网络攻击下产品与供应链协同演进系统补偿方法，所述方法包括：
[0008]获取产品与供应链协同演进系统中每条子链的历史库存状态数据，所述历史库存状态数据包括遭受网络攻击前子链的历史库存状态数据和遭受网络攻击后子链的历史库存状态数据；
[0009]以所述遭受网络攻击后子链的历史库存状态数据为输入，以所述遭受网络攻击前
子链的历史库存状态数据为标签，对基于循环神经网络建立的预测模型进行训练，得到训练好的预测模型；
[0010]针对每条子链，将遭受网络攻击后获得的子链最新库存状态数据输入所述训练好的预测模型，预测出子链当前库存状态数据；
[0011]根据所述子链当前库存状态数据得到子链的局部邻域库存跟踪误差；
[0012]根据所述子链的性能指标函数，以所述子链的局部邻域库存跟踪误差最小为目标，利用零和博弈方法设计子链的最佳生产率和不确定市场需求；所述性能指标函数为关于所述子链的局部邻域库存跟踪误差、所述生产率和所述不确定需求的函数。
[0013]本专利技术还提供一种网络攻击下产品与供应链协同演进系统补偿系统，所述系统包括：
[0014]历史库存状态数据获取模块，用于获取产品与供应链协同演进系统中每条子链的历史库存状态数据，所述历史库存状态数据包括遭受网络攻击前子链的历史库存状态数据和遭受网络攻击后子链的历史库存状态数据；
[0015]模型训练模块，用于以所述遭受网络攻击后子链的历史库存状态数据为输入，以所述遭受网络攻击前子链的历史库存状态数据为标签，对基于循环神经网络建立的预测模型进行训练，得到训练好的预测模型；
[0016]预测模块，用于针对每条子链，将遭受网络攻击后获得的子链最新库存状态数据输入所述训练好的预测模型，预测出子链当前库存状态数据；
[0017]子链的局部邻域库存跟踪误差计算模块，用于根据所述子链当前库存状态数据得到子链的局部邻域库存跟踪误差；
[0018]最佳生产率和不确定市场需求计算模块，用于根据所述子链的性能指标函数，以所述子链的局部邻域库存跟踪误差最小为目标，利用零和博弈方法设计子链的最佳生产率和不确定市场需求；所述性能指标函数为关于所述子链的局部邻域库存跟踪误差、所述生产率和所述不确定需求的函数。
[0019]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0020]本专利技术提供的网络攻击下产品与供应链协同演进系统补偿方法及系统，针对分布式信息物理系统在网络攻击下数据包丢失的问题，先利用每条子链的历史数据设计基于循环神经网络的预测模型，利用该预测模型预测子链当前库存状态数据，以弥补因网络攻击造成的库存数据丢失；其次，利用零和博弈的思想解决变更以及不确定市场需求下的产品与供应链协同演进系统变更后的一致性问题；最后计算出博弈解以确定最优生产率和不确定市场需求。本专利技术能够保证系统在DoS攻击导致设计变更情形下，使产品与供应链协同演进系统达到领导跟随H∞一致，并抑制不确定需求和变更设计带来的牛鞭效应。
附图说明
[0021]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0022]图1为本专利技术提供的网络攻击下变更机制示意图；
[0023]图2为本专利技术实施例1提供的网络攻击下产品与供应链协同演进系统补偿方法流程图；
[0024]图3为本专利技术实施例1提供的产品与供应链协同演进系统拓扑关系图；
[0025]图4为本专利技术实施例1提供的S
‑
C通道丢包情况示意图；
[0026]图5为本专利技术实施例1提供的第一个设备库存预测图；
[0027]图6为本专利技术实施例1提供的第二个设备库存预测图；
[0028]图7为本专利技术实施例1提供的变更前后第一个设备的库存状态变化曲线图；
[0029]图8为本专利技术实施例1提供的变更前后第二个设备的库存状态变化曲线图。
具体实施方式
[0030]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0031]本专利技术的目的是提供一种网络攻击下产品与供应链协同演进系统变更补偿方法及系统，解决网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种网络攻击下产品与供应链协同演进系统补偿方法，其特征在于，所述方法包括：获取产品与供应链协同演进系统中每条子链的历史库存状态数据，所述历史库存状态数据包括遭受网络攻击前子链的历史库存状态数据和遭受网络攻击后子链的历史库存状态数据；以所述遭受网络攻击后子链的历史库存状态数据为输入，以所述遭受网络攻击前子链的历史库存状态数据为标签，对基于循环神经网络建立的预测模型进行训练，得到训练好的预测模型；针对每条子链，将遭受网络攻击后获得的子链最新库存状态数据输入所述训练好的预测模型，预测出子链当前库存状态数据；根据所述子链当前库存状态数据得到子链的局部邻域库存跟踪误差；根据所述子链的性能指标函数，以所述子链的局部邻域库存跟踪误差最小为目标，利用零和博弈方法设计子链的最佳生产率和不确定市场需求；所述性能指标函数为关于所述子链的局部邻域库存跟踪误差、所述生产率和所述不确定需求的函数。2.根据权利要求1所述的补偿方法，其特征在于，所述根据所述子链的性能指标函数，以所述子链的局部邻域库存跟踪误差最小为目标，利用零和博弈方法设计子链的最佳生产率和不确定市场需求，具体包括：根据所述指标函数定义子链的值函数；采用零和博弈方法计算所述值函数的最优值；根据所述值函数的最优值获得所述子链的最优生产率和不确定市场需求。3.根据权利要求2所述的补偿方法，其特征在于，所述采用零和博弈方法计算所述值函数的最优值，具体包括：根据所述值函数建立零和微分博弈公式；根据所述零和微分博弈公式获得等价于所述值函数的哈密尔顿函数；通过Q
‑
learning算法求解所述哈密顿函数的解，所述哈密顿函数的解为所述值函数的最优值。4.根据权利要求3所述的补偿方法，其特征在于，所述哈密尔顿函数的计算公式为：其中，δ
i
为子链的局部邻域库存跟踪误差，u
i
和u
j
分别为第i条子链的生产率和第j条子链的生产率，ω
i
为第i条子链的不确定市场需求，ω
j
为第j条子链的不确定市场需求；A、B和D均为系统矩阵；d
i
为第i条子链的常需求；g
i
为子链i的牵引增益；a
ij
为节点间连接矩阵元素；Q
ii
≥0,R
ii
＞0,R
ij
≥0,T
ii
＞0和T
ij
＞0均为正定对称权重矩阵；γ为牛鞭效应抑制水平常数。5.根据权利要求1
‑
4任一项所述的补偿方法，其特征在于，在所述利用零和博弈方法设
计子链的最佳生产率和不确定市场需求之后，所述方法还包括：判断所述不确定市场需求是否为零，得到第一判定结果；根据所述第一判定结果验证产品与供应链协同演进系统中链主的库存状态是否与所有子链的库存状态保持一致得到第二判定结果，或根据所述第一判定结果验证所述产品与供应链协同演进系统能否抑制...

【专利技术属性】
技术研发人员：李庆奎，高雪峰，易军凯，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：