多区域互联电力系统在拒绝服务攻击下的稳定性分析 学术背景 随着现代社会对电力需求的不断增加，电力系统的稳定性和安全性成为了至关重要的问题。为了满足电力需求，多个发电区域通过互联的方式形成了一个整体系统，以确保即使某个区域发生故障，其他区域仍能继续供电。然而，随着电力系统的复杂化和网络化，网络攻击（尤其是拒绝服务攻击，Denial of Service, DoS）对电力系统的威胁日益增加。DoS攻击通过阻断通信通道，可能导致系统不稳定甚至崩溃。因此，研究多区域互联电力系统（Multi-Area Interconnected Power System, MAIPS）在DoS攻击下的稳定性，具有重要的理论和实际意义。 本文的研究正是基于这一背景，旨在探讨如何在DoS攻击下保持MAIPS的稳定性，并...

自模型自由学习与有外部奖励学习在信息受限环境中的对比：一种新的强化学习框架 近年来，随着网络和人工智能系统的发展，网络化学习机制受到显著的安全挑战。在强化学习（Reinforcement Learning, RL）领域，奖励信号丧失、数据包丢失以及故意的网络攻击已成为影响学习系统性能的重要障碍。针对这一问题，来自乔治亚理工学院的Prachi Pratyusha Sahoo（IEEE学生会员）和Kyriakos G. Vamvoudakis（IEEE高级会员）提出了一种依靠内部奖励信号的新型强化学习框架，称为“自模型无学习”（Self-Model-Free RL）。本文发表于2024年12月《IEEE Transactions on Artificial Intelligence》，展示了在奖...