面向DoS攻击的无人船轨迹跟踪：混合神经网络预测控制方法

本文针对拒绝服务(DoS)攻击下无人船(UMV)轨迹跟踪问题，提出一种韧性控制方案。核心是采用混合神经网络预测器并建立泛化误差边界，为海洋无人系统的网络安全控制提供新思路。关键词：无人船、DoS攻击、轨迹跟踪、神经网络、预测控制、网络安全、海洋机器人。原作者hyecho-1101，来源GitHub，发布时间2026-06-13。

随着海洋资源开发需求增长，UMV广泛应用于测绘、监测等场景，但依赖无线通信易受DoS攻击。DoS攻击通过阻断通信链路，导致控制指令丢失、状态信息中断、时序紊乱甚至系统失稳。传统控制方法假设通信可用，面对攻击表现不佳，需韧性控制策略。

解决方案核心是预测补偿机制：通信中断时用历史数据预测未来控制输入。采用混合神经网络架构：RNN/LSTM捕捉时序依赖，全连接层处理非线性变换，可选注意力机制提升精度。同时建立泛化误差边界，量化攻击对稳定性影响，指导参数设计。

1.系统建模与数据收集：建立UMV动力学模型，收集正常通信下的状态-控制数据，预处理包括异常值剔除、归一化等。2.训练策略：用MSE/Huber损失，Adam优化器，结合正则化、早停等提升泛化。3.实时集成：正常模式接收指令并记录数据；攻击检测后切换预测模式；通信恢复平滑切换。

1.海洋安全与国防：提升军事UMV在对抗环境下的生存能力。2.民用海洋作业：在通信受限（如恶劣天气、干扰）时保障任务执行。3.网络物理系统研究：方法可推广到无人机群、智能电网等CPS，解决DoS攻击下韧性控制共性问题。

总结：混合神经网络预测控制方案实现DoS攻击下UMV自主控制，有理论误差边界保证。未来方向：多智能体协同、复杂攻击模型研究、边缘计算优化、自适应在线学习。该方案为海洋机器人系统安全提供有益思路。