FenixEdu™

Dissertação

Accelerating Average Consensus in Dynamical Networks Without Compromising Accuracy, Privacy or Resilience EVALUATED

Detalhes: Muitos sistemas em rede, desde redes de sensores até plataformas como redes sociais, necessitam de alcançar um acordo global, garantindo simultaneamente a proteção dos dados individuais e a re- siliencia do sistema perante o comportamento incorreto de alguns agentes. Neste trabalho, estudamos este problema para o consenso em tempo discreto em grafos de comunicação dirigidos e colocamos a seguinte questão: é possível acelerar o processo de consenso sem comprometer a precisão, a pri- vacidade ou a resiliência? Propomos um procedimento de desenho de pesos offline que reorganiza os pesos de interação em duas etapas. Na primeira, projetam-se pesos que respeitam uma ampliação local do estado, utilizada para ocultar o valor inicial de cada agente face a observações de agentes individuais. Na segunda, ajustam-se os pesos em subgrafos que excluem até f agentes potencial- mente maliciosos. Seguidamente, estabelecem-se condições sob as quais: (i) os agentes honestos convergem para o valor de consenso pretendido; (ii) é preservada uma propriedade estrutural de não observabilidade, associada à privacidade; e (iii) o objetivo da otimização se relaciona com a contração do erro de consenso. Nas simulações realizadas sobre redes sintéticas (Erd ˝os–Rényi e Watts–Strogatz) com agentes adversários injetados, os pesos otimizados reduziram o número de iterações necessárias para atingir a precisão pretendida em cerca de 30–40%, em comparação com o mesmo protocolo sem otimização, mantendo inalterada a comunicação por iteração.
Keywords: consenso resiliente, privacidade, sistemas multi-agente em rede, otimização do design de pesos em consenso, observabilidade e teste PBH.

Discussão: dezembro 4, 2025, 11:30

Documentos da dissertação ainda não disponíveis publicamente