社会意识多智能体协同决策的隐私增强策略VLMDs-Privacy

doi:10.11772/j.issn.1001-9081.2025050654

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (5): 1518-1525.DOI: 10.11772/j.issn.1001-9081.2025050654

• 网络空间安全 • 上一篇

社会意识多智能体协同决策的隐私增强策略VLMDs-Privacy

王云乐, 冯翔(), 虞慧群

华东理工大学计算机科学与工程系，上海 200237

收稿日期:2025-06-13 修回日期:2025-07-17 接受日期:2025-07-22 发布日期:2025-08-01 出版日期:2026-05-10
通讯作者: 冯翔
作者简介:王云乐（1999—），女，云南临沧人，硕士研究生，CCF会员，主要研究方向：差分隐私、多智能体系统
虞慧群（1967—），男，江苏溧阳人，教授，博士，CCF高级会员，主要研究方向：软件工程、可信计算、大数据智能。
基金资助:
国家自然科学基金面上项目(62276097)

VLMDs-Privacy： privacy-enhanced strategy for cooperative decision-making in socially-aware multi-agent systems

Yunle WANG, Xiang FENG(), Huiqun YU

Department of Computer Science and Engineering，East China University of Science and Technology，Shanghai 200237，China

Received:2025-06-13 Revised:2025-07-17 Accepted:2025-07-22 Online:2025-08-01 Published:2026-05-10
Contact: Xiang FENG
About author:WANG Yunle， born in 1999， M. S. candidate. Her research interests include differential privacy， multi-agent systems.
YU Huiqun， born in 1967， Ph. D.， professor. His research interests include software engineering， trusted computing， big data intelligence.
Supported by:
General Program of National Natural Science Foundation of China(62276097)

摘要/Abstract

摘要：

具有社会意识的多智能体系统（MAS）依赖领导结构提升协同决策效率，但易引发基于马尔可夫决策过程（MDP）状态轨迹分析的隐私泄露风险，导致关键节点遭受定向攻击。为此，提出虚拟领导人最小依赖隐私保护策略（VLMDs-Privacy），通过以下方法实现MAS安全高效的协同决策：1）设计状态转移自适应差分隐私机制（STADP），建立状态转移概率与隐私预算的动态映射关系，保护MDP状态轨迹免受逆向推理攻击；2）开发虚拟领导人最小依赖策略（VLMDs），在降低对虚拟领导人依赖的同时实现全局最优决策，显著提升系统抗单点故障能力；3）构建隐私-效率双重调节机制，基于智能体行为可信度动态分配隐私预算，自适应权衡社会意识与隐私保护。实验结果表明，在强隐私约束（ $ε$ =0.1）下，VLMDs-Privacy在导航、动态维修等场景中的平均到达成功率达94.2%，较传统领导人差分隐私方案VLDPs-Privacy （27.9%）提升66.3个百分点，相较于非隐私保护场景仅降低3.3%。该结果验证了VLMDs-Privacy在强隐私约束下维持系统协作能力与隐私保护效能的鲁棒性，可为开放环境中隐私敏感型MAS的协同决策提供理论和技术支撑。

关键词: 社会意识, 多智能体系统, 马尔可夫决策过程, 虚拟领导人, 差分隐私

Abstract:

Socially-aware Multi-Agent Systems （MASs） rely on leadership structures to enhance collaborative decision-making efficiency， but are vulnerable to privacy leakage risks caused by the analysis of state trajectories in Markov Decision Processes （MDPs）， exposing critical nodes to targeted attacks. To address these challenges， a Virtual Leader Minimal Dependency Privacy protection strategy （VLMDs-Privacy） was proposed， which achieved secure and efficient collaborative decision-making in MAS through the following methods： 1） A State Transition Adaptive Differential Privacy mechanism （STADP） was designed to establish a dynamic mapping between state-transition probabilities and privacy budgets， protecting MDP state trajectories from reverse inference attacks； 2） A Virtual Leader Minimal Dependency strategy （VLMDs） was developed to reduce reliance on virtual leaders while achieving globally optimal decision-making， thereby significantly improving resistance to single-point failures； 3） A privacy-efficiency dual-regulation mechanism was constructed to dynamically allocate privacy budgets based on agent behavior credibility， achieving an adaptive trade-off between social awareness and privacy protection. Experimental results showed that under a strong privacy constraint （ $ε$ = 0.1）， VLMDs-Privacy achieved an average arrival success rate of 94.2% in navigation and dynamic maintenance scenarios， outperforming the conventional leader-based differential privacy scheme VLDPs-Privacy （27.9%） by 66.3 percentage points， with only a 3.3% drop compared to non-private settings. These findings validate the robustness of VLMDs-Privacy in maintaining system collaboration capability and privacy preservation efficiency under strong privacy constraints， providing theoretical and technical support for collaborative decision-making in privacy-sensitive MAS deployed in open environments.

Key words: social awareness, Multi-Agent System (MAS), Markov Decision Process (MDP), virtual leader, differential privacy

中图分类号:

TP309.7

王云乐, 冯翔, 虞慧群. 社会意识多智能体协同决策的隐私增强策略VLMDs-Privacy[J]. 计算机应用, 2026, 46(5): 1518-1525.

Yunle WANG, Xiang FENG, Huiqun YU. VLMDs-Privacy： privacy-enhanced strategy for cooperative decision-making in socially-aware multi-agent systems[J]. Journal of Computer Applications, 2026, 46(5): 1518-1525.

图/表 10

图1 具有社会意识的MAS自主制定旅游计划的决策过程

Fig. 1 Decision-making process of socially-aware MAS in making own travel plan

图2 VLMDs-Privacy的流程

Fig. 2 Flowchart of VLMDs-Privacy

图3 MAN场景中不同算法的到达成功率对比

Fig. 3 Comparison of arrival success rates for different algorithms in MAN scenarios

图4 MADR场景中不同算法的到达成功率对比

Fig. 4 Comparison of arrival success rates for different algorithms in MADR scenarios

表1 各种算法在不同隐私参数ε下的到达成功率（MANC）

Tab. 1 Arrival success rates of various algorithms under different privacy parameters ε （MANC）

$ε$	到达成功率/%
$ε$	MLD_DP	MDJP_DP	VLDPs-Privacy	VLMDs-Privacy
0.1	91.6	91.6	10.6	94.1
1	92.0	92.1	12.2	94.7
5	92.6	92.5	30.8	94.5
10	94.8	94.9	86.3	95.3
无隐私	96.3	96.2	99.0	96.5

表1 各种算法在不同隐私参数ε下的到达成功率（MANC）

Tab. 1 Arrival success rates of various algorithms under different privacy parameters ε （MANC）

$ε$	到达成功率/%
$ε$	MLD_DP	MDJP_DP	VLDPs-Privacy	VLMDs-Privacy
0.1	91.6	91.6	10.6	94.1
1	92.0	92.1	12.2	94.7
5	92.6	92.5	30.8	94.5
10	94.8	94.9	86.3	95.3
无隐私	96.3	96.2	99.0	96.5

图5 不同迭代次数的到达成功率

Fig. 5 Arrival success rate for different number of iterations

图6 不同隐私参数的到达成功率

Fig. 6 Arrival success rate for different privacy parameters

图7 总相关性对到达成功率及迭代收敛的影响

Fig. 7 Influence of global correlation on arrival success rate and iteration convergence

图8 不同社群在不同初始状态下的到达成功概率（MADR）

Fig. 8 Arrival success rates of different communities in different initial states （MADR）

图9 只有1个智能体正常工作时的到达成功率

Fig. 9 Arrival success rates with only one agent working properly

参考文献 20

[1]	LI Y， MA D， AN Z， et al. V2X-Sim： multi-agent collaborative perception dataset and benchmark for autonomous driving［J］. IEEE Robotics and Automation Letters， 2022， 7（4）： 10914-10921.
[2]	YING C， ZHENG N， WU Y， et al. Privacy-preserving adaptive resilient consensus for multiagent systems under cyberattacks［J］. IEEE Transactions on Industrial Informatics， 2024， 20（2）： 1630-1640.
[3]	LIU Y， ZHOU Y， YANG L， et al. Simulating staff activities in healthcare environments： an empirical multi-agent modeling approach［J］. Journal of Building Engineering， 2024， 84： No.108580.
[4]	KHAN H I， FRIDOVICH-KEIL D. Leadership inference for multi-agent interactions［J］. IEEE Robotics and Automation Letters， 2024， 9（5）： 4671-4678.
[5]	NI J， SHI P. Adaptive neural network fixed-time leader–follower consensus for multiagent systems with constraints and disturbances［J］. IEEE Transactions on Cybernetics， 2021， 51（4）： 1835-1848.
[6]	ZHANG L， LI Y， LU J， et al. Bipartite event-triggered impulsive output consensus for switching multi-agent systems with dynamic leader［J］. Information Sciences， 2022， 612： 414-426.
[7]	WANG P， WEN G， HUANG T， et al. Asymptotical neuro-adaptive consensus of multi-agent systems with a high dimensional leader and directed switching topology［J］. IEEE Transactions on Neural Networks and Learning Systems， 2023， 34（11）： 9149-9160.
[8]	LIU Y， DONG X， SHI P， et al. Distributed fault-tolerant formation tracking control for multiagent systems with multiple leaders and constrained actuators［J］. IEEE Transactions on Cybernetics， 2023， 53（6）： 3738-3747.
[9]	ZHANG H， LI W， ZHANG J， et al. Fully distributed dynamic event-triggered bipartite formation tracking for multiagent systems with multiple nonautonomous leaders［J］. IEEE Transactions on Neural Networks and Learning Systems， 2023， 34（10）： 7453-7466.
[10]	RADFORD A， KIM J W， HALLACY C， et al. Learning transferable visual models from natural language supervision［C］// Proceedings of the 38th International Conference on Machine Learning. New York： JMLR.org， 2021： 8748-8763.
[11]	秦臻，庄添铭，朱国淞，等. 面向人工智能模型的安全攻击和防御策略综述［J］. 计算机研究与发展， 2024， 61（10）： 2627-2648.
	QIN Z， ZHUANG T M， ZHU G S， et al. Survey of security attack and defense strategies for artificial intelligence model［J］. Journal of Computer Research and Development， 2024， 61（10）： 2627-2648.
[12]	YAN B， SHI P， LIM C C， et al. Optimal robust formation control for heterogeneous multi-agent systems based on reinforcement learning［J］. International Journal of Robust and Nonlinear Control， 2022， 32（5）： 2683-2704.
[13]	ZHANG W， JIANG B， LI M， et al. Privacy-preserving aggregate mobility data release： an information-theoretic deep reinforcement learning approach［J］. IEEE Transactions on Information Forensics and Security， 2022， 17： 849-864.
[14]	HASSAN A， DEKA D， DWORKIN Y. Privacy-aware load ensemble control： a linearly-solvable MDP approach［J］. IEEE Transactions on Smart Grid， 2022， 13（1）： 255-267.
[15]	DWORK C. Differential privacy［C］// Proceedings of the 2006 International Colloquium on Automata， Languages， and Programming， LNCS 4052. Berlin： Springer， 2006： 1-12.
[16]	YE D， ZHU T， ZHOU W， et al. Differentially private malicious agent avoidance in multiagent advising learning［J］. IEEE Transactions on Cybernetics， 2020， 50（10）： 4214-4227.
[17]	NGO D D， VIETRI G， WU Z S. Improved regret for differentially private exploration in linear MDP［C］// Proceedings of the 39th International Conference on Machine Learning. New York： JMLR.org， 2022： 16529-16552.
[18]	CHEN B， LEAHY K， JONES A， et al. Differential privacy for symbolic systems with application to Markov chains［J］. Automatica， 2023， 152： No.110908.
[19]	SEO K， YANG J. Differentially private actor and its eligibility trace［J］. Electronics， 2020， 9（9）： No.1486.
[20]	ERDEMIR E， DRAGOTTI P L， GÜNDÜZ D. Privacy-aware time-series data sharing with deep reinforcement learning［J］. IEEE Transactions on Information Forensics and Security， 2021， 16： 389-401.

社会意识多智能体协同决策的隐私增强策略VLMDs-Privacy

VLMDs-Privacy： privacy-enhanced strategy for cooperative decision-making in socially-aware multi-agent systems

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 20

相关文章 15

编辑推荐

Metrics

[1]	苏帅, 刘成林. 基于观测器的受扰异构广义多智能体系统的领导跟随一致性[J]. 《计算机应用》唯一官方网站, 2026, 46(4): 1211-1217.
[2]	平欢, 夏战国, 刘思诚, 刘奇翰, 李春磊. 基于多层联邦学习的终端数据隐私保护方案[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 830-838.
[3]	何丽丽, 管新如, 张磊, 蒋胜, 蒋澄杰. 车联网位置隐私保护的全景与未来[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 809-820.
[4]	晏燕, 李飞飞, 吕雅琴, 冯涛. 安全高效的混洗差分隐私频率估计方法[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2600-2611.
[5]	俞凯乐, 廖家俊, 毛嘉莉, 黄小鹏. 多约束条件下钢铁物流车货匹配的多目标优化[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2477-2483.
[6]	徐超, 张淑芬, 陈海田, 彭璐璐, 张帅华. 基于自适应差分隐私与客户选择优化的联邦学习方法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 482-489.
[7]	陈海田, 陈学斌, 马锐奎, 张帅华. 面向遥感数据的基于本地差分隐私的联邦学习隐私保护方案[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 506-517.
[8]	况翔, 马震, 朱万春, 张智, 崔云飞. 基于编解码结构强化学习的安全可靠服务功能链部署[J]. 《计算机应用》唯一官方网站, 2025, 45(12): 3947-3956.
[9]	张淑芬, 汤本建, 田子坤, 秦肖阳. 基于差分隐私的联邦学习研究综述[J]. 《计算机应用》唯一官方网站, 2025, 45(10): 3221-3230.
[10]	晏燕, 钱星颖, 闫鹏斌, 杨杰. 位置大数据的联邦学习统计预测与差分隐私保护方法[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 127-135.
[11]	张治政, 张啸剑, 王俊清, 冯光辉. 结合差分隐私与安全聚集的联邦空间数据发布方法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2777-2784.
[12]	陈廷伟, 张嘉诚, 王俊陆. 面向联邦学习的随机验证区块链构建[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2770-2776.
[13]	唐睿, 庞川林, 张睿智, 刘川, 岳士博. D2D通信增强的蜂窝网络中基于DDPG的资源分配[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1562-1569.
[14]	唐朝君, 夏梅妍, 张华, 谢挺. 动态事件触发下多智能体系统固定时间一致性[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 960-965.
[15]	彭鹏, 倪志伟, 朱旭辉, 陈千. 改进萤火虫群算法协同差分隐私的干扰轨迹发布[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 496-503.