دفاع از یک شهر در برابر حملات چند پهپادی: رویکرد بازی‌های امنیتی استکلبرگ ترتیبی

بسمه تعالی

عنوان: Defending a City from Multi-Drone Attacks: A Sequential Stackelberg Security Games Approach
نویسندگان: Dolev Mutzari, Tonmoay Deb, Cristian Molinaro, Andrea Pugliese, V.S. Subrahmanian, Sarit Kraus
منتشرشده در: Artificial Intelligence (Elsevier), جلد 349، سال 2025

🎯 مسئله

با افزایش تهدید حملات چندپهپادی (multi-drone) علیه شهرها، نیاز به مدل‌های دفاعی هوشمند و بهینه به‌شدت افزایش یافته است.
مشکل اصلی این است که منابع دفاعی (پهپادهای مدافع) محدود بوده و باید در نقاط مختلف شهر مستقر شوند تا از بیشینه خسارت ممکن جلوگیری شود، نه صرفاً شکار سریع مهاجمان.

💡 ایده‌ی اصلی

پژوهشگران یک مدل جدید معرفی می‌کنند که بر پایه‌ی بازی‌های امنیتی استکلبرگ ترتیبی (Sequential Stackelberg Security Games – SSSG) ساخته شده است.
در این چارچوب:

• مدافع ابتدا یک استراتژی ترکیبی دفاعی را متعهد می‌شود،
• سپس مهاجم با مشاهده آن، بهترین پاسخ (Best Response) خود را انتخاب می‌کند.

برای حل این مدل، الگوریتمی به نام S2D2 (Sequential Stackelberg Drone Defense) طراحی شده است.

⚙️ روش‌شناسی

S2D2 شامل سه گام اصلی است:

1. Coarsening (خوشه‌بندی شهر):
   شهر به صورت یک گراف مدل‌سازی می‌شود و به «محله‌ها» یا خوشه‌هایی تقسیم می‌شود که اهداف باارزش نزدیک به هم را در بر دارند.
2. بازی تک‌پهپاد در هر محله:
   در هر محله یک بازی بین یک پهپاد مدافع و یک پهپاد مهاجم اجرا می‌شود تا استراتژی بهینه محلی پیدا شود.
3. بازی متا (Meta-Game):
   از نتایج محلی برای تعیین تخصیص پهپادهای دفاعی در سطح کل شهر استفاده می‌شود تا یک تعادل استکلبرگ قوی تقریبی (ε-SSE) حاصل شود.

.

📊 آزمایش‌ها و داده‌ها

• آزمایش بر روی داده‌های ۸۰ شهر واقعی (از ۱۰۰۰ تا ۲۵۰٬۰۰۰ گره در گراف شهری).
• مقایسه بین S2D2 و الگوریتم‌های حریصانه پیشین.
• سنجش مقاومت مدل در برابر اختلال در پاداش‌ها و جریمه‌ها (تحلیل حساسیت).
• مطالعه‌ی موردی در ۶ شهر بزرگ از ایالات متحده، خاورمیانه و آسیا.

📈 نتایج کلیدی

• S2D2 توانست در تمام موارد، عملکرد مدافع را نسبت به روش‌های قبلی به‌طور قابل‌توجهی بهبود دهد.
• در برخی سناریوها، افزایش سود دفاعی تا 20٪ مشاهده شد.
• نشان داده شد که حتی در صورت نقض پیش‌فرض‌های تئوریک، الگوریتم همچنان نتایج قابل‌اعتماد تولید می‌کند.
• دقت مدل وابسته به پارامتر δ (مقیاس هم‌خوشه‌سازی) است؛ هرچه δ بزرگ‌تر، دقت کمتر ولی سرعت بیشتر.

.

این مقاله در یک تصویر

🧠 دستاوردهای نظری

1. گسترش نظریه‌ی بازی‌های امنیتی استکلبرگ به حالت چندپهپادی و ترتیبی.
2. اثبات وجود تعادل تقریبی (ε-SSE) در شرایط خاص گراف شهری.
3. معرفی الگوریتمی با پیچیدگی محاسباتی قابل‌کنترل برای شهری با صدها هزار گره.

💡اهمیت و کاربرد

مدل ارائه‌شده می‌تواند مبنای تصمیم‌گیری برای دفاع شهری خودکار باشد، به‌ویژه در:

• حفاظت زیرساخت‌های حیاتی،
• برنامه‌ریزی امنیتی در شهرهای هوشمند،
• هماهنگی میان پهپادهای نظامی و مدنی.

⚠️ محدودیت‌ها و مسیر آینده

• مدل فرض می‌کند مکان پهپاد مهاجم پس از اولین حمله قابل‌شناسایی است؛ در عمل، ممکن است این فرض برقرار نباشد.
• نیاز به توسعه برای حملات غیرهوایی یا چندمرحله‌ای دارد.
• ترکیب با یادگیری تقویتی عمیق (Deep RL) برای یادگیری خودکار استراتژی‌های دفاعی پیشنهاد شده است.

📈نتیجه‌گیری

الگوریتم S2D2  نشان می‌دهد که می‌توان با رویکرد بازی‌های ترتیبی،
شهر را در برابر حملات چندپهپادی به شکل کارا، مقیاس‌پذیر و نظریه‌محور دفاع کرد — گامی مهم به سوی سامانه‌های دفاعی خودمختار آینده.

دانلود کامل مقاله: