論文の概要: A Kolmogorov-Arnold Network for Explainable Detection of Cyberattacks on EV Chargers

• arxiv url: http://arxiv.org/abs/2503.02281v1
• Date: Tue, 04 Mar 2025 05:06:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:19:25.177076
• Title: A Kolmogorov-Arnold Network for Explainable Detection of Cyberattacks on EV Chargers
• Title（参考訳）: Kolmogorov-ArnoldネットワークによるEV充電器のサイバー攻撃検出
• Authors: Ahmad Mohammad Saber, Max Mauro Dias Santos, Mohammad Al Janaideh, Amr Youssef, Deepa Kundur,
• Abstract要約: 本稿では,電気自動車充電器のサイバー攻撃を検出するためのKAN(Kolmogorov-Arnold Network)ベースのフレームワークを提案する。 このフレームワークは、通常の充電シナリオと悪意のある充電シナリオを効果的に区別する。 提案手法は,精度99%,F1スコア92%のEV充電器に対するサイバー攻撃を精度良く検出できることを示す。
• 参考スコア（独自算出の注目度）: 4.8875197799836005
• License:
• Abstract: The increasing adoption of Electric Vehicles (EVs) and the expansion of charging infrastructure and their reliance on communication expose Electric Vehicle Supply Equipment (EVSE) to cyberattacks. This paper presents a novel Kolmogorov-Arnold Network (KAN)-based framework for detecting cyberattacks on EV chargers using only power consumption measurements. Leveraging the KAN's capability to model nonlinear, high-dimensional functions and its inherently interpretable architecture, the framework effectively differentiates between normal and malicious charging scenarios. The model is trained offline on a comprehensive dataset containing over 100,000 cyberattack cases generated through an experimental setup. Once trained, the KAN model can be deployed within individual chargers for real-time detection of abnormal charging behaviors indicative of cyberattacks. Our results demonstrate that the proposed KAN-based approach can accurately detect cyberattacks on EV chargers with Precision and F1-score of 99% and 92%, respectively, outperforming existing detection methods. Additionally, the proposed KANs's enable the extraction of mathematical formulas representing KAN's detection decisions, addressing interpretability, a key challenge in deep learning-based cybersecurity frameworks. This work marks a significant step toward building secure and explainable EV charging infrastructure.
• Abstract（参考訳）: 電気自動車(EV)の採用の増加と充電インフラの拡大、および通信への依存は、サイバー攻撃に対してEVSE(Electric Vehicle Supply Equipment)を露出させる。 本稿では、電力消費測定のみを用いて、EV充電器のサイバー攻撃を検出するための新しいKAN(Kolmogorov-Arnold Network)ベースのフレームワークを提案する。 Kanの非線形で高次元の関数と本質的に解釈可能なアーキテクチャをモデル化する能力を活用し、このフレームワークは通常の充電シナリオと悪意のある充電シナリオを効果的に区別する。 このモデルは、実験的なセットアップによって生成された10万以上のサイバー攻撃ケースを含む包括的なデータセットでオフラインでトレーニングされる。 トレーニングが完了すると、kanモデルが個々の充電器に展開され、サイバー攻撃を示す異常な充電行動がリアルタイムで検出される。 提案手法は,精度99%,F1スコア92%のEV充電器のサイバー攻撃を精度良く検出し,既存の検出方法より優れていた。 さらに、提案したkansは、ディープラーニングベースのサイバーセキュリティフレームワークにおいて重要な課題である解釈可能性に対処して、kanの検出決定を表す数学的公式の抽出を可能にする。 この作業は、セキュアで説明可能なEV充電インフラを構築するための重要なステップとなる。

関連論文リスト

• Charging Ahead: A Hierarchical Adversarial Framework for Counteracting Advanced Cyber Threats in EV Charging Stations [1.873794246359724]
  電気自動車(EV)は、より高い充電優先度を得るために偽情報を提供し、グリッド不安定を引き起こす可能性がある。 本稿では,EV充電ステーションにおける盗難サイバー攻撃を効果的に検出するDRL(HADRL)を用いた階層的対向フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-04T08:23:03Z)
• CARACAS: vehiCular ArchitectuRe for detAiled Can Attacks Simulation [37.89720165358964]
  本稿では、CANメッセージによるコンポーネント制御やアタックインジェクション機能を含む車両モデルであるCARACASを紹介する。 CarACASは、バッテリ・エレクトリック・ビークル(BEV)モデルを含むこの手法の有効性を示し、2つの異なるシナリオでトルク制御を狙う攻撃に焦点を当てている。
  論文  参考訳（メタデータ） (2024-06-11T10:16:55Z)
• Federated Graph Learning for EV Charging Demand Forecasting with Personalization Against Cyberattacks [9.83349306361658]
  電気自動車(EV)の充電需要予測におけるサイバーセキュリティリスクの軽減は、集合EV充電の安全運用、電力グリッドの安定性、コスト効率のよいインフラ拡張において重要な役割を担っている。 既存の方法は、データのプライバシー問題とサイバー攻撃への感受性に悩まされるか、異なるステーション間の空間的相関を考慮できないかのいずれかである。
  論文  参考訳（メタデータ） (2024-04-30T05:17:46Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• A Zero Trust Framework for Realization and Defense Against Generative AI Attacks in Power Grid [62.91192307098067]
  本稿では電力グリッドサプライチェーン(PGSC)のための新しいゼロ信頼フレームワークを提案する。 潜在的なGenAIによる攻撃ベクターの早期発見、テールリスクに基づく安定性の評価、そしてそのような脅威の緩和を容易にする。 実験の結果,ゼロ信頼フレームワークは攻撃ベクトル生成に95.7%の精度,95%安定PGSCに9.61%のリスク尺度,GenAIによる攻撃に対する防御に99%の信頼性が得られた。
  論文  参考訳（メタデータ） (2024-03-11T02:47:21Z)
• DynamiQS: Quantum Secure Authentication for Dynamic Charging of Electric Vehicles [61.394095512765304]
  Dynamic Wireless Power Transfer (DWPT)は、電気自動車を運転中に充電できる新しい技術である。 量子コンピューティングの最近の進歩は、古典的な公開鍵暗号を危険にさらしている。 動的ワイヤレス充電のための第1量子後セキュア認証プロトコルであるDynamiQSを提案する。
  論文  参考訳（メタデータ） (2023-12-20T09:40:45Z)
• Physics-Informed Convolutional Autoencoder for Cyber Anomaly Detection in Power Distribution Grids [0.0]
  本稿では,物理インフォームド・コンボリューション・オートエンコーダ(PIConvAE)を提案する。 提案モデルは、Kirchhoffの法則を適用して、ニューラルネットワークの損失関数に物理原理を統合する。
  論文  参考訳（メタデータ） (2023-12-08T00:05:13Z)
• Charge Manipulation Attacks Against Smart Electric Vehicle Charging Stations and Deep Learning-based Detection Mechanisms [49.37592437398933]
  電気自動車充電ステーション(EVCS)は、グリーントランスポートの実現に向けた重要なステップとなる。 我々は、攻撃者がスマート充電操作中に交換された情報を操作しているEV充電に対する充電操作攻撃(CMA)を調査した。 本稿では,EV充電に関わるパラメータを監視してCMAを検出する,教師なしのディープラーニングに基づくメカニズムを提案する。
  論文  参考訳（メタデータ） (2023-10-18T18:38:59Z)
• Reinforcement Learning based Cyberattack Model for Adaptive Traffic Signal Controller in Connected Transportation Systems [61.39400591328625]
  接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。 この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。 そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。 RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
  論文  参考訳（メタデータ） (2022-10-31T20:12:17Z)
• Enhanced physics-constrained deep neural networks for modeling vanadium redox flow battery [62.997667081978825]
  本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。 ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
  論文  参考訳（メタデータ） (2022-03-03T19:56:24Z)
• Change Point Models for Real-time Cyber Attack Detection in Connected Vehicle Environment [7.863458801839857]
  本研究では,CV環境におけるリアルタイムV2Iサイバー攻撃検出のための2つの変化点モデル,期待最大化(EM)と2種類の累積サミネーション(CUSUM)アルゴリズムの有効性について検討した。
  論文  参考訳（メタデータ） (2020-03-05T21:19:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。