論文の概要: Fuse and Federate: Enhancing EV Charging Station Security with Multimodal Fusion and Federated Learning
- arxiv url: http://arxiv.org/abs/2506.06730v1
- Date: Sat, 07 Jun 2025 09:34:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-10 16:33:10.453324
- Title: Fuse and Federate: Enhancing EV Charging Station Security with Multimodal Fusion and Federated Learning
- Title（参考訳）: Fuse and Federate:マルチモーダルフュージョンとフェデレーションラーニングによるEV充電ステーションのセキュリティ向上
- Authors: Rabah Rahal, Abdelaziz Amara Korba, Yacine Ghamri-Doudane,
- Abstract要約: 電気自動車のグローバルな普及は、スマートグリッドインフラの重要な構成要素として、電気自動車供給装置(EVSE)を確立している。
EVSEシステムは、ネットワーク偵察、バックドア侵入、分散型サービス拒否(DDoS)攻撃など、重要なサイバーセキュリティ上の課題に直面している。
本稿では,ネットワークトラフィックやカーネルイベントを含むマルチモーダルデータソースを利用して,複雑な攻撃パターンを識別する新しい侵入検出フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 3.783757921469148
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid global adoption of electric vehicles (EVs) has established electric vehicle supply equipment (EVSE) as a critical component of smart grid infrastructure. While essential for ensuring reliable energy delivery and accessibility, EVSE systems face significant cybersecurity challenges, including network reconnaissance, backdoor intrusions, and distributed denial-of-service (DDoS) attacks. These emerging threats, driven by the interconnected and autonomous nature of EVSE, require innovative and adaptive security mechanisms that go beyond traditional intrusion detection systems (IDS). Existing approaches, whether network-based or host-based, often fail to detect sophisticated and targeted attacks specifically crafted to exploit new vulnerabilities in EVSE infrastructure. This paper proposes a novel intrusion detection framework that leverages multimodal data sources, including network traffic and kernel events, to identify complex attack patterns. The framework employs a distributed learning approach, enabling collaborative intelligence across EVSE stations while preserving data privacy through federated learning. Experimental results demonstrate that the proposed framework outperforms existing solutions, achieving a detection rate above 98% and a precision rate exceeding 97% in decentralized environments. This solution addresses the evolving challenges of EVSE security, offering a scalable and privacypreserving response to advanced cyber threats
- Abstract（参考訳）: 電気自動車(EV)のグローバルな普及は、スマートグリッドインフラの重要な構成要素として、電気自動車供給装置(EVSE)を確立している。
EVSEシステムは、信頼性の高いエネルギー配信とアクセシビリティを確保するために不可欠だが、ネットワーク偵察、バックドア侵入、分散型サービス拒否(DDoS)攻撃など、重要なサイバーセキュリティ上の課題に直面している。
これらの新興脅威はEVSEの相互接続と自律性によって引き起こされ、従来の侵入検知システム(IDS)を超えた革新的で適応的なセキュリティメカニズムを必要とする。
ネットワークベースであれホストベースであれ,既存のアプローチでは,EVSEインフラストラクチャの新たな脆弱性を悪用するために開発された,高度なターゲット攻撃の検出に失敗することが多い。
本稿では,ネットワークトラフィックやカーネルイベントを含むマルチモーダルデータソースを利用して,複雑な攻撃パターンを識別する新しい侵入検出フレームワークを提案する。
このフレームワークは分散学習アプローチを採用し、EVSEステーション間で協調的なインテリジェンスを可能にし、フェデレートされた学習を通じてデータのプライバシを保存する。
実験の結果,提案手法は既存のソリューションよりも優れており,検出率は98%以上であり,分散環境では精度が97%以上であることがわかった。
このソリューションはEVSEセキュリティの進化する課題に対処し、高度なサイバー脅威に対するスケーラブルでプライバシー保護の応答を提供する。
関連論文リスト
- A Joint Reconstruction-Triplet Loss Autoencoder Approach Towards Unseen Attack Detection in IoV Networks [6.229535970620059]
In this present an unsupervised autoencoder method designed on beign network data for unseen attack detection in IoV network。
本手法は, 異常データに対して約99%の精度で, 異常データに対して97%から100%の精度で頑健に動作することを示す。
論文 参考訳（メタデータ） (2025-05-27T19:40:57Z) - Zero-Trust Foundation Models: A New Paradigm for Secure and Collaborative Artificial Intelligence for Internet of Things [61.43014629640404]
Zero-Trust Foundation Models (ZTFM)は、ゼロトラストセキュリティの原則をIoT(Internet of Things)システムの基盤モデル(FM)のライフサイクルに組み込む。
ZTFMは、分散、異質、潜在的に敵対的なIoT環境にわたって、セキュアでプライバシ保護のAIを可能にする。
論文 参考訳（メタデータ） (2025-05-26T06:44:31Z) - A Scalable Hierarchical Intrusion Detection System for Internet of Vehicles [1.6017263994482716]
Internet of Vehicles(IoV)は、スプーフィングやDistributed Denial of Services(DDoS)攻撃からマルウェアまで、さまざまなサイバー脅威にさらされている。
IoVエコシステムを侵入、悪意のある活動、ポリシー違反、侵入検知システム(IDS)から保護するためには、ネットワークトラフィックを継続的に監視・分析し、潜在的脅威をリアルタイムに特定・緩和することで重要な役割を果たす。
本稿では,IoVネットワークに適した効果的な階層型分類フレームワークを提案する。
論文 参考訳（メタデータ） (2025-05-22T04:30:26Z) - Federated Learning-Driven Cybersecurity Framework for IoT Networks with Privacy-Preserving and Real-Time Threat Detection Capabilities [0.0]
従来の集中型セキュリティ手法は、IoTネットワークにおけるプライバシ保護とリアルタイム脅威検出のバランスをとるのに苦労することが多い。
本研究では,IoT環境に特化したフェデレート学習駆動型サイバーセキュリティフレームワークを提案する。
局所的に訓練されたモデルのセキュアアグリゲーションは、同型暗号を用いて達成され、機密情報を漏らさずに協調学習が可能である。
論文 参考訳（メタデータ） (2025-02-14T23:11:51Z) - Towards Robust Stability Prediction in Smart Grids: GAN-based Approach under Data Constraints and Adversarial Challenges [53.2306792009435]
本稿では,安定したデータのみを用いて,スマートグリッドの不安定性を検出する新しいフレームワークを提案する。
ジェネレータはGAN(Generative Adversarial Network)に依存しており、ジェネレータは不安定なデータを生成するために訓練される。
我々の解は、実世界の安定と不安定なサンプルからなるデータセットでテストされ、格子安定性の予測において最大97.5%、敵攻撃の検出において最大98.9%の精度を達成する。
論文 参考訳（メタデータ） (2025-01-27T20:48:25Z) - Safeguarding the Future of Mobility: Cybersecurity Issues and Solutions for Infrastructure Associated with Electric Vehicle Charging [0.0]
EV充電ステーション管理システムが提供する膨大なデータには、IoT(Internet of Things)エコシステムが使用されている。
機械学習と深層学習技術によるIDS発達の加速により、侵入検知は学術において主要なトピックとなっている。
本研究の目的は、偽陽性率の低い機械学習による侵入検知システムを用いて、EV充電ステーションのエコシステムを保護することである。
論文 参考訳（メタデータ） (2025-01-24T21:41:38Z) - ACRIC: Securing Legacy Communication Networks via Authenticated Cyclic Redundancy Integrity Check [98.34702864029796]
安全クリティカルな業界における最近のセキュリティインシデントは、適切なメッセージ認証の欠如により、攻撃者が悪意のあるコマンドを注入したり、システムの振る舞いを変更することができることを明らかにした。
これらの欠点は、サイバーセキュリティを強化するために圧力をかける必要性を強調する新しい規制を引き起こしている。
我々は,レガシ産業通信をセキュアにするためのメッセージ認証ソリューションであるACRICを紹介する。
論文 参考訳（メタデータ） (2024-11-21T18:26:05Z) - 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) - Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。
FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。
実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文 参考訳（メタデータ） (2024-01-22T14:16:37Z) - A Novel Federated Learning-Based IDS for Enhancing UAVs Privacy and Security [1.2999518604217852]
フライングアドホックネットワーク(FANET)内で運用されている無人航空機(UAV)は、これらのネットワークの動的で分散的な性質のためにセキュリティ上の問題に直面している。
以前の研究では、すべてのデバイスからのデータを保存し分析する中心的なエンティティとして、集中的な侵入検出に主に焦点が当てられていた。
本稿では、FANETにおける集中型システムによる課題に対処するFL-IDS(Federated Learning-based Intrusion Detection System)を提案する。
論文 参考訳（メタデータ） (2023-12-07T08:50:25Z) - AI-Empowered Data Offloading in MEC-Enabled IoV Networks [40.75165195026413]
本稿では、信頼性、セキュリティ、エネルギー管理、サービス販売者利益の4つの主要な問題に基づいて分類された、データオフロードプロセスの一部としてAIを使用する研究を調査する。
MEC対応のIoVネットワークでデータをオフロードするプロセスにおけるさまざまな課題として、高いモバイル環境における信頼性のオフロード、同一ネットワーク内のユーザに対するセキュリティ、ネットワークへの不活性化を防ぐためのエネルギ管理などがある。
論文 参考訳（メタデータ） (2022-03-31T09:31:53Z)
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。