論文の概要: Profiling Electric Vehicles via Early Charging Voltage Patterns

• arxiv url: http://arxiv.org/abs/2506.07714v1
• Date: Mon, 09 Jun 2025 12:57:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.955151
• Title: Profiling Electric Vehicles via Early Charging Voltage Patterns
• Title（参考訳）: 初期帯電電圧パターンによる電気自動車のプロファイリング
• Authors: Francesco Marchiori, Denis Donadel, Alessandro Brighente, Mauro Conti,
• Abstract要約: 電気自動車(EV)は、燃料駆動車に代わる持続可能な代替手段として急速に普及している。 近年の結果,攻撃者はリレー攻撃によってエネルギーを盗む可能性が示唆された。 1つの対策は、充電中に交換された電流でEVの指紋を活用することだ。
• 参考スコア（独自算出の注目度）: 56.4040698609393
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Electric Vehicles (EVs) are rapidly gaining adoption as a sustainable alternative to fuel-powered vehicles, making secure charging infrastructure essential. Despite traditional authentication protocols, recent results showed that attackers may steal energy through tailored relay attacks. One countermeasure is leveraging the EV's fingerprint on the current exchanged during charging. However, existing methods focus on the final charging stage, allowing malicious actors to consume substantial energy before being detected and repudiated. This underscores the need for earlier and more effective authentication methods to prevent unauthorized charging. Meanwhile, profiling raises privacy concerns, as uniquely identifying EVs through charging patterns could enable user tracking. In this paper, we propose a framework for uniquely identifying EVs using physical measurements from the early charging stages. We hypothesize that voltage behavior early in the process exhibits similar characteristics to current behavior in later stages. By extracting features from early voltage measurements, we demonstrate the feasibility of EV profiling. Our approach improves existing methods by enabling faster and more reliable vehicle identification. We test our solution on a dataset of 7408 usable charges from 49 EVs, achieving up to 0.86 accuracy. Feature importance analysis shows that near-optimal performance is possible with just 10 key features, improving efficiency alongside our lightweight models. This research lays the foundation for a novel authentication factor while exposing potential privacy risks from unauthorized access to charging data.
• Abstract（参考訳）: 電気自動車(EV)は、燃料駆動車に代わる持続可能な代替手段として急速に普及しており、安全な充電インフラが不可欠である。 従来の認証プロトコルにもかかわらず、最近の結果は、攻撃者はリレー攻撃を調整してエネルギーを盗む可能性があることを示している。 1つの対策は、充電中に交換された電流でEVの指紋を活用することだ。 しかし、既存の方法は最終充電段階に焦点を合わせ、悪意のあるアクターが検出され、否定される前にかなりのエネルギーを消費することを可能にする。 これは、不正な充電を防ぐために、より早く、より効果的な認証方法の必要性を浮き彫りにする。 一方、プロファイリングはプライバシーの懸念を高め、充電パターンによるEVの識別がユーザー追跡を可能にする。 本稿では,初期充電時の物理的測定値を用いてEVを一意に識別するフレームワークを提案する。 プロセスの初期における電圧挙動は、後段における電流挙動と類似した特性を示すと仮定する。 初期電圧測定から特徴を抽出することにより,EVプロファイリングの実現可能性を示す。 提案手法は,より高速で信頼性の高い車両識別を可能にすることによって既存の手法を改善する。 我々は、49台のEVから7408個の使用可能な料金のデータセットでソリューションをテストし、最大0.86の精度を実現した。 特徴重要度分析は、10つの重要な機能だけでほぼ最適性能が実現でき、軽量モデルと並行して効率が向上することを示している。 この研究は、未承認のデータへのアクセスによる潜在的なプライバシーリスクを露呈しつつ、新しい認証要素の基礎を築いた。

関連論文リスト

• Leaky Batteries: A Novel Set of Side-Channel Attacks on Electric Vehicles [17.351539765989433]
  現在の研究は、バッテリー消費データ露出の幅広い影響を概ね見落としている。 本稿では、EVバッテリデータを利用してセンシティブなユーザ情報を抽出する、新たなサイドチャネル攻撃手法を提案する。 我々の攻撃は全ての攻撃目標に対して平均95.4%の成功率を達成した。
  論文  参考訳（メタデータ） (2025-03-11T23:18:26Z)
• Divide-Conquer Transformer Learning for Predicting Electric Vehicle Charging Events Using Smart Meter Data [4.820576346277399]
  過去のスマートメーターデータを用いた家庭用充電予測手法を開発した。 我々は様々な予測時間で96.81%以上の精度を一貫して達成している。
  論文  参考訳（メタデータ） (2024-03-20T02:17:16Z)
• Revisiting the Power of Prompt for Visual Tuning [50.11465784194896]
  本研究では,プロンプトとパッチトークンの相互関係について検討した。 プロンプトトークンはパッチトークンと高い相互情報を共有する傾向にあるという観測から着想を得て,下流トークンのプロトタイプを用いた初期化プロンプトを提案する。 本手法は, 自己指導型プレトレーニングの適応性を著しく向上させ, 少なくとも10%から30%のタスク性能向上を実現した。
  論文  参考訳（メタデータ） (2024-02-04T07:49:02Z)
• 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)
• Non-Intrusive Load Monitoring for Feeder-Level EV Charging Detection: Sliding Window-based Approaches to Offline and Online Detection [4.820576346277399]
  我々は,スライディングウインドウの特徴抽出と古典的機械学習技術を含む,供給者レベルでのEV検出のための新規かつ効果的なアプローチを開発した。 開発した手法は,高速なトレーニングが可能な軽量で効率的なソリューションを提供する。 実験の結果,Fスコア98.88%,オンライン検出93.01%の高精度なEV充電検出が可能となった。
  論文  参考訳（メタデータ） (2023-12-04T13:40:22Z)
• 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)
• Effective Pre-Training Objectives for Transformer-based Autoencoders [97.99741848756302]
  トランスフォーマーエンコーダの効率,コスト,精度のトレードオフについて検討する。 共通の目的の機能を組み合わせて、新しい効果的な事前学習アプローチを作成します。
  論文  参考訳（メタデータ） (2022-10-24T18:39:44Z)
• Uncertainty-Aware Prediction of Battery Energy Consumption for Hybrid Electric Vehicles [2.147325264113341]
  本稿では,バッテリエネルギー消費をモデル化するための機械学習手法を提案する。 予測の不確実性を低減させることで、この手法は車両の性能に対する信頼を高めるのに役立つ。 従来の手法に比べて,予測の不確実性や精度が向上した。
  論文  参考訳（メタデータ） (2022-04-27T10:29:38Z)
• An Energy Consumption Model for Electrical Vehicle Networks via Extended Federated-learning [50.85048976506701]
  本稿では,フェデレートラーニングモデルに基づく不安度を測る新しい手法を提案する。 バッテリー消費を推定し、車両ネットワークにエネルギー効率の高いルートプランニングを提供する。
  論文  参考訳（メタデータ） (2021-11-13T15:03:44Z)

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。