Fugu-MT 論文翻訳(概要): Anomaly Detection in Electric Vehicle Charging Stations Using Federated Learning

論文の概要: Anomaly Detection in Electric Vehicle Charging Stations Using Federated Learning

arxiv url: http://arxiv.org/abs/2509.18126v1
Date: Thu, 11 Sep 2025 03:46:41 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-28 15:30:14.392147
Title: Anomaly Detection in Electric Vehicle Charging Stations Using Federated Learning
Title（参考訳）: フェデレーションラーニングを用いた電気自動車充電ステーションの異常検出
Authors: Bishal K C, Amr Hilal, Pawan Thapa,
Abstract要約: Federated Learning(FL)は、IoTエコシステムで使用されている分散トレーニングフレームワークで、生データをローカルに保持することでプライバシを保護する。システムおよびデータの不均一性を考慮した電気自動車充電ステーションにおける異常検出のためのFLの性能評価を行った。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Federated Learning (FL) is a decentralized training framework widely used in IoT ecosystems that preserves privacy by keeping raw data local, making it ideal for IoT-enabled cyber-physical systems with sensing and communication like Smart Grids (SGs), Connected and Automated Vehicles (CAV), and Electric Vehicle Charging Stations (EVCS). With the rapid expansion of electric vehicle infrastructure, securing these IoT-based charging stations against cyber threats has become critical. Centralized Intrusion Detection Systems (IDS) raise privacy concerns due to sensitive network and user data, making FL a promising alternative. However, current FL-based IDS evaluations overlook practical challenges such as system heterogeneity and non-IID data. To address these challenges, we conducted experiments to evaluate the performance of federated learning for anomaly detection in EV charging stations under system and data heterogeneity. We used FedAvg and FedAvgM, widely studied optimization approaches, to analyze their effectiveness in anomaly detection. Under IID settings, FedAvg achieves superior performance to centralized models using the same neural network. However, performance degrades with non-IID data and system heterogeneity. FedAvgM consistently outperforms FedAvg in heterogeneous settings, showing better convergence and higher anomaly detection accuracy. Our results demonstrate that FL can handle heterogeneity in IoT-based EVCS without significant performance loss, with FedAvgM as a promising solution for robust, privacy-preserving EVCS security.
Abstract（参考訳）: Federated Learning(FL)は、IoTエコシステムで広く使用されている分散トレーニングフレームワークで、生データをローカルに保持することでプライバシを保護し、Smart Grids(SG)、Connected and Automated Vehicles(CAV)、Electric Vehicle Charging Stations(EVCS)といった、IoT対応のサイバー物理システムに理想的だ。電気自動車インフラの急速な拡大により、これらのIoTベースの充電ステーションをサイバー脅威から守ることが重要になっている。集中侵入検知システム(IDS)は、機密ネットワークとユーザデータによるプライバシー上の懸念を高め、FLが有望な代替手段となる。しかし、現在のFL-based IDS評価は、システム不均一性や非IIDデータといった実用上の課題を見落としている。これらの課題に対処するため,システムとデータの不均一性を考慮した電気自動車充電ステーションにおける異常検出のためのフェデレート学習の性能評価実験を行った。我々は、FedAvgとFedAvgMを用いて、最適化手法を広く研究し、異常検出の有効性を解析した。 IID設定下では、FedAvgは同じニューラルネットワークを使用した集中型モデルよりも優れたパフォーマンスを実現している。しかし、性能は非IIDデータとシステム不均一性で劣化する。 FedAvgMは不均一な設定でFedAvgを一貫して上回り、収束性の向上と異常検出精度の向上を示す。我々の結果は、FLがIoTベースのEVCSの不均一性を大きなパフォーマンス損失なく処理できることを示し、FedAvgMは堅牢でプライバシー保護のEVCSセキュリティのための有望なソリューションである。

関連論文リスト

VAE-based Feature Disentanglement for Data Augmentation and Compression in Generalized GNSS Interference Classification [42.14439854721613]
干渉の正確な分類を可能にする重要な潜伏特徴を抽出するために, アンタングル化のための変分オートエンコーダ (VAE) を提案する。提案するVAEは512から8,192の範囲のデータ圧縮率を実現し,99.92%の精度を実現している。
論文参考訳（メタデータ） (2025-04-14T13:38:00Z)
Smooth Handovers via Smoothed Online Learning [48.953313950521746]
まず、欧州の商用モバイルネットワークオペレータ(MNO)から4000万人以上のユーザを対象に、HOに対する重要な特徴とパフォーマンスへの影響を理解し、明らかにするために、広範なデータセットを分析した。本研究は, HO故障/遅延と無線セルとエンドユーザーデバイスの特徴の相関関係を明らかにする。本稿では,HO最適化にデバイスとセルの機能を組み込むことで,既存のアプローチを拡張したスムーズで高精度なHOのための現実的なシステムモデルを提案する。
論文参考訳（メタデータ） (2025-01-14T13:16:33Z)
Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
異常と欠落したデータは、産業応用における厄介な問題を構成する。ディープラーニングによる異常検出が重要な方向として現れている。エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
論文参考訳（メタデータ） (2024-11-06T15:38:31Z)
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をあてていた。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)
Federated Deep Learning for Intrusion Detection in IoT Networks [1.3097853961043058]
AIベースの侵入検知システム(IDS)を分散IoTシステムに実装する一般的なアプローチは、中央集権的な方法である。このアプローチはデータのプライバシを侵害し、IDSのスケーラビリティを禁止します。我々は、実世界の実験代表を設計し、FLベースのIDSの性能を評価する。
論文参考訳（メタデータ） (2023-06-05T09:08:24Z)
BEV-SGD: Best Effort Voting SGD for Analog Aggregation Based Federated Learning against Byzantine Attackers [32.14738452396869]
本稿では,既存のFLOA文献で広く用いられているチャネル反転(CI)電力制御機構を解析する。我々は、勾配降下(SGD)と統合されたBEV(Best effort voting)電力制御政策と呼ばれる新しい防衛方式を提案する。私たちのBEV-SGDは、すべての労働者が最大送信電力でローカル更新を送信できるようにすることで、FLOAのビザンチン攻撃に対する堅牢性を改善します。
論文参考訳（メタデータ） (2021-10-18T23:55:13Z)
Distributed CNN Inference on Resource-Constrained UAVs for Surveillance Systems: Design and Optimization [43.9909417652678]
無人航空機(UAV)は、広い地域をカバーし、困難で危険な目標地域にアクセスする能力のため、ここ数年で大きな関心を集めている。コンピュータビジョンと機械学習の進歩により、UAVは幅広いソリューションやアプリケーションに採用されている。ディープニューラルネットワーク(DNN)は、それらがオンボードで実行されるのを防ぐ、より深く複雑なモデルに向かって進んでいる。
論文参考訳（メタデータ） (2021-05-23T20:19:43Z)

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。