論文の概要: Federated Anomaly Detection and Mitigation for EV Charging Forecasting Under Cyberattacks

• arxiv url: http://arxiv.org/abs/2511.17978v1
• Date: Sat, 22 Nov 2025 08:41:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.564093
• Title: Federated Anomaly Detection and Mitigation for EV Charging Forecasting Under Cyberattacks
• Title（参考訳）: サイバー攻撃によるEV充電予測に対するフェデレーション異常検出と緩和
• Authors: Oluleke Babayomi, Dong-Seong Kim,
• Abstract要約: 電気自動車(EV)の充電インフラは、運用効率とグリッド安定性を著しく損なうサイバーセキュリティの脅威がエスカレートしている。 既存の予測技術は、堅牢な異常軽減ソリューションとデータ保存プライバシの欠如によって制限されている。 本稿では,データプライバシを同時に保持し,サイバー攻撃を検出し,敵条件下での信頼性の高い需要予測精度を維持する,新しい異常回復型フェデレーション学習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）: 2.733652751545525
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Electric Vehicle (EV) charging infrastructure faces escalating cybersecurity threats that can severely compromise operational efficiency and grid stability. Existing forecasting techniques are limited by the lack of combined robust anomaly mitigation solutions and data privacy preservation. Therefore, this paper addresses these challenges by proposing a novel anomaly-resilient federated learning framework that simultaneously preserves data privacy, detects cyber-attacks, and maintains trustworthy demand prediction accuracy under adversarial conditions. The proposed framework integrates three key innovations: LSTM autoencoder-based distributed anomaly detection deployed at each federated client, interpolation-based anomalous data mitigation to preserve temporal continuity, and federated Long Short-Term Memory (LSTM) networks that enable collaborative learning without centralized data aggregation. The framework is validated on real-world EV charging infrastructure datasets combined with real-world DDoS attack datasets, providing robust validation of the proposed approach under realistic threat scenarios. Experimental results demonstrate that the federated approach achieves superior performance compared to centralized models, with 15.2% improvement in R2 accuracy while maintaining data locality. The integrated cyber-attack detection and mitigation system produces trustworthy datasets that enhance prediction reliability, recovering 47.9% of attack-induced performance degradation while maintaining exceptional precision (91.3%) and minimal false positive rates (1.21%). The proposed architecture enables enhanced EV infrastructure planning, privacy-preserving collaborative forecasting, cybersecurity resilience, and rapid recovery from malicious threats across distributed charging networks.
• Abstract（参考訳）: 電気自動車(EV)の充電インフラは、運用効率とグリッド安定性を著しく損なうサイバーセキュリティの脅威がエスカレートしている。 既存の予測技術は、堅牢な異常軽減ソリューションとデータプライバシ保護の組み合わせが欠如していることによって制限されている。 そこで本稿では,データプライバシを同時に保持し,サイバー攻撃を検出し,敵条件下での信頼性の高い需要予測精度を維持する,新たな異常回復型フェデレーション学習フレームワークを提案する。 提案フレームワークは,各フェデレーションクライアントにデプロイされたLSTMオートエンコーダに基づく分散異常検出,時間的連続性を維持するための補間ベースの異常データ緩和,集中的なデータ集約を伴わない協調学習を可能にするフェデレーション付きLong Short-Term Memory(LSTM)ネットワークの3つの重要なイノベーションを統合する。 このフレームワークは、現実のEV充電インフラストラクチャデータセットと現実世界のDDoS攻撃データセットの組み合わせで検証されており、現実的な脅威シナリオ下で提案されたアプローチの堅牢な検証を提供する。 実験結果から,データ局所性を維持しつつ,R2の精度を15.2%向上した集中型モデルと比較して,フェデレート手法が優れた性能を発揮することが示された。 統合されたサイバー攻撃検出・緩和システムは、予測信頼性を高め、攻撃による性能劣化の47.9%を回復し、例外的精度(91.3%)と最小偽陽性率(1.21%)を維持している。 提案したアーキテクチャにより、EVインフラストラクチャの計画の強化、プライバシ保護による協調予測、サイバーセキュリティの回復、分散充電ネットワーク全体の悪意のある脅威からの迅速な回復が可能になる。

関連論文リスト

• Reliability and Resilience of AI-Driven Critical Network Infrastructure under Cyber-Physical Threats [1.7614511833648008]
  本稿では,サイバー物理的攻撃条件下でのカスケード障害を軽減するための耐障害性とレジリエンスに配慮した枠組みを提案する。 NS-3シミュレーションを用いて総合的な検証を行い、信頼性、レイテンシ、レジリエンス指数、パケット損失率などの重要な性能指標を分析した。
  論文  参考訳（メタデータ） (2025-10-22T06:56:44Z)
• Privacy-Preserving Federated Embedding Learning for Localized Retrieval-Augmented Generation [60.81109086640437]
  我々はFedE4RAG(Federated Retrieval-Augmented Generation)と呼ばれる新しいフレームワークを提案する。 FedE4RAGはクライアント側RAG検索モデルの協調トレーニングを容易にする。 モデルパラメータの保護にフェデレート学習の準同型暗号化を適用する。
  論文  参考訳（メタデータ） (2025-04-27T04:26:02Z)
• WeiDetect: Weibull Distribution-Based Defense against Poisoning Attacks in Federated Learning for Network Intrusion Detection Systems [23.03944479383518]
  WeiDetectは、悪意のある参加者を検知するFLベースのNIDSのための2段階のサーバーサイド防御機構である。 多様な攻撃環境におけるアプローチの有効性を評価する実験を行った。 WeDetectは最先端の防衛アプローチよりも優れています。
  論文  参考訳（メタデータ） (2025-04-06T05:31:24Z)
• Byzantine-Robust Federated Learning Using Generative Adversarial Networks [1.4091801425319963]
  フェデレートラーニング(FL)は、生データを共有せずに分散クライアント間で協調的なモデルトレーニングを可能にするが、その堅牢性は、データやモデル中毒といったビザンチンの行動によって脅かされている。 本稿では,クライアントの更新を検証するための代表データを生成するために,サーバ上の条件付き生成逆ネットワーク(cGAN)を活用することで,これらの課題に対処する防衛フレームワークを提案する。 このアプローチは、外部データセットへの依存を排除し、多様な攻撃戦略に適応し、標準FLにシームレスに統合する。
  論文  参考訳（メタデータ） (2025-03-26T18:00:56Z)
• 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。 最大98.1%の精度でグリッド安定性を予測でき、98.9%で敵の攻撃を検知できる。 シングルボードコンピュータ上で実装され、7ms以下の平均応答時間でリアルタイムな意思決定を可能にする。
  論文  参考訳（メタデータ） (2025-01-27T20:48:25Z)
• Digital Twin-Assisted Data-Driven Optimization for Reliable Edge Caching in Wireless Networks [60.54852710216738]
  我々はD-RECと呼ばれる新しいデジタルツインアシスト最適化フレームワークを導入し、次世代無線ネットワークにおける信頼性の高いキャッシュを実現する。 信頼性モジュールを制約付き決定プロセスに組み込むことで、D-RECは、有利な制約に従うために、アクション、報酬、状態を適応的に調整することができる。
  論文  参考訳（メタデータ） (2024-06-29T02:40:28Z)
• Certifiably Byzantine-Robust Federated Conformal Prediction [49.23374238798428]
  本稿では,悪意のあるクライアントに対する堅牢な共形予測を行う新しいフレームワークRob-FCPを提案する。 我々は、さまざまなビザンチン攻撃の下で、悪意のあるクライアントの多様な割合に対するRob-FCPの堅牢性を実証的に実証した。
  論文  参考訳（メタデータ） (2024-06-04T04:43:30Z)
• 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)

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。