論文の概要: A Multi-Objective AutoML-based Efficient Intrusion Detection System for EV Charging Networks

• arxiv url: http://arxiv.org/abs/2608.02274v1
• Date: Mon, 03 Aug 2026 14:11:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.591285
• Title: A Multi-Objective AutoML-based Efficient Intrusion Detection System for EV Charging Networks
• Title（参考訳）: EV充電ネットワークのための多目的オートMLによる効率的な侵入検知システム
• Abstract要約: 電気自動車充電システム(EVCS)はIoT(Internet of Things)デバイスとますます結びついており、充電インテリジェンスを改善しつつ、サイバー攻撃への露出を拡大している。 EV充電ネットワークの確保には,侵入検知システム(IDS)が不可欠である。 本稿では,EVCSセキュリティのための多目的自動ML(MOO-AutoML)に基づく効率的なIDSを提案する。
• 参考スコア（独自算出の注目度）: 5.2770040371057085
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electric Vehicle Charging Systems (EVCSs) are increasingly connected with Internet of Things (IoT) devices, which improves charging intelligence but also expands their exposure to cyber-attacks. Intrusion Detection Systems (IDSs) are essential for securing EV charging networks; however, conventional Machine Learning (ML)-based IDSs often rely on manual model design and mainly optimize detection performance without fully considering inference latency and model size. In this paper, a Multi-Objective Automated ML (MOO-AutoML)-based efficient IDS is proposed for EVCS security. The proposed framework uses a lightweight training strategy and a LightGBM-based automated feature selection method to select compact feature subsets based on accumulated feature importance. Then, Non-dominated Sorting Genetic Algorithm III (NSGA-III) jointly optimizes the feature selection threshold and key LightGBM hyperparameters under three objectives: maximizing weighted F1-score, minimizing 99th percentile inference latency ratio, and minimizing model size ratio. Experiments on CICEVSE2024 and CICIDS2017 show that the proposed MOO-AutoML IDS achieves competitive weighted F1-scores, lower P99 inference latency, and smaller model sizes than the compared methods. Overall, the results indicate that the proposed method can support accurate and efficient intrusion detection for EVCS and IoT security under practical deployment constraints.
• Abstract（参考訳）: 電気自動車充電システム(EVCS)はIoT(Internet of Things)デバイスとますます結びついており、充電インテリジェンスを改善しつつ、サイバー攻撃への露出を拡大している。 侵入検知システム(IDS)は、EV充電ネットワークの確保に不可欠であるが、従来の機械学習(ML)ベースのIDSは、しばしば手動モデル設計に依存し、推論遅延やモデルサイズを完全に考慮せずに、主に検出性能を最適化する。 本稿では,多目的自動ML(MOO-AutoML)に基づく効率的なIDSをEVCSセキュリティのために提案する。 提案フレームワークは,軽量なトレーニング戦略とLightGBMに基づく自動特徴選択手法を用いて,蓄積した特徴量の重要度に基づいて,コンパクトな特徴サブセットを選択する。 次に、非支配的ソーティング遺伝的アルゴリズムIII(NSGA-III)は、重み付きF1スコアの最大化、99パーセントの推論遅延比の最小化、モデルサイズ比の最小化という3つの目的の下で、特徴選択しきい値と重要なLightGBMハイパーパラメータを共同で最適化する。 CICEVSE2024とCICIDS2017の実験では、提案されたMOO-AutoML IDSが競合重み付きF1スコア、P99推論遅延の低減、比較した手法よりもモデルサイズが小さいことが示されている。 以上の結果から,本手法はEVCSおよびIoTセキュリティの実用的展開制約下での高精度かつ効率的な侵入検出を支援することができることが示された。

関連論文リスト

• Multi-Agent Collaborative Intrusion Detection for Low-Altitude Economy IoT: An LLM-Enhanced Agentic AI Framework [60.72591149679355]
  低高度経済の急速な拡大により、インターネット・オブ・モノ(LAE-IoT)ネットワークは前例のないセキュリティ上の課題を生んだ。 従来の侵入検知システムは、空中IoT環境のユニークな特徴に対処できない。 LAE-IoTネットワークにおける侵入検出を強化するための大規模言語モデル(LLM)対応エージェントAIフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-25T12:47:25Z)
• Toward Autonomous and Efficient Cybersecurity: A Multi-Objective AutoML-based Intrusion Detection System [10.769230030919074]
  自動機械学習(AutoML)と多目的最適化(MOO)を用いた侵入検知システム(IDS) この研究は、4つのAutoMLステージをすべて統合した最初のIDSフレームワークを示し、リソース制約されたシステムへのデプロイにおいて、検出効率、効率、信頼性を共同で最適化するために、多目的最適化を採用している。
  論文  参考訳（メタデータ） (2025-11-11T17:31:42Z)
• Efficient Onboard Vision-Language Inference in UAV-Enabled Low-Altitude Economy Networks via LLM-Enhanced Optimization [61.55616421408666]
  低高度経済ネットワーク(LAENets)は、航空監視、環境検知、セマンティックデータ収集など、様々な応用を可能にしている。 オンボードビジョン(VLM)は、リアルタイムな推論を提供するが、オンボードの動的ネットワーク条件は限られている。 動的LEENet条件下での通信効率を向上させるUAV対応LEENetシステムを提案する。
  論文  参考訳（メタデータ） (2025-10-11T05:11:21Z)
• A Quantum Genetic Algorithm-Enhanced Self-Supervised Intrusion Detection System for Wireless Sensor Networks in the Internet of Things [1.049126606580198]
  本稿では、量子遺伝的アルゴリズム(QGA)と自己監視学習(SSL)を統合した新しいハイブリッド侵入検知システムを提案する。 提案するフレームワークは、IoT侵入データセットのベンチマークに基づいて評価され、検出精度、偽陽性率、計算効率の点で優れた性能を示す。
  論文  参考訳（メタデータ） (2025-09-03T22:02:39Z)
• A Multi-Step Comparative Framework for Anomaly Detection in IoT Data Streams [0.9208007322096533]
  IoT(Internet of Things)デバイスは重要なセキュリティ問題を導入し、正確な異常検出の必要性を強調している。 本稿では,前処理選択が3つの機械学習アルゴリズムに与える影響を評価する多段階評価フレームワークを提案する。 IoTID20データセットの実験は、GBoostingが前処理設定で常に優れた精度を提供することを示している。
  論文  参考訳（メタデータ） (2025-05-22T16:28:22Z)
• Pruning-Based TinyML Optimization of Machine Learning Models for Anomaly Detection in Electric Vehicle Charging Infrastructure [8.29566258132752]
  本稿では,EVCIを対象とする資源制約環境における異常検出のためのプルーニング手法について検討する。 最適化されたモデルは、モデルのサイズと推論時間の大幅な削減を実現しました。 特に,EVCIでは,プルーニングとFSが重要な異常検出能力を保ちながら,計算効率を向上させることが示唆された。
  論文  参考訳（メタデータ） (2025-03-19T00:18:37Z)
• Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
  AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。 コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。 本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
  論文  参考訳（メタデータ） (2024-06-22T11:17:50Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Robusta: Robust AutoML for Feature Selection via Reinforcement Learning [24.24652530951966]
  強化学習(RL)に基づく初の堅牢なAutoMLフレームワークRobostaを提案します。 このフレームワークは,良性サンプルの競争精度を維持しつつ,モデルロバスト性を最大22%向上させることができることを示す。
  論文  参考訳（メタデータ） (2021-01-15T03:12:29Z)
• Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks [53.1636151439562]
  モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。 再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。 具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
  論文  参考訳（メタデータ） (2020-12-25T07:08:50Z)
• Optimization-driven Machine Learning for Intelligent Reflecting Surfaces Assisted Wireless Networks [82.33619654835348]
  インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。 散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。 本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-29T08:39:43Z)

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。