論文の概要: Fair and Efficient Distributed EV Charging Coordination Using Threshold Cryptography and Machine Learning
- arxiv url: http://arxiv.org/abs/2611.17577v1
- Date: Thu, 12 Nov 2026 22:57:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.274333
- Title: Fair and Efficient Distributed EV Charging Coordination Using Threshold Cryptography and Machine Learning
- Title(参考訳): 閾値暗号と機械学習を用いた公平で効率的な分散型EV充電コーディネート
- Abstract要約: 偏りのある操作者や中間者(MITM)攻撃者が異なるEVに一貫性のない信号を送ることができ、妥協されたEVは所定の更新から逸脱できることを示す。
本稿では,2次通信コストではなく,2次通信コストではなく2次通信コストで誤報を発生させることなく,すべての偏差を検出する,しきい値符号の放送とアップロード再計算を組み合わせたフレームワークを提案する。
EVの70%が攻撃を受け、回復率は97.8%以上である。
- 参考スコア(独自算出の注目度): 6.6353760788945415
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Distributed coordination of electric vehicle (EV) charging with the alternating direction method of multipliers (ADMM) keeps EV constraints private but assumes that every participant follows the algorithm. This assumption fails in practice, where a biased operator or a man-in-the-middle (MITM) attacker can send inconsistent signals to different EVs, and compromised EVs can deviate from their prescribed updates. We first prove that attacks by such arbitrarily malicious, i.e., Byzantine, participants do not prevent convergence and therefore remain undetected, and derive the most damaging attack in closed form. We then propose a framework that combines a threshold-signed broadcast with upload recomputation, which detects every deviation without false alarms at linear instead of quadratic communication cost. To keep the optimization running, each affected EV recovers locally with a certified, fleet-aware machine learning price forecast, and we prove that the optimization remains convergent with a recovery cost bounded by the shape of the forecast error. Simulation results with real-world load, price, and charging data show that a biased operator raises the annual cost of disadvantaged EVs by 132.7% and lowers that of advantaged EVs by 49.3% without changing the aggregate load, whereas the defense limits all cost changes to 2.6%. An external MITM attacker raises the cost of its victims by 57.6%, the peak load by 5.8%, and the grid cost by 15.8%, whereas the defense keeps them within 1.1%, 0.2%, and 0.3% of benign operation. With up to 70% of the EVs attacked, the recovery converges in at least 97.8% of the runs.
- Abstract(参考訳): 乗算器の交互方向法(ADMM)による電気自動車(EV)充電の分散協調は、EVの制約をプライベートに保ちながら、全ての参加者がアルゴリズムに従うと仮定する。
この仮定は実際には失敗し、バイアスのあるオペレータや中間者(MITM)攻撃者が異なるEVに一貫性のない信号を送信でき、妥協されたEVが所定の更新から逸脱する可能性がある。
我々はまず、このような悪意ある、すなわちビザンティンによる攻撃は、参加者が収束を防げず、従って未発見のままであり、最も被害の大きい攻撃をクローズドな形で引き起こすことを証明した。
次に、しきい値に署名されたブロードキャストとアップロード再計算を組み合わせたフレームワークを提案する。
最適化を継続するために、影響を受ける各EVは、認定されたフリート対応機械学習価格予測で局所的に回復し、その最適化が予測誤差の形状に縛られた回復コストに収束し続けることを証明した。
実世界の負荷、価格、充電データによるシミュレーションの結果、バイアスのあるオペレーターが不利なEVの年間コストを132.7%引き上げ、有利なEVの年間コストを49.3%下げる一方、防衛は全コストを2.6%に制限している。
外部のMITM攻撃者は被害者のコストを57.6%、ピーク負荷を5.8%、グリッドコストを15.8%引き上げる一方、防衛はそれらを1.1%、0.2%、および0.3%に抑える。
EVの70%が攻撃を受け、回復率は97.8%以上である。
関連論文リスト
- SEMA-Auto: Sighted and Efficient Multi-Turn Attack with Autonomy [46.807402075993586]
既存の攻撃者は2つのクラスに分類される: 静的プランナーは事前に1ターンまたは複数ターンの敵の計画を修正し、単純だが被害者の応答を見失う。
本稿では,視覚的かつ効率的なマルチターン攻撃者SEMA-Autoを提案する。
論文 参考訳(メタデータ) (2026-10-26T16:57:36Z) - HetGPS: Scalable Graph Multi-Agent Reinforcement Learning with Physics-Anchored Adaptive Safety for EV Charging [5.264722105217776]
HetGPSは、学習したグラフリスクと物理アンコール補正を相乗化するためのグラフ制御フレームワークである。
電気自動車の充電では、パラメータ共有した異種グラフソフトアクター批判ポリシーでこのフィルタを結合する。
論文 参考訳(メタデータ) (2026-08-01T13:59:49Z) - EVTradeMatch: A Mobility-Aware Multi-Objective Matching Framework for EV--EV Energy Trading [3.4712047883160184]
電気自動車(EV)間のピアツーピアエネルギー取引は、限られた充電インフラの下での充電の柔軟性を向上させることができる。
効果的なEV-EVトレーディングには、旅行特化条件下での消費者マッチングの調整が必要である。
本稿では,モビリティを意識したEV-EVエネルギ取引のための予測誘導多目的最適化フレームワークEVTradeMatchを提案する。
論文 参考訳(メタデータ) (2026-07-06T11:06:18Z) - Context-Aware Agentic Power Resources Optimisation in EV using Smart2ChargeApp [0.5070542698701156]
本稿では,Smart2Chargeアプリケーションを通じて,電気自動車(EV)充電エコシステムのコンテキスト依存型マルチエージェントコーディネートを提案する。
提案システムは、250台のEVと45台の充電ステーションのネットワークにまたがる自律充電エージェントを調整する。
当社のマルチエージェントアプローチでは,グラフニューラルネットワークとアテンション機構を統合したDeep Q-Networksを採用している。
論文 参考訳(メタデータ) (2025-12-12T21:41:13Z) - Profiling Electric Vehicles via Early Charging Voltage Patterns [56.4040698609393]
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。
論文 参考訳(メタデータ) (2025-06-09T12:57:37Z) - Agent-Based Decentralized Energy Management of EV Charging Station with Solar Photovoltaics via Multi-Agent Reinforcement Learning [4.9855485718502015]
電気自動車(EV)の採用は増え続けており、EV充電ステーションのエネルギー管理が極めて重要である。
従来の研究では、グリッド安定性を維持しながらEV充電のエネルギーコストを削減できた。
本稿では,各充電器をエージェントとして扱うマルチエージェント強化学習(MARL)手法を提案する。
論文 参考訳(メタデータ) (2025-05-24T15:34:37Z) - Privacy Preserving Charge Location Prediction for Electric Vehicles [12.421831663681056]
電気自動車(EV)は、エネルギー生成、グリッドインフラストラクチャ、データプライバシに課題を提起する。
EVルーティングと充電管理に関する現在の研究は、エネルギー需要を予測する際にプライバシーを過小評価することが多い。
EV充電位置予測のためのプライバシ重視のソリューションを開発した。
論文 参考訳(メタデータ) (2025-01-31T03:14:36Z) - 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) - Embedding Synthetic Off-Policy Experience for Autonomous Driving via
Zero-Shot Curricula [48.58973705935691]
我々は、データの10%サブセットのみを使用してトレーニングされたエージェントが、データセット全体に対してトレーニングされたエージェントと同様に動作することを示す。
次に、この難易度スコアをゼロショット転送に使用して、模倣学習に基づく計画エージェントのカリキュラムを生成することを実証する。
論文 参考訳(メタデータ) (2022-12-02T18:57:21Z) - Risk Adversarial Learning System for Connected and Autonomous Vehicle
Charging [43.42105971560163]
我々は、コネクテッドかつ自律的な自動車充電インフラ(CAV-CI)のための合理的意思決定支援システム(RDSS)の設計について検討する。
検討されたCAV-CIでは、配電系統オペレーター(DSO)が電気自動車供給装置(EVSE)を配備し、人間駆動のコネクテッドカー(CV)と自動運転車(AV)のためのEV充電設備を提供する。
人力EVによる充電要求は、実際の需要よりもエネルギーと充電時間を必要とすると不合理になる。
我々は,CAV-CIが解決する新たなリスク対向型マルチエージェント学習システム(ALS)を提案する。
論文 参考訳(メタデータ) (2021-08-02T02:38:15Z)
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。