Detection of Distributed Denial of Charge (DDoC) Attacks Using Deep Neural Networks With Vector Embedding
Notice bibliographique
Résumé
Charging coordination mechanisms have been adopted to avoid overloading the power grid and long waiting times for electric vehicles’ (EVs) drivers at charging stations. However, adversaries could launch distributed denial of charge (DDoC) attacks against charging stations by submitting fake charging requests to reserve charging time slots. The current mechanisms in the literature postulate that the requests reported by the EVs are valid and the detection of the DDoC attacks have not been well investigated yet. In this paper, we first evaluate the ability of DDoC attacks to disrupt the charging coordination mechanisms, and propose detectors to identify the attacks using deep neural networks with vector embedding. The detection methodology is based on capturing any anomalous behavior that deviates from the normal patterns of the station’s charging demand. For training and evaluating our detectors, we build a benign charging demand dataset using real vehicles’ routes and EVs’ technical parameters. After that, we introduce several attacks and use them to generate the malicious dataset. We analyze the dataset and find temporal and spatial correlations that can be exploited to detect DDoC attacks. To accurately detect the attacks, a vector embedding layer is combined with a deep neural network to capture/learn the spatial-temporal correlations within the charging requests. Performance evaluations demonstrate that the proposed detectors have high performance regarding the detection and false alarm rates.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».