Performance Evaluation of Machine Learning-Based Cyber Attack Detection in Electric Vehicles Charging Stations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Electric Vehicles (EV) chargers rely on resource-constrained embedded hardware to execute critical charging operations. However, conventional security solutions may not adequately meet the needs of these devices. Increasingly, machine learning techniques are being leveraged to detect cyber attacks during electric vehicle charging. This study aims to evaluate various base machine learning methods and conduct binary and multi-class classification experiments to enhance security and operational efficiency in EV charging stations. The experiments utilize the CICEVSE2024 dataset, curated by the Canadian Institute for Cybersecurity at the University of New Brunswick, designed specifically for anomaly detection and establishing behavioral patterns in EV charging stations. The analysis highlights nuances in performance across different machine learning classifiers. For instance, Random Forest achieved 95.07% accuracy in binary classification by constructing robust decision trees. Ensemble methods such as CatBoost and LightGBM further improved binary classification to 95.37% and 95.41%, respectively through gradient boosting techniques. In multi-class attack classification, ensemble methods demonstrated superior performance, with the Stacking Ensemble achieving 91.1% accuracy by combining multiple models, and Voting Ensemble achieving 90.7%. Notably, among homogeneous base classifiers, Extra Trees and HistGradient Boosting were particularly effective, achieving 90.2% and 89.8% accuracy respectively in multi-class classification tasks. These findings underscore the efficacy of machine learning in enhancing cybersecurity measures for EV charging infrastructure.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 découle