TinyML-Enabled Resource-Efficient Framework for Real-Time Network Securiy in Electric Vehicle Charging Networks
Notice bibliographique
Résumé
Electric Vehicle Charging Infrastructure (EVCI) faces critical cybersecurity challenges due to its integration with external networks, making it vulnerable to attacks such as malware propagation, session hijacking, and Denial-of-Service (DoS). Traditional machine learning (ML) models for intrusion detection are computationally intensive, making them unsuitable for resource-constrained Electric Vehicles (EVs). This paper presents a novel multi-stage framework that enables real-time intrusion detection through TinyML models. The proposed framework combines advanced feature selection (FS) using SHapley Additive exPlanations (SHAP) values with hybrid pruning techniques to create efficient, deployment-ready models. Using the CICEVSE2024 dataset, the paper demonstrates significant improvements across multiple architectures: Multi-Layer Perceptron (MLP) achieves 95.9% reduction in inference time and 80.7% reduction in model size while maintaining more than 94% accuracy; Long Short-Term Memory (LSTM) shows 69% reduction in inference time and 79.2% size reduction with more than 94% accuracy; and Extreme Gradient Boosting (XGBoost) delivers 15.7% reduction in inference time and 91.2% reduction in size while preserving more than 98% accuracy. We further evaluate the models on a Raspberry Pi 5 (8 GB) and observe that although inference times increase on the resource-constrained device, the pruned models consistently maintain real-time performance, using the same models as on the desktop to ensure identical accuracies for a fair comparison. These results establish the feasibility of deploying TinyML-based intrusion detection systems (IDSs) directly on EVs, enabling robust real-time cybersecurity without exceeding hardware constraints.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,011 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».