A Novel OCPP-Centric Hybrid Testbed and Dataset for EV Charging Infrastructure Security Threats Feasibility Testing
Notice bibliographique
Résumé
The rapid adoption of Electric Vehicles (EVs) has intensified demands on the Electric Vehicle Charging Infrastructure (EVCI), where operational security is critical to ensuring confidentiality, availability, integrity, and consumer trust. The Open Charge Point Protocol (OCPP) 1.6, central to EVCI interoperability, remains vulnerable to authentication spoofing, man-in-the-middle (MiTM) interception, and protocol manipulation attacks when deployed without robust security extensions. However, there is a notable lack of publicly available protocol-centric datasets that capture realistic EVCI traffic under benign and adversarial conditions. Therefore, this paper addresses this gap through the design of a novel hybrid testbed that combines virtual and physical components, including real OCPP-compliant chargers, EV Supply Equipment (EVSE) testers, and simulated EVs, to produce a semantically rich and attack-inclusive dataset. The dataset contains over 55 features spanning semantic message fields, finite-state machine (FSM) transitions, timing metrics, payload complexity, and network-level characteristics, derived from the official OCPP 1.6 and 2.0 specification. Comparative analysis with the important and widely used internet of things (IoT) and EVCI datasets highlights the superior semantic depth, FSM structure, and realistic stealth attack representation of our dataset. This work provides a reproducible foundation for developing protocol-centric intrusion detection and prevention systems to detect sophisticated and context-driven anomalies in EV charging ecosystems.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».