A Hybrid Deep Learning Approach for DDoS Attacks Detection in EV Charging Stations
Notice bibliographique
Résumé
The rapid deployment of Electric Vehicle (EV) charging station has introduced new cybersecurity challenges, particularly a vulnerability to distributed Denial-of-Service (DDoS) attacks that can compromise the system’s availability and reliability. This paper proposes a hybrid deep learning-based intrusion detection model (denoted LSTM-GRU-MLP) for detecting DDoS attacks in EV charging stations. The proposed model leverages the temporal sequence learning capabilities of Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) networks, combined with the classification strength of a Multi-Layer Perceptron (MLP), to capture the sequential and high-dimensional representations from time-series operational data. A comprehensive evaluation is conducted using the CICEV2023 DDoS attack dataset, showing that it achieves $94 \%, 94 \%, 99 \%$ and 97% in terms of accuracy, precision, recall and F1-score, respectively, Compared to our proposed benchmark model Deep Convolutional Neural Network (DCNN), which achieved 88% accuracy, 90% precision, 95% recall, and 92% F1-score. Index Terms-EV Charging Station, Hybrid Deep approach, Long Short-Term Memory, Gated Recurrent Unit Multi-Layer Perceptron(MLP),DDoS attacks and detection, CICEV 2023 datasets.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».