基于多任务学习和概率转移机制的电动汽车供应设备的入侵检测模型
Kang Yang1,2, Lizhi Cai3,4, Jianhua Wu5,6
1Shanghai Key Laboratory of Computer Software Testing & Evaluating, Shanghai, 201112, China. joeyyk@163.com.
Scientific reports
|March 11, 2026
概括
新的深度学习模型EVSEMTLIDS通过提高入侵检测准确度和减少检测时间来提高电动汽车供应设备 (EVSE) 的安全性. 这解决了EVSE系统的漏洞,保护用户数据和电网稳定性.
科学领域:
- 网络安全 网络安全
- 电气工程 电气工程
- 人工智能的人工智能
背景情况:
- 由于新能源汽车和物联网的增长,对电动汽车供应设备 (EVSE) 的需求不断增加.
- 目前的EVSE系统缺乏有效的安全性,使他们容易受到远程黑客攻击,数据泄露和电网不稳定.
- 现有的EVSE入侵检测方法存在高错误报警率,长检测时间和低准确性.
研究的目的:
- 为EVSE开发一种更有效的入侵检测方法.
- 用深度学习方法分析EVSE中的恶意入侵行为.
- 提高EVSE入侵检测系统的准确性和减少检测时间.
主要方法:
- 提出了一个深度学习检测模型,命名为EVSEMTLIDS.
- 集成了一种多任务学习架构,以缩短多个入侵任务的检测时间.
- 引入了一个概率转移机制,以提高跨任务的预测性能.
主要成果:
- 与基线模型相比,EVSEMTLIDS模型显示了显著的改进.
- 在检测准确度上提高了27.29%.
- 检测时间缩短了43.24%.
结论:
- 提出的EVSEMTLIDS模型为EVSE入侵检测提供了更有效的解决方案.
- 多任务学习架构和概率转移机制有助于提高性能.
- 这项研究提高了EVSE的安全性,保护用户数据和电网完整性.
