이 논문은 전기차 충전 인프라의 사이버공격 탐지가 정당한 사용자의 요청 에너지·출발시간 변경(post-activation revision)과 실제 조작 공격을 구분하기 어렵다는 문제를 다룬다. 연구팀은 실제 ACN(Adaptive Charging Network) 세션의 입력 순서를 보존하면서 정당한 변경을 정상 행동으로 모델링한 세션 단위 벤치마크를 구축하고, 물리적으로 타당한 6가지 공격과 그 변형을 생성했다. 프로필 전용·전이 인지·맥락 계층화 모델 22종을 비교한 결과, 제안한 듀얼 브랜치 마스크드 오토인코더(Masked-AE) 전이 부스트 모델이 정당한 사용자 선택을 오탐하지 않으면서 악의적 요청 조작을 가장 안정적으로 탐지했다.
- •EV 충전 정당한 요청 변경과 악의적 조작 공격을 구분하는 세션 단위 벤치마크 구축
- •실제 ACN 세션 순서를 보존하며 물리적으로 타당한 6가지 공격 및 변형 생성
- •22종의 모델 비교, 제안한 듀얼브랜치 Masked-AE 전이부스트 모델이 최고 성능
- •정당한 사용자 변경을 오탐하지 않으면서 조작 공격을 탐지하는 데 강점
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Benchmarking Cyberattack Detection in Electric Vehicle Charging Infrastructure with Benign User Updates
본문 미리보기
arXiv:2608.11286v1 Announce Type: new Abstract: Cyberattack detection in electric vehicle charging infrastructure is complicated by legitimate post-activation revisions to requested energy and departure time. Charging manipulation attacks can exploit the same interface and variables; therefore, detecting a request change alone does not establish malicious intent. This paper develops a leakage-controlled session-level benchmark that preserves the ordered inputs of real Adaptive Charging Network
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 11:23AI 초안
