Benchmarking Cyberattack Detection in Electric Vehicle Charging Infrastructure with Benign User Updates
Di cosa parla
Si studia come distinguere manipolazioni malevole dalle revisioni legittime degli utenti nelle sessioni di ricarica per veicoli elettrici: cambiamenti di quantità o orario dopo l'attivazione complicano la rilevazione. Gli autori hanno creato un benchmark basato su sessioni reali con attacchi plausibili e hanno confrontato vari modelli. Propongono un modello a due rami che valuta separatamente la normalità della richiesta e la natura della modifica, riuscendo a rilevare le manomissioni senza penalizzare aggiornamenti legittimi.
Cosa permette di osservare
Permette di esplorare se e come un sistema può imparare a riconoscere manipolazioni mirate senza scartare le normali modifiche degli utenti, e quali tipi di dati e criteri di valutazione servono per testare questa capacità.
Dalla fonte
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 (ACN) sessions and models legitimate revisions as normal behavior. A fixed pool keeps each generated attack in its source session's split and contains six physically motivated attacks and their coordinated variants. We compare 22 profile-only, transition-aware, and context-stratified model families under common source-grouped folds, attack data, and operating constraints. The proposed Dual-Branch Masked-Autoencoder (Masked-AE) Transition Boost…