融合离散小波变换与CatBoost的电动汽车充电站多变体重放攻击检测研究

《Energy Conversion and Management-X》：Enhancing cybersecurity of electric vehicle charging stations through Multi-Variant replay attack detection using DWT-CatBoost

　　

• 研究人员通过操控电动汽车充电站（Electric Vehicle Charging Station, EVCS）的关键测量数据，构建了四种重放攻击（replay attack）变体。
• 离散小波变换-梯度提升（Discrete Wavelet Transform-CatBoost, DWT-CatBoost）在多变体重放攻击检测任务中取得了99.41%的准确率（accuracy）。
• 研究人员针对合法扰动（legitimate disturbances）与未见运行条件（unseen conditions）验证了所提框架的鲁棒性（robustness）。
• 消融实验（ablation study）与交叉验证（cross-validation）分析进一步证实了DWT-CatBoost的鲁棒性。
• 计算特性分析（computational analysis）表明该框架适用于EVCS的及时（timely）检测。

研究背景与问题提出

交通运输行业消耗全球62%的石油储量，是主要的温室气体排放源。2023年全球电动汽车（Electric Vehicle, EV）销量达1410万辆，同比增长35%。电动汽车充电站（Electric Vehicle Charging Station, EVCS）作为电动汽车与电网之间的关键接口，其运行高度依赖传感器测量、通信网络与闭环控制器，由此面临日益严峻的网络安全威胁。重放攻击（replay attack）是EVCS最常见且最难防御的网络攻击之一：攻击者将历史合法测量数据重新注入传感器至控制器的测量通道，无需任何物理系统信息即可实施，可造成数据完整性破坏、充电程序一致性问题及车主与充电服务商的经济损失。现有检测方法多基于端到端深度学习直接从原始信号学习特征，而重放攻击在测量数据中仅引起微小且局部的差异，因此显式多分辨率信号表示比仅提取原始域特征更为适用。此外，针对EVCS测量数据中多种重放攻击变体的轻量级检测研究仍然缺乏。保障EVCS网络安全亦有助于实现联合国可持续发展目标（Sustainable Development Goals, SDGs）中的SDG 7（Affordable and Clean Energy）、SDG 9（Industry, Innovation and Infrastructure）与SDG 11（Sustainable Cities and Communities）。

研究内容、结论与意义

针对上述问题，研究团队在MATLAB/Simulink中构建并网型EVCS模型，在传感器至控制器的测量通道中注入固定延迟（Fixed Delay）、循环（Loop）、冻结（Frozen）与多传感器（Multi-sensor）四种重放攻击变体，攻击强度从5%至100%以5%为步进，共20个等级。研究得出以下结论：所提基于离散小波变换（Discrete Wavelet Transform, DWT）与CatBoost的检测框架对多变体重放攻击检测准确率达99.41%，精确率、召回率与F1分数均为99.297%；5折交叉验证平均准确率为99.14%±0.19%；在不同电池荷电状态（State of Charge, SoC）及未见攻击强度条件下准确率仍高于97.90%；端到端检测延迟仅10.871ms。该研究为充电基础设施提供了高精度、低延迟且可扩展的数据驱动检测方案，对保障电动汽车与电网协同运行安全、推动清洁交通与能源基础设施可持续发展具有重要意义。

主要关键技术方法

研究人员采用MATLAB/Simulink构建包含三相电网、LCL滤波器、AC-DC变换器、直流母线、DC-DC变换器与锂离子电池的并网型EVCS模型；对九路信号（三相电流、三相电压、直流母线电压、电池电压、电池电流）采用Daubechies-4（Db4）小波进行四层离散小波变换（DWT），经多分辨率分析（Multi-Resolution Analysis, MRA）分解为近似系数A₄与细节系数D₁至D₄；对每个子带提取均值、标准差、均方根（Root Mean Square, RMS）、能量、熵、峰度、偏度七项统计特征，单样本共315维特征；采用滑动窗口（每窗2048个采样点，50%重叠）构建样本，按64%/16%/20%分层随机抽样划分训练、验证与测试集；分类器采用CatBoost梯度提升算法，损失函数为Logloss，最大迭代1500次，学习率0.03，树深度8。

研究结果

重放攻击影响分析：四种攻击均施加于0.08s至0.16s。固定延迟攻击导致三相电流振荡与直流母线电压波动；冻结攻击危害最严重，电池电压由400-401V降至约385V，充电电流由约+50A反向至约-230A；循环攻击与多传感器攻击亦造成电池电压跌落与负向电流峰值。攻击终止后系统恢复稳态，且四类攻击具有可区分的电气特征“指纹”，可被检测分类。

检测性能分析：框架在独立测试集上准确率为99.41%，精确率、召回率、F1分数均为99.297%；测试集中586个正常样本与424个重放样本被正确分类，仅3个重放样本被误判为正常。

小波与分解层数对比：在Coif4-Level 4、Db2、Db8、Sym4等小波配置中，Db4-Level 4准确率最高（99.41%），召回率与F1分数亦最优（99.297%），综合性能最佳。

交叉验证分析：5折交叉验证平均准确率99.14%，标准差仅0.19%；平均精确率99.12%、召回率98.83%、F1分数98.97%、ROC-AUC 99.97%，各指标标准差介于0.02%至0.72%，且与独立测试结果高度一致，表明框架不依赖特定数据划分，具有可泛化性。

外部泛化测试：在SoC为30%、40%、50%且攻击强度为7.5%至97.5%（5%步进，均为训练未见强度）的数据集上，准确率分别为97.90%、97.94%、98.77%，F1分数分别为98.28%、98.32%、99.03%，精确率均达99.93%，证明框架可泛化至新SoC条件与新攻击强度。

消融分析：移除DWT、直接对原始信号提取统计特征时，准确率降至98.49%，精确率降至97.27%；相同DWT特征下，DWT-SVM准确率为91.33%，DWT-随机森林（Random Forest, RF）为98.32%，DWT-多层感知机（Multi-Layer Perceptron, MLP）为95.27%，均低于DWT-CatBoost的99.41%。结果表明DWT多分辨率特征表示与CatBoost分类器具有互补贡献。

计算效率与检测延迟：训练时间3.597s，模型尺寸仅0.364MB，单样本特征提取时间6.607±0.708ms，推理时间2.216±0.084ms，端到端检测延迟10.871ms（窗口2.048ms+特征提取6.607ms+推理2.216ms），具备毫秒级处理能力，满足及时检测需求。

与现有方法比较：深度自编码器-CNN（Deep Autoencoder-CNN）准确率为98.80%，多视图图对比学习（Multi-View Graph Contrastive Learning）为99.30%，基于机器学习的认证框架（ML-based Authentication）为98.30%，所提方法以99.41%的准确率处于同类方法竞争力水平，且专门针对多变体重放攻击。

讨论与局限：方法仅基于MATLAB/Simulink仿真数据验证，无法复现真实测量不确定性、通信延迟与硬件非线性，有待硬件在环（Hardware-in-the-Loop, HIL）与实站验证；仅研究四类代表性攻击，需探索更先进的重放攻击；模拟时间尺度仅0.20s，未涵盖SoC长期变化、充电参考变化等缓变条件；未来将在HIL与真实EVCS平台、更复杂攻击场景下实现实时攻击检测与缓解。

结论部分翻译

本文提出了面向电动汽车充电站（EVCS）的多种重放攻击建模与检测方法。研究在MATLAB/Simulink构建的EVCS模型上实施固定延迟（Fixed Delay）、循环（Loop）、冻结（Frozen）与多传感器（Multi-sensor）重放攻击，通过操控控制系统反馈回路中的传感器测量值实现。仿真表明，重放攻击能够扰动三相电流、直流母线电压、电池电压与充电电流。攻击检测基于离散小波变换（DWT）与CatBoost算法框架：DWT用于分析非平稳信号的时间-频率特征，CatBoost用于将重放攻击与正常运行区分开来。该框架的有效性与鲁棒性通过交叉验证、不同分类器与小波及分解层数配置的比较、SoC变化测试以及未见攻击强度测试进行了评估；同时利用合法非攻击运行变化评估模型区分网络攻击与系统运行变化的能力。