隐形防护：用于保护电动汽车充电通信系统的对抗性深度强化学习智能技术

《IEEE Open Journal of the Communications Society》：Stealthy Shields: Adversarial DRL Intelligence for Securing EV Charging Communication Systems

　　

摘要：

随着电动汽车的广泛使用，充电基础设施的数量也大幅增加，它们已成为现代电网中的关键组成部分。然而，将先进的通信技术融入这些基础设施后，也带来了更为复杂的网络威胁。尽管现有研究提出了多种解决方案，但许多方法未能有效应对那些利用深度强化学习发展的先进攻击手段所带来的挑战——这类攻击手段能够不断调整策略、在多辆电动汽车之间协同行动，并在符合协议要求的条件下保持隐蔽性。在本文中，我们提出了一种名为多层对抗性深度强化学习（MLADRL）的新框架，用以解决这些难题。我们的方法首先利用深度强化学习开发更具破坏性和协同性的攻击向量，即多辆电动汽车同时发起攻击，而非文献中常见的单辆电动汽车攻击。我们将这些通过深度强化学习生成的攻击样本与良性样本以及人工设计的攻击结合起来，构建出强大的数据集。基于这些数据集，我们进一步设计了一种基于深度强化学习的入侵检测系统，专门用于识别这类高级网络威胁。我们在多种攻击场景下测试了该框架的有效性，包括不同比例的恶意电动汽车以及不同复杂程度的攻击。实验结果表明，我们的MLADRL框架显著优于传统检测方法，即使在面对更具破坏性和复杂性的攻击策略时，也能保持较高的检测精度。而基于该框架、在生成的对抗性数据集上训练得到的入侵检测系统也表现极为出色。与基准方法相比，基于深度强化学习的入侵检测系统在基于长短期记忆网络的模型中能达到99.4%和99.9%的准确率、99.4%和99.9%的精确度，以及在99.6%和99.9%的召回率（F1分数分别为99.6%和99.9%），在基于变换器的模型中则具有相同的性能指标。