针对电动汽车充电网络中虚假数据注入攻击的异常检测与网络弹性提升方法

《Sustainable Energy Technologies and Assessments》：Anomaly detection and cyber resilience improvement method for EV charging network against false data injection attacks

　　

夏金辉|邓瑞龙|王梦芝|李泽|高晓楠

东南大学自动化学院，南京210096，中国

摘要

电动汽车（EV）充电基础设施的快速增长引发了重大的网络安全问题，包括未经授权的访问、数据操控和服务中断等脆弱性。在EV充电网络（EVCN）内传输能源使用信息的过程中，实时检测和隔离这些威胁对于保护用户隐私和确保EV充电生态系统的运营完整性至关重要。本文提出了一种异常检测和网络弹性改进方法，以抵御虚假数据注入（FDI）攻击。该方法开发了两种状态和未知输入观测器（SUIO），用于准确观测充电系统中前端功率因数矫正转换器（PFC converter）的交流侧和直流侧变量。基于SUIO的分析冗余能够生成残差，用于在线检测EVCN中传输的能源使用信息是否被未经授权地修改。将异常标记为FDI攻击后，会隔离错误信息，并传输受影响信号的观测值以重建信息传输框架。所提出策略的有效性和优越性通过多种仿真和基于硬件在环（HIL）的实验得到了验证。

引言

电动汽车（EV）在全球范围内得到了显著普及，已成为现代交通系统中替代传统内燃机车辆的有吸引力的选择[1]、[2]、[3]。EV的充电和能源管理需要充电站管理系统（CSMS）、EV供电设备（EVSE）、车载/外部充电器以及EV电池的协同工作[4]。为了协调不同充电系统和设备之间的通信协议、电力分配和可靠认证，制定了开放充电点协议（OCPP），并提供了一个标准化框架[5]。该协议不仅统一了EV充电基础设施，还实现了跨平台兼容性，使EV能够无缝访问不同制造商的充电站。

随着OCPP的引入，EV充电网络（EVCN）也带来了相关的网络安全问题和威胁[5]、[6]、[7]、[8]、[9]、[10]。由于重要的能源使用信息将通过OCPP基EVCN传输，这种通信方式可能导致恶意攻击，攻击者会试图破坏电力转换器或EV电池的运行，干扰充电服务，甚至危及相连的电网[2]、[4]、[11]、[12]、[13]。在EVCN中发起的各种网络攻击类型中，虚假数据注入（FDI）攻击是一种恶意攻击，攻击者故意注入误导性数据以操纵充电过程、欺骗决策算法或破坏EV充电基础设施的可靠性[6]、[14]、[15]、[16]。在[16]、[17]、[18]中对实际EV进行的实地测试表明，针对充电状态的FDI攻击可能导致CSMS做出的充电决策出现混乱，这也证明了在CSMS中纳入适当的安全改进策略以防御网络攻击的必要性。

目前关于EVCN中FDI攻击检测的研究分为数据驱动方法和基于模型的方法。数据驱动方法利用先进分析和深度学习（DL）技术来检测和预测威胁。基于DL的方法分析历史和实时数据以建立正常的运行基线。任何偏离这些基线的情况都会触发潜在攻击的警报[14]、[19]、[20]、[21]、[22]、[23]、[24]、[25]。在[14]中提出了非线性自回归外生输入神经网络来估计EV在充电过程中接收的能源。这种方法揭示了基于残差的EVCN攻击检测过程。在[19]、[21]、[22]中，使用ResNet自动编码器、双向长短期记忆网络和生成式自监督学习分别预测/预测充电行为和能源使用信息。学者们还将DL方法与隐马尔可夫模型[15]和小波[23]相结合，以提高EV充电站中的攻击检测性能。尽管这些方法在检测网络攻击方面表现出高准确性，但在面对攻击时仍不足以确保EVCN的弹性运行。

基于模型的方法提供了一个物理指导的框架，通过确保充电操作符合其固有的物理约束来检测和中和网络攻击。网络内传输的信息与其观测值之间的任何差异都会产生残差，表明可能存在攻击。从EVCN中隔离出受影响的信息后，可以使用观测器提供的观测值本身进行信息传输。即使在攻击存在的情况下，整个EVCN仍能正常运行，这大大增强了网络的弹性[26]、[27]、[28]。在[26]中基于状态预测器和估计器开发了双耦合监测器，用于共同监控充电状态和健康状态，攻击检测策略是基于通过递归集合成员优化生成的预测和估计椭球的交集来制定的。在[27]中提出了一种基于自适应Luenberger观测器的动态检测器，用于检测可能影响充电过程中插电式EV电池组的攻击。然而，这些观测器受到可观测变量数量的限制，因此无法对足够数量的充电状态进行在线监控。为了观察状态变量之外的系统变量，学者们建立了未知输入观测器（UIO）以增加可观测变量的数量[29]。基于UIO的方法也被扩展到定位隐蔽的欺骗攻击，并在微电网中实现攻击容忍状态估计[30]、[31]。在[32]和[33]中的研究结合了状态变量和未知输入的观测，并将这种方法用于未受保护的网络物理系统的补偿器合成[34]。

本文提出了一种针对各种FDI攻击场景的EVCN异常检测和网络弹性改进方法。本文的贡献总结如下：

1)

本研究从充电系统中能源使用信息的角度评估了EVCN的脆弱性，分析了在不同FDI攻击下CSMS、EVSE和EV之间传输的电网电流、直流侧电流和直流侧电压的动态。

2)

考虑到位于充电系统前端并包含所有交流和直流动态的功率因数矫正（PFC）转换器，本研究开发了两种状态和未知输入观测器（SUIO），它们能够同时观测转换器揭示的三种充电状态，并使用李雅普诺夫理论证明了所提出SUIO的稳定性。

3)

本研究建立了一种用于检测EVCN中传输的能源使用信息是否被未经授权修改的异常检测方法，在CSMS中部署和实施了基于双SUIO的分析冗余。通过识别预定滑动窗口内连续尖峰的数量来检测指示FDI攻击的异常。

4)

将异常标记为FDI攻击后，通过隔离错误信息并传输受影响信号的观测值来实现EVCN的网络弹性改进。通过这种信息传输框架的重建，纠正了CSMS做出的不当决策，在FDI攻击存在的情况下，正常的EV充电服务不会被误导。

章节片段

EVCN的脆弱性评估

图1展示了EVCN的简化结构。其中，充电点和CSMS之间的通信通过OCPP实现，通过该协议交换用户命令和EV的充电状态信息[6]。本研究考虑了车载充电（OBC）场景，每个EV配备了由前端全桥PFC转换器和双有源桥（DAB）DC/DC转换器组成的代表性两阶段结构。

SUIO的设计和稳定性分析

如图1所示，PFC转换器被控制以在电网侧保持单位功率因数，并为DC/DC转换器提供所需的直流侧电压v_dc。具体来说，PFC转换器的单位功率因数控制保持了低的总谐波失真i_g，同时直流侧电压调节生成稳定的电压v_dc和电流i_dc。这些电压和电流随后由DC/DC转换器调节，以实现稳定的EV电池充电。

仿真和基于HIL的实验验证

本研究使用基于HIL的技术建立了实验平台（见图3），其中考虑了具有Xilinx Zynq-7 SoC的面向应用的Typhoon HIL 602+ [36]、[37]、[38]、[39]。EV充电系统中功率转换器的参数总结在表1中。

结论

本文为EVCN开发了一种异常检测和弹性改进策略。其中，建立了两个能够同时观测EV充电系统中PFC转换器的i_g、v_dc和i_dc的SUIO。通过识别预定滑动窗口内连续尖峰的数量来检测指示FDI攻击的异常。提出了一种用于CSMS的信息传输框架重建方法。

CRediT作者贡献声明

夏金辉：撰写——原始草稿、软件、方法论。邓瑞龙：撰写——审阅与编辑、概念化。王梦芝：验证、调查。李泽：验证、方法论。高晓楠：验证、概念化。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。

致谢

本工作得到了中国国家自然科学基金的资助，项目编号为62573117、62573035和62403179。