摘要
随着物联网 (IoT) 赋能的电动汽车 (EV) 充电基础设施的快速部署，分布式操作、通信依赖性以及暴露于恶意网络攻击的风险引入了网络安全挑战。现有的异常检测方法主要依赖于需要原始充电数据的集中式学习架构，这引发了隐私担忧和可扩展性限制，并降低了对模仿合法充电行为的隐蔽网络攻击的鲁棒性。为解决这些问题，本文提出了一种用于基于物联网的电动汽车充电基础设施的隐私保护联邦网络安全框架，该框架采用分布式异常检测。该框架集成了网络安全感知特征工程、激进与隐蔽网络攻击模拟、集中式异常检测，以及无需共享原始充电会话数据的联邦学习。研究利用真实世界的电动汽车充电数据集，通过操作特征和工程特征（包括充电比例和功率一致性）来建模合法和恶意的充电行为。实验评估在激进和隐蔽网络攻击场景下，比较了隔离森林、集中式 LSTM 自编码器和联邦 LSTM 异常检测的性能。结果表明，激进的网络攻击更容易被区分，其中隔离森林达到了 0.85 的攻击 F1 得分和 0.86 的 AUC；而隐蔽的网络攻击降低了检测性能，使 F1 得分降至 0.61。集中式 LSTM 自编码器展现出优越的检测性能，而联邦 LSTM 在保护隐私的前提下，未传输原始充电数据即取得了具有竞争力的结果，准确率为 0.86，攻击 F1 得分为 0.67，AUC 为 0.81。这些发现表明，联邦异常检测是安全电动汽车充电基础设施的一个有前景的隐私保护解决方案。
