《Journal of Engineering Research》：Optimization-driven intelligent cybersecurity framework for IIoT-enabled electric vehicle charging systems using modified Grey Wolf algorithm
编辑推荐：
电动汽车的快速扩张提升了电动汽车充电站（Electric Vehicle Charging Stations, EVCS）在智能电网和工业物联网（Industrial Internet-of-Things, IIoT）环境中的战略重要性。然而，充电基础设施与认
电动汽车的快速扩张提升了电动汽车充电站（Electric Vehicle Charging Stations, EVCS）在智能电网和工业物联网（Industrial Internet-of-Things, IIoT）环境中的战略重要性。然而，充电基础设施与认证服务、支付平台、云系统及电网交互通信的整合产生了多个网络安全攻击面。本研究提出一种混合特征选择-改进灰狼优化-机器学习框架，记为FS-MGWO-ML，用于检测EVCS环境中的网络异常。该框架仅对训练数据应用合成少数类过采样技术（Synthetic Minority Oversampling Technique, SMOTE）以缓解类别不平衡，随后采用基于MGWO的二元特征选择，并使用K近邻（K-Nearest Neighbour, KNN）、朴素贝叶斯（Na?ve Bayes, NB）和支持向量机（Support Vector Machine, SVM）模型进行分类。所提出的MGWO整合了非线性控制参数自适应和具有精英学习的混合二值化机制，以改善探索-利用平衡并识别分类器特定的特征子集。实验验证使用了两个互补数据集：CICEVSE2024的硬件性能计数器和内核事件子集，称为HPCEVSE，以及独立的面向认证的CICEV2023数据集。在采用的分层70:30留出法协议下，FS-MGWO-KNN在HPCEVSE和CICEV2023上分别达到99.6%和99.9%的准确率，而FS-MGWO-SVM在CICEV2023测试子集上达到100.0%的准确率。在所有评估的数据集-分类器配置中，MGWO产生的观测准确率也高于标准GWO、遗传算法、花授粉算法、萤火虫算法和鲸鱼优化算法。Friedman检验确认了所比较优化器之间存在统计学显著的整体差异，而配对结果在进行多重比较校正后被谨慎解释。此外，MGWO大幅降低了输入维度，将HPCEVSE特征空间从86个特征减少至最少12个，将CICEV2023特征空间从15个特征减少至最少6个，具体取决于分类器。这些发现表明，所提出的框架可以提高EVCS入侵检测性能，同时减少在线特征处理负担。离线优化与在线分类的分离支持其在高效、低延迟EVCS监控方面的潜力，但仍需进行硬件特定的部署验证。
基于改进灰狼优化的电动汽车充电系统智能网络安全框架研究解读
一、研究背景与问题
随着交通电气化进程加速，电动汽车（Electric Vehicle, EV）已成为智慧城市发展和全球脱碳行动的重要推动力量。电动汽车充电站（Electric Vehicle Charging Stations, EVCS）作为连接电动汽车与电网的关键基础设施，其部署规模迅速扩大。现代EVCS已不再局限于传统的电力输出功能，而是演变为深度融合嵌入式硬件、软件平台、通信协议、认证服务、支付网关、云基础设施以及车辆到电网（Vehicle-to-Grid, V2G）接口的互联信息物理系统。这种高度互联性在提升运营灵活性和用户便利性的同时，也引入了大量可被恶意行为者利用的攻击面。若某个子系统遭受入侵，攻击可能迅速蔓延至更广泛的充电基础设施，导致服务中断、未授权访问、数据泄露、充电操作错误，甚至对相连的电网服务产生不利影响。
传统的EVCS安全机制主要依赖加密、认证、访问控制和基于防火墙的保护。这些机制虽然必不可少，但通常只能防御已知或预定义模式的攻击，面对快速演化、前所未见或行为复杂的威胁时往往力不从心。因此，基于人工智能（Artificial Intelligence, AI）和机器学习（Machine Learning, ML）的入侵检测方法日益受到关注。然而，将ML成功应用于EVCS网络安全仍面临多重挑战：网络安全数据集的类别严重不平衡，良性观测数量远超攻击样本，直接训练容易导致模型偏向多数类，对罕见但关键的攻击敏感性差；数据集中包含冗余、无关或判别力弱的特征，增加计算成本并损害分类性能；且不同分类器（如K近邻、朴素贝叶斯和支持向量机）由于学习机制根本不同，适用的特征子集也存在差异。
现有研究往往只关注上述问题的某一个方面，如数据集构建、漏洞评估、类别平衡、特征选择或分类等，鲜有研究提出一个整合训练阶段类别平衡、分类器特定特征优化以及在互补EVCS数据集中受控评估的统一框架。此外，标准灰狼优化（Grey Wolf Optimisation, GWO）在将连续搜索位置映射为二元特征选择决策时，可能面临早熟收敛和有效性受限的问题。因此，本研究的核心问题在于开发一个统一且可复现的入侵检测框架，以识别信息丰富的特征子集、提高少数类攻击实例的检测能力，并在不同EVCS数据源和学习模型间保持强分类性能。
二、研究内容与技术方法
研究人员提出了一种混合特征选择-改进灰狼优化-机器学习框架，记为FS-MGWO-ML，用于IIoT使能的EVCS环境入侵检测。该框架整合了三个核心组件：仅应用于训练数据的SMOTE类别平衡、基于MGWO的二元特征选择，以及KNN、NB和SVM三种互补分类器。研究人员在两个互补数据集中进行评估：其一为公开可用的CICEVSE2024数据集中硬件性能计数器与内核事件子集（记为HPCEVSE），代表主机级运行和系统行为；其二为独立的CICEV2023数据集，包含针对EV充电通信过程的认证导向攻击场景。实验采用分层70:30留出法验证协议，HPCEVSE的6166个样本划分为4316个训练样本和1850个测试样本，CICEV2023的6647个样本划分为4652个训练样本和1995个测试样本。SMOTE仅应用于训练子集以获得约50:50的平衡分布，测试子集保持原有约85:15的类别比例。MGWO的特征选择过程也完全在训练数据上进行，测试集在最终评估前不参与任何数据依赖的预处理步骤。
本研究采用的主要关键技术方法包括：第一，数据预处理流程，涵盖数据清洗、类别编码、归一化以及SMOTE类别平衡；第二，改进灰狼优化（MGWO）特征选择机制，其改进之处在于采用非线性正弦控制参数自适应调度替代标准GWO的线性衰减，以及提出结合S型传递函数与从alpha狼继承信息的精英学习机制的混合二值化规则；第三，三种机器学习分类器（KNN、NB、SVM）分别与MGWO选择的特征子集结合进行训练和评估。
三、研究结果
1. 基线分类器性能（无特征选择）：在未应用特征选择时，KNN在HPCEVSE和CICEV2023上分别取得96.0%和98.0%的准确率，表现最稳健；NB性能最低，在CICEV2023上准确率仅76.8%；SVM表现居中，在CICEV2023上精确率较高（92.5%）但召回率偏低（71.7%）。
2. 特征选择后的性能与受控消融分析：与标准GWO的直接消融对比显示，MGWO在所有六种数据集-分类器组合中均取得更高准确率。在HPCEVSE上，MGWO将KNN、NB和SVM的准确率分别提高0.2、0.5和3.7个百分点，平均准确率从95.00%提升至96.47%；在CICEV2023上分别提高0.1、3.1和1.3个百分点，平均准确率从96.13%提升至97.63%，总体平均提升约1.48个百分点。与基线相比，FS-MGWO-KNN在HPCEVSE和CICEV2023上分别达到99.6%和99.9%的准确率，FS-MGWO-SVM在CICEV2023测试子集上达到100.0%的准确率。NB获得了最大相对提升，在CICEV2023上从76.8%提升至93.0%，相对提升21.09%。
3. 与竞争特征选择算法的比较：在所有评估中，MGWO产生的分类准确率均高于标准GWO、遗传算法（GA）、花授粉算法（FPA）、萤火虫算法（FA）和鲸鱼优化算法（WOA）。NB在CICEV2023上从76.8%提升至93.0%，SVM从86.6%提升至100.0%，显示出MGWO对基线性能较弱的分类器尤其有效。
4. 统计显著性分析：Friedman检验产生统计量??2??(5)=18.366，??=0.00252，小于显著性阈值0.05，拒绝所有优化算法性能等价的原假设，Kendall协调系数??=0.612。MGWO取得最高平均准确率97.05%和最佳平均秩1.00。配对Wilcoxon符号秩检验显示MGWO在每个配对比较中均数值更高（??=0，未调整??=0.03125），但经Holm多重比较校正后调整??值升至0.15625，差异不再显著。
5. ROC分析与收敛行为：MGWO增强的分类器在两个数据集上的AUC值均超过0.99，其中FS-MGWO-SVM在CICEV2023上达到1.000的完美AUC。MGWO在更少迭代次数内达到稳定适应度值，表现出更快的收敛速度和更稳定的优化过程。
6. 维度缩减结果：对于HPCEVSE数据集，原始86个特征经MGWO缩减为KNN的12个、NB的45个和SVM的28个，维度缩减率分别为86.05%、47.67%和67.44%；对于CICEV2023数据集，原始15个特征缩减为KNN的9个、NB的12个和SVM的6个，缩减率分别为40.00%、20.00%和60.00%。
四、讨论与结论
研究人员在讨论部分指出，分类错误的实际后果需区分假阴性与假阳性：假阴性允许恶意活动持续不被发现，可能导致未授权访问、服务中断、用户隐私泄露以及延迟事件响应；假阳性虽不遗漏攻击，但可能不必要地拒绝合法充电会话、隔离可信设备、增加分析师工作负载并导致警报疲劳。框架采用离线优化与在线分类分离的架构，MGWO特征选择和模型训练离线完成，部署系统仅处理保留特征，降低了在线特征处理负担，支持低延迟监控的潜力，但严格的实时适用性仍需硬件特定测量验证。研究局限性包括：仅评估三种传统分类器、单一分层留出划分可能受分区特定影响、统计功效受限于配置数量、适应度函数未显式惩罚特征数量、缺乏嵌入式硬件上的墙钟时间基准测试，以及框架不包含完整的端到端安全架构。未来研究方向包括重复交叉验证、外部数据集验证、深度与时间学习架构、多目标特征优化、边缘设备基准测试、对抗鲁棒性测试和隐私保护协作学习。
研究结论为：本研究开发并评估了一种用于IIoT使能EVCS环境中网络异常检测的混合FS-MGWO-ML框架。该框架整合了仅训练阶段的SMOTE类别平衡、用于二元特征选择的改进灰狼优化（MGWO）以及三种互补的机器学习分类器（KNN、NB和SVM）。在两个互补数据集上的验证结果表明，MGWO特征选择提高了所有评估分类器的观测性能。FS-MGWO-KNN在HPCEVSE和CICEV2023上分别达到99.6%和99.9%的准确率，FS-MGWO-SVM在CICEV2023测试子集上达到100.0%的准确率。NB表现出最大的相对提升，在CICEV2023上从76.8%提升至93.0%。与基线相比，整体相对准确率提升最高达21.09%。特征选择结果展示了显著的维度缩减，HPCEVSE从86个特征缩减至最少12个，CICEV2023从15个特征缩减至最少6个。与标准GWO、GA、FPA、FA和WOA的受控比较显示，MGWO在所有六种数据集-分类器配置中均取得最高观测准确率。Friedman检验确认了优化算法间存在统计学显著的整体差异，但Holm校正后的配对Wilcoxon比较因配置数量有限未保持显著。100.0%的准确率应被谨慎解读为当前实验配置下的完美分类，而非普遍无误性能的证明。该框架通过结合训练阶段类别平衡、优化驱动的特征选择和分类器特定的异常检测，在提高预测性能的同时降低了输入维度，为智能EVCS网络安全提供了技术有效且模块化的基础。该论文发表于《Journal of Engineering Research》。
