EGGA: An Error-Guided Generative Augmentation and Optimized ML-Based IDS for EV Charging Network Security

Li Yang

doi:10.3390/fi18040202

2026-04-13

Li Yang *

G. Kirubavathi

DOI：10.3390/fi18040202

原文链接

查看原文

摘要

En 中文

电动汽车充电系统（EVCSs）与物联网（IoT）及智能电网基础设施的连接日益增多，但由于攻击接口的扩展，它们面临着日益增长的网络安全风险。这些系统易受各种攻击影响，可能同时影响充电操作和用户隐私。入侵检测系统（IDSs）对于识别可疑活动并降低风险以保护EVCS网络至关重要，但传统的基于机器学习（ML）的IDSs往往因数据集不平衡、复杂的流量分布和人为设计限制而无法实现最佳性能。实际上，EVCS流量通常是多类、不平衡且安全关键性的，漏检攻击和误报都可能导致充电服务拒绝、服务中断、不必要的事件升级、经济损失和用户信任度下降。自动化机器学习（AutoML）和生成式人工智能（GAI）已成为网络安全领域的有前景解决方案。现有的GAI和增强方法大多基于类别频率驱动，但这并不一定能改善IDS实际失败的易错区域。本文提出了一种基于GAI和AutoML的IDS，结合条件生成对抗网络（cGAN）与优化的XGBoost模型，以提高EVCS网络和IoT系统中的入侵检测有效性。所提出的框架包含两种技术：(1) 一种新颖的基于cGAN的错误引导生成增强（EGGA）方法，该方法提取误分类样本并生成更稳健的训练集用于IDS开发；(2) 一个优化的IDS模型，基于树状帕zen估计器（BO-TPE）的贝叶斯优化自动构建优化的XGBoost模型。主要算法创新在于EGGA，它利用模型错误引导生成增强向困难决策区域进行，而整个流水线代表了EGGA、XGBoost和BO-TPE在系统层面的实用集成。据我们所知，这是首次将GAI和AutoML结合以专门提高硬样本检测的工作，能够更自主、可靠地识别电动汽车充电网络和IoT系统中的多样化网络攻击。实验在两个基准EVCS和网络安全数据集CICEVSE2024和CICIDS2017上进行，结果表明相比现有最先进的IDS模型，该方法实现了持续且具有统计意义的改进。这项研究强调了结合自动化、生成式平衡和优化学习以强化电动汽车充电网络和IoT系统网络安全解决方案的重要性。

Keyword:

cybersecurity

Intrusion Detection System

generative AI

conditional GAN

AutoML

XGBoost

Bayesian Optimization

data augmentation

EV Charging Systems

CICEVSE2024

CICIDS2017