基于联邦学习的电动汽车充电站异常检测
机器学习
2025-09-24 v1 人工智能
摘要
联邦学习（FL）是一种分布式训练框架，广泛应用于物联网生态系统，通过保持数据本地化来保留隐私，使其成为智能电网（SG）、连接自动驾驶车辆（CAV）和电动汽车充电站（EVCS）等具有感知和通信能力的物联网系统的理想选择。随着电动汽车基础设施的快速扩展，保护这些基于物联网的充电站免受网络威胁已变得至关重要。集中式入侵检测系统（IDS）因涉及敏感网络和用户数据而引发隐私顾虑，使联邦学习成为具有前景的替代方案。然而，当前的联邦学习基于IDS的评估忽略了系统异构性和非IID数据等实际挑战。为解决这些挑战，本文在系统异构性和数据异构性下，对联邦学习在电动汽车充电站异常检测中的性能进行了实验评估。我们使用FedAvg和FedAvgM两种广泛研究的优化方法，分析其在异常检测中的有效性。在独立同分布（IID）设置下，FedAvg的性能优于使用相同神经网络的集中式模型。然而，在非IID数据和系统异构性下，性能会下降。FedAvgM在异构环境下始终优于FedAvg，表现出更好的收敛性和更高的异常检测准确率。我们的结果表明，联邦学习可以在不显著损失性能的情况下处理基于物联网的EVCS异构性问题，FedAvgM作为一种具有前景的解决方案，可实现稳健且隐私保护的EVCS安全。
引用
@article{arxiv.2509.18126,
title = {Anomaly Detection in Electric Vehicle Charging Stations Using Federated Learning},
author = {Bishal K C and Amr Hilal and Pawan Thapa},
journal= {arXiv preprint arXiv:2509.18126},
year = {2025}
}