V2G系统中面向行为的恶意电动汽车高效检测

随着电动汽车（EV）和车网互联（V2G）技术的快速发展，检测恶意电动汽车驾驶员对于智能电网的可靠性和效率日益重要。为应对这一挑战，采用机器学习算法预测用户行为并识别不合作模式。然而，机器学习预测结果往往不可信，可能显著降低现有算法的性能。本文提出了一种安全增强的群组测试方案\ouralg，将概率群组测试的效率与机器学习预测相结合，并融入组合群组测试的鲁棒性。我们证明了\ouralg具有$O(d)$-一致性和$O(d\log n)$-鲁棒性，实现了近最优的权衡。在合成数据和基于\textsc{ACN-Data}（一个真实的电动汽车充电数据集）的案例研究上的实验验证了\ouralg在V2G系统中高效检测恶意用户的有效性。我们的发现为算法与预测领域做出了贡献，并为在能源和交通相关系统中将分布式的机器学习建议融入算法决策提供了见解。