多智能体深度强化学习驱动的电动汽车充电站网络攻击不良影响缓解
系统与控制
2022-07-15 v1 系统与控制
摘要
电动汽车充电站（EVCS）基础设施是交通电气化的骨干。然而，EVCS 在软件、硬件、供应链以及现有的传统技术（如网络、通信和控制）方面存在大量可利用的漏洞。这些独立或联网的 EVCS 为本地或国家资助的对手打开了巨大的攻击面。现有最先进的方法不够敏捷和智能，无法防御和缓解高级持续性威胁（APT）。我们提出了基于多智能体深度强化学习（MADRL）——双延迟深度确定性策略梯度（TD3）——的数据驱动无模型分布式智能，其高效学习控制策略以缓解 EVCS 控制器上的网络攻击。此外，我们提出了两种额外的缓解方法：手动/暴力缓解和基于控制器克隆的缓解。攻击模型考虑了旨在通过 I 型低频攻击和 II 型恒定攻击使 EVCS 控制器占空比发生故障的 APT。所提模型通过校正传统控制器生成的控制信号，在任何/所有控制器受到威胁时恢复 EVCS 运行。此外，与其他两种缓解方法相比，TD3 算法通过学习非线性控制策略提供了更高的粒度。索引词：网络攻击，深度强化学习（DRL），电动汽车充电站，缓解。
引用
@article{arxiv.2207.07041,
title = {Multi-Agent Deep Reinforcement Learning-Driven Mitigation of Adverse Effects of Cyber-Attacks on Electric Vehicle Charging Station},
author = {M. Basnet and MH Ali},
journal= {arXiv preprint arXiv:2207.07041},
year = {2022}
}
备注
Submitted to IEEE Transactions on Smart Grids