A Multi-Objective AutoML-based Efficient Intrusion Detection System for EV Charging Networks
论文提出一种基于多目标 AutoML 的电动汽车充电网络入侵检测系统（MOO-AutoML IDS），使用轻量训练策略和基于 LightGBM 的自动特征选择，通过 NSGA-III 联合优化特征选择阈值和 LightGBM 超参数，目标为最大化加权 F1、最小化 P99 推理延迟比和模型大小比。实验在 CICEVSE2024 和 CICIDS2017 数据集上进行，取得有竞争力的加权 F1 分数和更低的 P99 推理延迟。
Development
- First ReportA Multi-Objective AutoML-based Efficient Intrusion Detection System for EV Charging NetworksarXiv cs.LG
- Current Assessment随着 EV 充电基础设施的数字化和联网化，网络安全成为关键挑战。该研究展示了 AutoML 在特定垂直领域安全应用中的潜力，可能推动 IDS 从手工设计向自动化优化转变。可验证的下一信号是：是否有安全厂商或充电网络运营商采用类似方法进行产品化。Agent Pulse · analysis
电动汽车充电系统（EVCS）日益与物联网设备连接，提升充电智能性的同时扩大了网络攻击暴露面。入侵检测系统（IDS）对保障充电网络安全至关重要，但传统基于机器学习的 IDS 依赖人工模型设计，主要优化检测性能而忽视推理延迟和模型大小。本文提出基于多目标自动化机器学习（MOO-AutoML）的高效 IDS，采用轻量训练策略和基于 LightGBM 的自动特征选择，依据累积特征重要性选取紧凑特征子集。随后，NSGA-III 在三个目标下联合优化特征选择阈值和关键 LightGBM 超参数：最大化加权 F1 分数、最小化 99 百分位推理延迟比和模型大小比。在 CICEVSE2024 和 CICIDS2017 上的实验表明，所提 MOO-AutoML IDS 实现了有竞争力的加权 F1 分数和更低的 P99 推理延迟。
该工作将 AutoML 引入 IDS 设计，通过多目标优化同时考虑检测性能、推理延迟和模型大小，为资源受限的 EV 充电网络提供高效安全方案。NSGA-III 的应用使特征选择和超参数调优自动化，减少人工干预。可验证的下一信号是：该方法在其他 IoT 安全数据集上的泛化表现，以及实际部署中的端到端延迟和资源占用。
随着 EV 充电基础设施的数字化和联网化，网络安全成为关键挑战。该研究展示了 AutoML 在特定垂直领域安全应用中的潜力，可能推动 IDS 从手工设计向自动化优化转变。可验证的下一信号是：是否有安全厂商或充电网络运营商采用类似方法进行产品化。
对于 EV 充电网络运营商和安全解决方案提供商，该方法提供了一种在保证检测性能的同时降低推理延迟和模型大小的途径，有助于降低部署成本并提升响应速度。可验证的下一信号是：相关技术是否被集成到商业安全产品中，并产生可量化的性能提升。
未来，多目标 AutoML 可能成为 IDS 设计的标准方法，特别是在资源受限的边缘设备上。随着 EV 充电网络规模扩大，对高效、低延迟安全方案的需求将增长。可验证的下一信号是：后续研究是否扩展到其他类型的网络攻击或实时部署场景。