【标题】Multi-Agent Deep Reinforcement Learning-Driven Mitigation of Adverse Effects of Cyber-Attacks on Electric Vehicle Charging Station

【作者团队】M. Basnet, MH Ali

【发表日期】2022.7.14

【论文链接】https://arxiv.org/ftp/arxiv/papers/2207/2207.07041.pdf

【推荐理由】电动汽车充电站（EVCS）基础设施是交通电气化的支柱。然而，EVCS在软件、硬件、供应链和现有遗留技术（如网络、通信和控制）中存在无数可利用的漏洞。现有最先进的方法不够灵活和智能，无法防御和缓解高级持续威胁（APT）。本文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）——有效地学习控制策略以减轻对 EVCS 控制器的网络攻击。此外，还提出手动/暴力缓解和基于控制器克隆的额外缓解。攻击模型认为 APT 设计用于使 EVCS 控制器的占空比发生故障，具有 I 型低频攻击和 II 型持续攻击。该模型通过修正传统控制器产生的控制信号，恢复了任何/所有控制器中威胁发生时的EVCS操作。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。索引项：网络攻击、深度强化学习（DRL）、电动汽车充电站、缓解。

内容中包含的图片若涉及版权问题，请及时与我们联系删除