Details

Целью данной работы является обнаружение кибератак на станции зарядки электромобилей на основе набора данных CICEVSE2024. Для достижения цели поставлены следующие задачи: 1. Провести анализ киберугроз, направленных на зарядные станции. 2. Проанализировать методы обнаружения уязвимостей. 3. Разработать программный прототип обнаружения атак на системы зарядных станций с использованием методов машинного обучения. 4. Провести анализ набора данных, выбрать значимые параметры и алгоритмы машинного обучения. 5. Провести тестирование программного прототипа. В ходе работы был исследован набор данных CICEVSE2024, включая его признаки, сценарии атак (DoS, Recon, Cryptojacking) и классы угроз. Была проведена предобработка данных и разработан двухэтапный подход к классификации атак. В результате работы достигнута высокая точность классификации по сценариям атак: 0,99 (против 0,78 и 0,97 в других исследованиях), а точность по типам атак составила: Cryptojacking — 1,0, DoS — 0,92, Recon — 0,94. Полученные результаты могут быть использованы для внедрения в системы мониторинга и защиты зарядных станций, обеспечивая их кибербезопасность.

The purpose of this work is to detect cyberattacks on electric vehicle charging stations based on the CICEVSE2024 dataset. To achieve the goal, the following tasks are set: 1. To analyze cyber threats aimed at charging stations. 2. Analyze vulnerability detection methods. 3. To develop a software prototype for detecting attacks on charging station systems using machine learning methods. 4. Analyze the dataset, select relevant parameters and machine learning algorithms. 5. Test the software prototype. In the course of the work, the CICEVSE2024 dataset was examined, including its features, attack scenarios (DoS, Recon, Cryptojacking), and threat classes. The data was preprocessed and a two-step approach to attack classification was developed. As a result of the work, a high classification accuracy was achieved according to attack scenarios: 0.99 (compared to 0.78 and 0.97 in other studies), and the accuracy according to attack types was: Cryptojacking — 1.0, DoS — 0.92, Recon — 0.94. The results obtained can be used to implement monitoring and protection systems for charging stations, ensuring their cybersecurity.