引用格式：姚沁怡，龍莆均，陳世倫. 基于可解釋LightGBM的電動汽車充電站入侵檢測方法［J］.網絡安全與數據治理，2025，44（5）：1-9，16.
引言
隨著電動汽車產業的迅猛發展，電動汽車充電站（Electric Vehicle Charging Stations,EVCS）作為連接電網與終端用戶的關鍵基礎設施，正不斷向智能化、網絡化方向演進。EVCS不僅集成了通信、控制、計費等多功能模塊，還普遍采用OCPP、IEC 61850、IEC 15118等標準協議以實現設備間的互聯互通。然而，這種開放性和標準化所帶來的便利，也暴露出嚴峻的網絡安全隱患，如遠程操控、惡意數據注入、服務中斷及隱私泄露等問題。傳統的基于簽名匹配的入侵檢測系統（如Snort、Suricata）難以識別未知攻擊，且維護成本高、響應延遲大，難以滿足EVCS實時、高可靠的安全需求。因此，研究更具智能性、自適應性與前瞻性的入侵檢測方法成為保障EVCS網絡安全的核心課題。
近年來，基于機器學習與深度學習的入侵檢測系統（Intrusion Detection System，IDS）因其對異常行為的建模能力，在EVCS安全防護中取得顯著成果。例如，Akanda等［1］利用邏輯回歸與隨機森林建模EVCS網絡數據，有效識別靜態攻擊行為；Makhmudov等［2］結合自適應隨機森林與數據漂移檢測算法ADWIN，增強了模型的流式響應能力；Tulsiani等［3］系統評估多種分類器的性能，驗證了機器學習方法在魯棒性與泛化性方面的優越性。在深度學習方面，Kilichev等［4］基于EdgeIIoTset構建CNN、LSTM與GRU融合的NIDS架構，實現對多類攻擊的高效識別；Basnet等［5］設計了LSTM模型用于5G架構下的DDoS與FDI攻擊檢測；Miskin等［6］在CICIDS2017數據集上實現了LSTM準確率9998%；Almadhor等［7］引入遷移學習策略，有效緩解了不同數據分布下模型性能波動的問題。
盡管深度學習模型表現出強大的檢測性能，但其高度非線性結構也帶來了“黑箱”問題，導致決策過程難以理解和信任，尤其在安全關鍵系統中限制了其部署落地。具體而言，這類模型在特征空間中往往缺乏顯式的邏輯關聯解釋，用戶難以追溯模型是如何做出判斷的。此外，模型性能提升通常伴隨著結構復雜度增加，進一步加劇了解釋性與性能之間的權衡矛盾［8-9］。在實際應用中，運營人員不僅需要知道“是否發生攻擊”，還需了解“為何發生”“哪些特征導致異常”，以支持策略制定和系統防御優化。因此，提升模型的可解釋性成為深度學習IDS發展的關鍵方向。
為此，可解釋人工智能（Explainable Artificial Intelligence，XAI）方法被逐步引入EVCS入侵檢測研究中。相關研究如Khan等［10］探討XAI在提升IDS可信度方面的理論基礎；Arreche等［11］提出基于XAI的特征選擇框架，增強關鍵變量識別能力；Attique等［12］將聯邦學習與SHAP結合，構建兼具隱私保護與可解釋性的IDS；Mohanty等［13］則結合GAN合成數據與LightGBM+SHAP實現電動汽車負載預測中的特征貢獻分析；Rahman等［14］基于CNNLSTM檢測架構，引入SHAP解釋獲得了高準確率與良好可理解性。
盡管當前XAI方法已在部分研究中展現出前景，但仍面臨若干挑戰：其一，多數研究僅應用單一解釋方法，缺乏對多種XAI方法的對比與協同機制的深入探討；其二，特征選擇、模型調參與解釋方法之間尚未形成統一的集成框架，降低了解釋穩定性與部署可行性；其三，現有研究多以解釋性為附加指標，未系統評估解釋質量對模型性能及安全運維決策的反饋價值。
針對上述問題，本文提出一種基于輕量級梯度提升機（Light Gradient Boosting Machine, LightGBM）的可解釋EVCS入侵檢測框架，通過SAOA算法優化模型超參數，并集成六種XAI技術（SHAP、LOCO、PFI、CEM、LIME、ALE）對模型預測機制和特征重要性進行多維度解釋。同時，利用混淆矩陣、特征重要性對比分析等指標，展現模型在多攻擊場景下的實用性與可部署性，為EVCS網絡安全提供可信且透明的智能防護方案。
本文詳細內容請下載：
http://www.xxav2194.com/resource/share/2000006540
作者信息：
姚沁怡，龍莆均，陳世倫
（重慶科技大學 數理科學學院，重慶401331）
