《Expert Systems with Applications》：AI-driven zero trust and blockchain framework for secure electric vehicle infrastructure
编辑推荐：
本文针对电动汽车(EV)充电基础设施面临的重放攻击、身份欺骗、权限提升等复杂网络威胁，提出了一种创新的AI驱动零信任区块链(AI-ZTB)安全框架。研究通过集成AI风险评分、零信任原则与区块链审计功能，实现了高达95%以上的访问决策准确率，将误接受率和误拒绝率降至约3%。该框架为动态、可审计的EV充电安全治理提供了系统级解决方案，对智能电网等网络物理环境具有重要推广价值。
随着全球向低碳交通转型加速，电动汽车(EV)的普及率呈现爆发式增长。国际能源署数据显示，2023年电动汽车销量已达1400万辆，占全球汽车总销量的18%，预计到2030年这一比例将攀升至45%。为支撑这一增长，全球已安装超过270万个公共充电点，较上年增长55%。然而，充电站、车联网(V2G)系统、云平台及移动应用等数字化基础设施的快速扩张，也显著增加了网络攻击面。
电动汽车充电环境具有高度分布式和异构设备互联的特点，使其面临严峻网络安全挑战。美国国家可再生能源实验室(NREL)研究发现，超过60%的公共充电站缺乏适当的加密认证，易受中间人攻击(MITM)、数据篡改和固件攻击等威胁。现实中的"JuicePump"攻击案例表明，攻击者可通过不安全API远程破坏充电系统。传统基于边界的安全模型在这种动态网络物理环境中显得力不从心，一旦攻击者突破边界，内部组件即被默认信任，导致凭证泄露、权限升级等风险。
针对上述挑战，来自英国布拉德福德学院的Clement Daah等人开展了创新研究，提出了AI驱动零信任区块链(AI-ZTB)框架，研究成果发表在《Expert Systems with Applications》期刊。该研究的核心创新在于将AI风险评分与区块链支持的零信任控制回路进行操作性绑定，而非仅作为建议性警报。
研究人员采用了多学科交叉的技术路线，主要关键技术方法包括：基于Python的系统实现与Solidity智能合约开发；使用随机森林(Random Forest)、自编码器(Autoencoder)和隔离森林(Isolation Forest)等AI模型对5万次充电会话数据进行训练；通过大规模网络模拟评估框架性能，每批次处理1万次EV充电会话；采用IPFS分布式存储与区块链相结合的审计日志架构。
研究结果部分通过多个维度验证了AI-ZTB框架的有效性：
在重放攻击检测方面，AI-ZTB将错误接受率从基准的6%降至2%以下，通过异常检测器识别重复时间模式，并结合账本时间戳消除令牌重用。
设备欺骗抵抗性测试显示，AI-ZTB将误接受率(FAR)从基准的13-16%降至约3%，通过关联标识符、上下文和行为实现精准识别。
权限提升防护方面，AI-ZTB通过混合策略执行和角色感知异常评分，将错误拒绝率(FRR)从基准的8%降至约3%，在保障安全性的同时维持了高权限操作的可用性。
地理位置异常检测表明，合法会话与异常会话的风险评分呈现明显分离(均值分别为0.3和0.8)，且拒绝决策集中在0.6阈值以上，证明风险驱动门控能精准定位异常请求。
异常时段访问缓解测试中，AI-ZTB通过动态调整阈值，将夜间访问拒绝率(ADR)从基准的19%有效降低，同时提升合法非高峰时段会话的接受率。
系统性能方面，AI-ZTB实现了95%以上的访问准确率，决策延迟平均为180毫秒，区块链日志记录延迟约为200毫秒，均处于实时操作容忍范围内。策略评估时间(PET)保持在130毫秒以下，AI覆盖频率为4-8%，体现了AI对基准误分类的有效校正。
研究结论与讨论部分强调，AI-ZTB框架通过AI驱动的风险评分、零信任策略执行和区块链审计的深度融合，为EV充电基础设施提供了自适应、可审计的安全治理方案。与ISO 15118、OCPP 2.0.1等行业标准及现有区块链或AI单一技术方案相比，该框架在保持实时性能的同时，显著提升了对抗自适应威胁的能力。尽管存在AI推理和区块链记录的开销，但这些代价在可接受范围内，为实际部署提供了可行性。该研究为关键基础设施安全领域提供了重要技术参考，特别适用于智能电网等需要高强度安全保障的网络物理环境。
