该论文针对电动汽车充电系统（EVCS）日益与物联网（IoT）设备互联所引入的网络安全风险，提出了一种基于多目标自动化机器学习（MOO-AutoML）的高效入侵检测系统（IDS）。传统基于机器学习的IDS往往依赖人工设计模型，且仅以检测性能为优化目标，忽略了推理延迟与模型大小等实际部署约束。论文所提框架首先采用轻量级训练策略和基于LightGBM的自动特征选择方法，根据累积特征重要性筛选紧凑特征子集；随后利用非支配排序遗传算法III（NSGA-III）联合优化特征选择阈值和LightGBM关键超参数，同时最大化加权F1分数、最小化99百分位推理延迟比例和最小化模型大小比例三个目标。实验基于CICEVSE2024和CICIDS2017两个数据集，结果表明所提MOO-AutoML IDS在保持竞争性加权F1分数的前提下，相比对比方法具有更低的P99推理延迟和更小的模型体积。论文结论认为该方法能够在实际部署约束下支持准确且高效的EVCS与IoT入侵检测。本文的研究问题聚焦于EV充电网络的安全监测效率，核心方法为多目标AutoML框架，主要贡献在于将特征选择与超参数优化联合纳入多目标框架，并同时兼顾检测精度与资源效率。适合智能电网安全、物联网入侵检测以及AutoML应用研究的工程师和学者阅读。

该论文提出了一种名为AutoDA的自动化决策型迭代对抗攻击方法。决策型攻击是黑盒对抗攻击的一种重要形式，攻击者只能通过模型的最终决策标签（如分类结果）来生成对抗样本，而无法访问模型内部结构或置信度分数。传统决策型攻击需要手工设计攻击算法，如迭代更新扰动方向，但手工设计耗时且难以达到最优。AutoDA将攻击算法设计自动化，利用强化学习或进化策略等方法自动搜索最优的迭代更新策略。具体地，AutoDA定义了一个搜索空间，包括步长、梯度估计方法、方向更新规则等组件，然后通过采样和优化来寻找性能最佳的攻击策略。在多个标准数据集（如ImageNet）和多种模型（如ResNet、DenseNet）上的实验表明，AutoDA自动发现的攻击策略在攻击成功率和查询效率上均优于现有手工设计的决策型攻击方法。该工作为对抗攻击领域提供了新的自动化视角，有助于更全面地评估模型的鲁棒性。