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。

该论文提出了一种针对电动汽车充电基础设施（EVCS）的混合入侵检测系统（IDS）。随着电动汽车充电站接入智能电网，其管理需要复杂的数字基础设施，这扩大了攻击面，使电网和充电站面临网络攻击风险。现有EVCS入侵检测系统存在缺陷，主要因为仅关注单层（网络层或主机层）检测，无法全面覆盖攻击。本文提出了一种双层集成方法，结合基于网络的IDS（NIDS）和基于主机的IDS（HIDS），实现对网络流量和主机活动的全面监控。利用最新的CICEVSE2024数据集进行多分类实验，涵盖虚假数据注入攻击（FDIA）、侦察攻击、拒绝服务攻击、后门攻击和加密货币挖矿攻击等类型。实验结果显示，NIDS组件对网络攻击的检测准确率达到99.99%，HIDS组件对FDIA、加密货币挖矿、后门、所有拒绝服务攻击、除Slowloris Scan外的所有侦察攻击的平均准确率为83.47%。双层检测性能显著优于此前文献中的单源检测方法。该研究适用于智能电网安全研究人员、EV充电设施运营方和蓝队防御工程师。