في عصر تزايد الاعتماد على التكنولوجيا الحديثة، أصبحت محطات شحن السيارات الكهربائية (EVCS) عرضة للهجمات السيبرانية التي قد تؤثر سلبًا على استقرار الشبكات الكهربائية. ومع تزايد استخدام تقنيات التعلم الآلي، ولا سيما الشبكات العصبية الرسومية (Graph Neural Networks)، من الممكن تحديد المواقع التي قد تتعرض للاختراق، إلا أن هناك العديد من التحديات التي تعيق مشاركة البيانات وتدريب النماذج.

تأتي هنا أهمية أبحاث جديدة تستعرض طريقة GDGU (Gradient Difference-based Graph Unlearning) والتي توفر حلاً مبتكرًا لعمليات حذف البيانات في سياق أمان محطات شحن السيارات الكهربائية. أولاً، تعالج هذه الطريقة مشكلة خصوصية البيانات، حيث يحق لمالكي المحطات حذف بيانات التدريب من نموذج تم نشره. لكن، إعادة التدريب من البداية في كل مرة يُطلب فيها حذف البيانات قد يكون غير عملي ويستغرق وقتًا طويلاً.

تتمثل استراتيجية GDGU في إزالة تأثير البيانات المحذوفة من خلال تصحيح معاملي يعتمد على الفرق في الانحدار (gradient difference) بين بيانات التدريب الأصلية ومجموعة بيانات معدلة. يتم تنفيذ ذلك بدقة بحيث يتضمن الحل الحصول على تصحيح أولي ثم إجراء خطوات صغيرة لاستعادة كفاءة تحديد الموقع.

أظهرت التجارب التي أجريت على شبكة IEEE ذات 34 حافلة و123 حافلة و8500 عقدة، أن GDGU يحقق أداءً متفوقًا مقارنة مع طريقتين أساسيتين في حذف البيانات. حيث تتفوق هذه التقنية علىكل منهما من حيث استعادة كفاءة التحديد، مما يظهر قدرة GDGU على حذف البيانات بشكل أسرع بعشرة إلى اثني عشر مرة مقارنة بعمليات إعادة التدريب التقليدية، مع استخدام قدر أقل من الذاكرة.

في نهاية المطاف، تفتح هذه التقنية الأبواب أمام مستقبل أكثر أمانًا لمحطات شحن السيارات الكهربائية، مما يمهد الطريق لتبني تقنيات الذكاء الاصطناعي بشكل أكثر أمانًا وفعالية. إن التحديات التي تواجه أمان الشبكات الكهربائية ليست بالأمر السهل، لكن بفضل تطور مثل هذه الطرق، يمكننا أن نأمل في بيئة أكثر استقرارًا وأمانًا.