Sécurité des bornes : l'IA contre les cybermenaces

Des agents IA pour sécuriser les bornes de recharge électrique

À l'université de Malaga, des chercheurs ont mis au point un système innovant d'agents IA pour protéger les réseaux de bornes de recharge électrique. Ces agents sont capables de surveiller en temps réel leur environnement local et de partager leurs observations avec d'autres agents pour établir un diagnostic collectif. L'objectif est de détecter les vols d'énergie et les cyberattaques avant qu'ils ne se propagent.

En France, le nombre de bornes publiques de recharge a atteint près de 195 000 au 30 avril, selon le baromètre Avere, contre 168 000 un an plus tôt. De nombreuses bornes ont migré vers des systèmes cloud, souvent via l'Open Charge Point Protocol (OCPP), un standard ouvert qui gère l'authentification, la facturation et la gestion de la charge à distance. Cependant, la majorité des bornes fonctionnent encore sous la version 1.6J, qui présente des vulnérabilités. Un attaquant peut usurper une session, interrompre une recharge ou détourner de l'énergie sans contact physique avec la borne. Il y a deux ans, plus de 116 000 enregistrements d'usagers européens ont été compromis après le piratage de plusieurs opérateurs mal sécurisés.

Limites de la surveillance centralisée

Actuellement, les réseaux OCPP utilisent un système centralisé pour collecter les données des bornes et détecter les anomalies. Cristina Alcaraz, chercheuse en sécurité des infrastructures au laboratoire NICS de l'université de Malaga, a publié ses travaux dans l'International Journal of Critical Infrastructure Protection. Elle souligne que ce système ne permet pas d'identifier précisément quel composant est compromis ni l'étendue de l'attaque.

Le dispositif du laboratoire NICS adopte une approche décentralisée. Chaque borne ou composant critique du réseau est équipé d'un agent IA autonome. Ces agents analysent leur environnement local et partagent leurs observations avec les agents voisins. Ils évaluent l'état des chargeurs, des communications et des appareils connectés pour détecter des anomalies, des pannes ou des incidents de sécurité potentiels.

Les agents comparent leurs lectures locales avec celles des stations proches et construisent une image contextualisée de la situation à l'échelle du réseau. Pour décider de la nature d'une anomalie, le système utilise un mécanisme de consensus basé sur la théorie des dynamiques d'opinion. Ce principe permet aux agents IA d'affiner progressivement leur diagnostic commun. Lors des tests en environnement simulé, le système a montré une réduction significative des faux positifs et une détection efficace des anomalies comportementales affectant plusieurs bornes simultanément. Un registre blockchain infalsifiable archive toutes les transactions des agents, assurant une traçabilité complète.

Risques de déstabilisation des réseaux électriques

Un attaquant qui contrôle un nombre suffisant de bornes sur un même nœud réseau peut manipuler la demande agrégée en électricité, créant des pics ou des creux de consommation artificiels. De telles attaques coordonnées peuvent déséquilibrer les réseaux de distribution locaux. Les systèmes de surveillance classiques, conçus pour détecter des incidents borne par borne, ne peuvent pas identifier ces anomalies transversales.

Grâce au partage continu des lectures par les agents, un comportement de consommation anormal sur un groupe de bornes géographiquement proches déclenche une alerte agrégée, même si chaque borne individuellement semble fonctionner normalement. Lors des tests en simulation, le système a détecté des anomalies locales et des patterns comportementaux affectant plusieurs stations de charge simultanément.

La version 2.0.1 du protocole, plus sécurisée, n'a pas encore remplacé la 1.6J sur la majorité des bornes installées. Le laboratoire de Malaga travaille désormais à un déploiement en environnement réel.