开放无线接入网（O-RAN）中的对抗机器学习威胁分析与缓解
密码学与安全
2023-03-07 v2 机器学习
摘要
O-RAN是一种新的、开放的、自适应的智能RAN架构。受人工智能在其他领域成功的推动，O-RAN努力利用机器学习（ML）在流量引导、体验质量预测和异常检测等多种用例中自动且高效地管理网络资源。遗憾的是，已有研究表明，基于ML的系统易受一种称为对抗机器学习（AML）的攻击技术威胁。这类特殊攻击已在近期研究及多个领域中被证实。本文针对O-RAN提出了系统的AML威胁分析。我们首先回顾相关ML用例并分析O-RAN中不同的ML工作流部署场景。随后，我们定义威胁模型，识别潜在对手，列举其对抗能力，并分析其主要目标。接着，我们探究与O-RAN相关的各类AML威胁，回顾大量可用来实现这些威胁的攻击，并演示了对流量引导模型的一次AML攻击。此外，我们分析并提出了多种用于缓解所识别威胁的AML对策。最后，基于已识别的AML威胁与对策，我们提出了一种方法论和工具，用于对O-RAN中特定ML用例的AML攻击进行风险评估。
引用
@article{arxiv.2201.06093,
title = {Adversarial Machine Learning Threat Analysis and Remediation in Open Radio Access Network (O-RAN)},
author = {Edan Habler and Ron Bitton and Dan Avraham and Dudu Mimran and Eitan Klevansky and Oleg Brodt and Heiko Lehmann and Yuval Elovici and Asaf Shabtai},
journal= {arXiv preprint arXiv:2201.06093},
year = {2023}
}