基于 RSRP 特征应用机器学习进行伪基站检测
密码学与安全
2022-07-25 v1
摘要
伪基站——IMSI 捕获器、Stingray——是冒充合法基站的设备，用于未经授权监视或通信破坏等恶意活动。利用 3GPP 标准化测量报告在网络侧检测它们是一项有前景的技术。当攻击者使用非法的物理小区标识（PCI）操作伪基站时，应用预定检测规则效果良好；但当资源更充足的攻击者先扫描邻区获取合法 PCI 之一来操作伪基站时，检测会产生漏报。在本文中，我们展示了如何应用机器学习（ML）来缓解此类漏报。我们使用 ns-3 LTE 模块在仿真设置中进行实验来验证我们的方法。我们基于测量报告中的参考信号接收功率（RSRP）和小区位置提出了三个鲁棒的 ML 特征（COL、DIST、XY）。我们评估了四种 ML 模型（回归聚类、异常检测森林、自编码器以及 RCGAN），并表明其中若干模型即使在伪基站使用合法 PCI 时也具有高检测精度。在我们由 12 个小区组成、其中一个小区作为移动伪小区的布局实验中，最佳模型以 0.5% 误报的代价检测出了 75–95% 的伪位置。
引用
@article{arxiv.2207.10999,
title = {Applying Machine Learning on RSRP-based Features for False Base Station Detection},
author = {Prajwol Kumar Nakarmi and Jakob Sternby and Ikram Ullah},
journal= {arXiv preprint arXiv:2207.10999},
year = {2022}
}
备注
9 pages,5 figure, 3 tables, 2 algorithms