5G 网络中的增强型实时威胁检测：一种用于频谱入侵分析的自注意力 RNN 自编码器方法
密码学与安全
2024-11-07 v1 人工智能
机器学习
网络与互联网体系结构
摘要
在快速演进的 5G 技术格局中，保护射频（RF）环境免受复杂入侵至关重要，尤其是在动态频谱接入与管理方面。本文提出了一种增强的实验模型，该模型将自注意力机制与基于循环神经网络（RNN）的自编码器相集成，用于在波形级别检测 5G 网络中的异常频谱活动。我们的方法基于时间序列分析，处理同相和正交（I/Q）样本以识别可能表明潜在干扰攻击的不规则性。该模型的架构增加了自注意力层，扩展了 RNN 自编码器的能力，使其能够更细致地理解 RF 频谱内的时间依赖性和上下文关系。利用由 srsRAN 5G 和软件定义无线电（SDR）构建的模拟 5G 无线接入网（RAN）测试平台，我们生成了反映真实世界 RF 频谱条件和攻击场景的综合数据流。该模型被训练以重建标准信号行为，建立一个规范性基线，据此识别表明安全威胁的偏差。所提出的架构旨在平衡检测精度与计算效率，因此融合了自注意力的 LSTM 网络继续针对最小执行延迟和功耗进行优化。在基于真实世界 SDR 的测试平台上进行的实验结果表明，该模型在威胁检测方面具有更好的性能和准确度。
引用
@article{arxiv.2411.03365,
title = {Enhanced Real-Time Threat Detection in 5G Networks: A Self-Attention RNN Autoencoder Approach for Spectral Intrusion Analysis},
author = {Mohammadreza Kouchaki and Minglong Zhang and Aly S. Abdalla and Guangchen Lan and Christopher G. Brinton and Vuk Marojevic},
journal= {arXiv preprint arXiv:2411.03365},
year = {2024}
}
备注
This article has been accepted for publication in WiOpt 2024