增强 O-RAN 安全性：基于图强化学习的连接管理中的对抗攻击与鲁棒防御
密码学与安全
2024-10-24 v1 人工智能
摘要
对抗机器学习专注于研究机器学习模型的各种攻击与防御，随着机器学习被广泛应用于优化无线系统如开放式无线接入网络（O-RAN）而迅速获得重要地位。对实际基于 AI 的 O-RAN 系统进行安全威胁的全面建模，以及展示对抗攻击与防御的实证研究，仍处于初步阶段。我们首先进行威胁建模，以机器学习驱动的连接管理应用（xApp）为例，标志 O-RAN 中的攻击面。该 xApp 使用基于图神经网络的深度强化学习训练，平均可提高 54% 的覆盖率（以第 5 百分位用户数据速率为度量）。随后，我们构建并展示了通过在不同威胁面注入受限噪声（包括开放无线电信道本身）可使覆盖率下降最高可达 50% 的规避攻击。关键的是，我们还比较和对比了此类攻击对基于 ML 的 xApp 与基于非 ML 的启发式方法的有效性。最后，我们开发并展示了针对挑战性的物理/干扰型攻击的鲁棒训练防御方法，显示在多种噪声预算范围内，采用无防御策略时相比可提高 15% 的覆盖率。
引用
@article{arxiv.2405.03891,
title = {Enhancing O-RAN Security: Evasion Attacks and Robust Defenses for Graph Reinforcement Learning-based Connection Management},
author = {Ravikumar Balakrishnan and Marius Arvinte and Nageen Himayat and Hosein Nikopour and Hassnaa Moustafa},
journal= {arXiv preprint arXiv:2405.03891},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication