基于 LLM 的可扩展 O-RAN 合规无描述盲 DoS 检测方法
密码学与安全
2025-10-09 v1 新兴技术
机器学习
网络与互联网体系结构
摘要
随着 5G 的引入，移动通信的质量和用户体验得到了显著提升，这些改进预计将延续至 5G 之后的时代。然而，控制平面协议（如射频资源控制 RRC 和非接入子域 NAS）的漏洞构成了诸如盲 denial of service（DoS）攻击等重大安全威胁。尽管存在利用基于规则系统或传统机器学习方法的异常检测技术，但这些方法存在数据需求大、规则预定义、可解释性有限等局限。为此，我们提出一种新型异常检测框架，利用大语言模型（LLM）在零样本模式下处理无序数据和简短自然语言攻击描述，构建于开放射频接入网络（O-RAN）架构之内。我们分析了对提示词变体的鲁棒性，展示了自动化攻击描述的可行性，并表明检测质量取决于描述的语义完整性，而非其措辞或长度。我们采用 RRC/NAS 数据集进行评估，并对开源与专有 LLM 实现进行广泛比较，以展示其在攻击检测方面的优越性能。我们进一步在 O-RAN 实时约束下验证了该框架的实用性，说明其检测其他第 3 层攻击的潜力。
引用
@article{arxiv.2510.06530,
title = {From Description to Detection: LLM based Extendable O-RAN Compliant Blind DoS Detection in 5G and Beyond},
author = {Thusitha Dayaratne and Ngoc Duy Pham and Viet Vo and Shangqi Lai and Sharif Abuadbba and Hajime Suzuki and Xingliang Yuan and Carsten Rudolph},
journal= {arXiv preprint arXiv:2510.06530},
year = {2025}
}