基于XAI和大语言模型的AI-RAN中可解释的异常基DDoS检测
密码学与安全
2025-07-30 v1 机器学习
摘要
下一代无线接入网络（RAN）引入可编程性、智能性和近实时控制能力，通过智能控制器实现，增强了RAN内以及更广泛5G/6G基础设施的安全性。本文提出了一项综合性调查，概述了大语言模型（LLM）辅助可解释（XAI）入侵检测（IDS）在未来RAN环境中所带来的机会、挑战与研究空白。针对此动机，我们提出一种基于多变量时间序列关键性能指标（KPMs）的异常检测系统，用于检测分布式拒绝服务（DDoS）攻击，这些KPMs从E2节点提取，位于近实时RAN智能控制器（Near-RT RIC）中。我们训练基于LSTM的模型，以识别基于这些KPMs的恶意用户设备（UE）行为。为提升透明度，我们应用后置局部可解释性方法（如LIME和SHAP）以解释单个预测结果。此外，运用LLM将技术解释转化为面向非专业用户的自然语言洞察。实验在真实5G网络KPMs上表明，本框架在保持高检测准确率（F1分数>0.96）的同时，能够提供可操作且可解释的输出。
引用
@article{arxiv.2507.21193,
title = {Interpretable Anomaly-Based DDoS Detection in AI-RAN with XAI and LLMs},
author = {Sotiris Chatzimiltis and Mohammad Shojafar and Mahdi Boloursaz Mashhadi and Rahim Tafazolli},
journal= {arXiv preprint arXiv:2507.21193},
year = {2025}
}