在 5G 云无线接入网中利用深度学习结合核支持向量机检测多阶段干扰攻击
网络与互联网体系结构
2020-04-15 v2 机器学习
摘要
在 5G 网络中,云无线接入网(C-RAN)被认为是一种有前景的未来架构,它通过提供实时云基础设施、协作式无线电和集中式数据处理来最小化能耗并高效分配资源。近来,鉴于其易受恶意攻击的脆弱性,C-RAN 网络的安全性引起了广泛关注。在各种基于异常的入侵检测技术中,最有前景的是基于机器学习的入侵检测,因为它无需人工辅助即可学习并相应调整动作。在这方面已提出许多解决方案,但它们要么在攻击分类方面准确率较低,要么仅提供单层的攻击检测。本研究致力于在 5G C-RAN 中部署一种基于多阶段机器学习的入侵检测(ML-IDS),能够检测并分类四类干扰攻击:恒定干扰、随机干扰、欺骗干扰和反应式干扰。该部署通过最小化 C-RAN 架构中的假阴性来增强安全性。所提方案的实验评估使用 WSN-DS(无线传感器网络数据集)进行,这是一个专用的无线入侵检测数据集。攻击的最终分类准确率为 94.51%,假阴性率为 7.84%。
引用
@article{arxiv.2004.06077,
title = {Multi-stage Jamming Attacks Detection using Deep Learning Combined with Kernelized Support Vector Machine in 5G Cloud Radio Access Networks},
author = {Marouane Hachimi and Georges Kaddoum and Ghyslain Gagnon and Poulmanogo Illy},
journal= {arXiv preprint arXiv:2004.06077},
year = {2020}
}
备注
6 pages, 6 figures, conference