基于NLP的跨层5G漏洞模糊测试运行时性能剖析检测
密码学与安全
2023-05-16 v1 机器学习
软件工程
摘要
5G软件栈漏洞及非预期行为检测的有效性与效率对5G保障至关重要，尤其在其关键基础设施应用中。可扩展性与自动化是测试方法与网络安全研究中的主要挑战。本文提出一种创新方法，通过代码仓库中对应模糊测试的运行时剖析文档，自动检测5G栈中的漏洞、非预期涌现行为与性能退化。以srsRAN为试点，我们首先将模糊测试生成的日志信息(LogInfo)运行时剖析映射至高维度量空间，进而基于其时间戳信息构建特征空间。最后，我们进一步利用基于机器学习的分类算法，包括逻辑回归、K近邻与随机森林，对性能与安全属性的影响进行分类。所提方法在检测模糊测试影响时准确率高达93.4%至95.9%。此外，该概念验证可识别并优先处理各垂直领域5G基础设施与关键应用中的实时漏洞。
引用
@article{arxiv.2305.08226,
title = {NLP-based Cross-Layer 5G Vulnerabilities Detection via Fuzzing Generated Run-Time Profiling},
author = {Zhuzhu Wang and Ying Wang},
journal= {arXiv preprint arXiv:2305.08226},
year = {2023}
}