ORAN-DEFEND：开放RAN中后门DRL xApps的子空间检测与净化

开放无线接入网（O-RAN）越来越多地将近实时控制委托给从第三方供应商获得的深度强化学习（DRL）xApp，这创造了新的供应链攻击面。后门策略在对手将隐蔽触发器注入观测到的关键性能指标（KPI）遥测数据之前表现最优，此时它会发出有害的控制动作，降低服务质量（QoS）。我们提出了ORAN-DEFEND，一种无需重新训练的包装器，通过奇异值分解（SVD）将每个KPI窗口投影到从少量可信干净轨迹估计的安全子空间上，从而净化冻结的、可能受损的xApp。我们在分析和实证上都建立了一个精确的恢复条件：如果触发器能量集中在安全子空间的正交补中，则防御成功，并且我们通过触发器的$\Eperp$能量分数来量化这个边界。在Colosseum COLORAN数据集上，我们评估了四种结构不同的DRL后门攻击，如TrojDRL、SleeperNets、BadRL和Q-Incept，涵盖内环和外环投毒机制，并证明在子空间假设成立时，所有四种攻击的回报恢复率均为$100\%$，防御成功率$\geq99.5\%$。几何消融揭示了一个内在的、先前未表征的任何线性投影防御的极限：当触发器与合法信号共置时，$\Eperp$能量分数单调地控制恢复，线性残差检测器崩溃为随机猜测，而非线性分类器保持完美的可分性。