O-RAN中的鲁棒异常检测：利用大语言模型对抗数据操纵攻击
密码学与安全
2025-08-12 v1 新兴技术
机器学习
摘要
5G和开放无线接入网架构的引入使得网络部署更加灵活和智能。然而，这些架构日益增加的复杂性和开放性也带来了新的安全挑战，例如恶意xApp对O-RAN平台内半标准化的共享数据层进行数据操纵攻击。特别是，恶意xApp可以通过在数据中引入细微的Unicode级篡改（同形字）来利用此漏洞，这些数据正被传统的基于机器学习的异常检测方法所使用。这些Unicode级操纵可能绕过检测，并导致基于传统机器学习（如自编码器）的异常检测系统发生故障，因为它们无法在不崩溃的情况下处理被同形字污染的数据。我们研究了在O-RAN架构中使用大语言模型进行异常检测以应对这一挑战。我们证明，基于LLM的xApp能保持鲁棒的运行性能，并且能够处理被操纵的消息而不会崩溃。虽然初始检测精度需要进一步提高，但我们的结果突显了LLM对输入数据中同形字等对抗性攻击的鲁棒性。通过提示工程利用其适应性来进一步提高准确率具有潜力，但这需要进一步研究。此外，我们表明LLM实现了低检测延迟（低于0.07秒），使其适用于近实时RIC部署。
引用
@article{arxiv.2508.08029,
title = {Robust Anomaly Detection in O-RAN: Leveraging LLMs against Data Manipulation Attacks},
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:2508.08029},
year = {2025}
}