SAGE-5GC：面向 5G 核心网络异常检测的安全感知评估指南
机器学习
2026-02-25 v3
摘要
基于机器学习的异常检测系统正越来越多地被采用于 5G 核心网络，以监控复杂的高流量流量。然而，大多数现有方法是在强假设下进行评估的，这些假设在实际运行环境中很少成立，尤其是独立且同分布（IID）数据可用以及不存在自适应攻击者。本文聚焦于野外检测 5G 攻击，考虑实际部署环境。我们提出了一套面向 5G 核心网络异常检测器的 Security-Aware Guidelines（SAGE-5GC），该指南基于领域知识并考虑潜在的对抗威胁。使用真实的 5G 核心数据集，我们首先训练了几个异常检测器，并评估其针对面向 PFCP 基于网络服务的标准 5GC 控制平面网络攻击的基线性能。随后，我们将评估扩展到对抗环境，其中攻击者试图在保持恶意流量预期功能的前提下，操纵网络流量的可观察特征以规避检测。在从一组可控特征中开始，we分析模型灵敏度和对抗鲁棒性，通过随机扰动。最后，我们引入一种基于遗传算法的实用优化策略，该策略仅作用于攻击者可控特征，且无需了解底层检测模型的先验知识。我们的实验结果表明，对抗性制造的攻击可以显著降低检测性能，这凸显了在野外部署的 5G 网络中，对异常检测需要健壮、安全感知的评估方法。
引用
@article{arxiv.2602.03596,
title = {SAGE-5GC: Security-Aware Guidelines for Evaluating Anomaly Detection in the 5G Core Network},
author = {Cristian Manca and Christian Scano and Giorgio Piras and Fabio Brau and Maura Pintor and Battista Biggio},
journal= {arXiv preprint arXiv:2602.03596},
year = {2026}
}
备注
ITASEC-2026