面向 5G 网络的基于轻量机器学习的切片感知欺骗检测
密码学与安全
2025-11-14 v1 网络与互联网体系结构
摘要
第五代（5G）网络的虚拟化正在扩大用户面板的攻击面，使得欺骗攻击成为切片完整性和服务可靠性的持续威胁。本研究提出了一种用于 5G 网络切片内欺骗攻击检测的切片感知轻量级机器学习框架。该框架在可复现的 Open5GS 和 srsRAN 测试平台上实现，模拟了三种服务类别：增强型移动宽带（eMBB）、超可靠低时延通信（URLLC）和大规模机器类型通信（mMTC），在受控的良性和对抗流量下进行测试。我们分别为每个切片使用统计流特征从镜像用户面板流量中训练两个高效分类器：Logistic 回归和随机森林。切片感知训练可将检测准确率提高最高 5%，实现 0.93 至 0.96 的 F1 分数，同时在商品化边缘硬件上保持实时运行。结果表明，与切片边界对齐的安全情报能提高检测可靠性，保持操作隔离，实现 5G 网络安全环境中的实际部署。概念上，该工作通过展示隔离感知智能能在不高计算成本下实现可扩展、隐私保护的欺骗防御，桥接了网络安全架构与自适应机器学习。
引用
@article{arxiv.2511.09610,
title = {Slice-Aware Spoofing Detection in 5G Networks Using Lightweight Machine Learning},
author = {Daniyal Ganiuly and Nurzhau Bolatbek},
journal= {arXiv preprint arXiv:2511.09610},
year = {2025}
}