基于 O-RAN 的蜂窝网络中智能对抗攻击与防御的系统级分析

尽管开放架构、开放接口以及在开放无线接入网(O-RAN)技术中引入智能,为变革 5G 与 6G 网络带来了希望,但同时也引入了网络安全漏洞,阻碍了其广泛部署。本文针对 O-RAN 近实时无线接入网智能控制器(near-RT RIC)平台中被称为 xApp 的机器学习(ML)智能组件所面临的网络威胁,开展了一项全面的系统级研究。我们的研究首先开发了一个恶意 xApp,用于对存储于 near-RT RIC 中 RIC 数据库的两种测试数据——频谱图与关键性能指标(KPM)——实施对抗攻击。为缓解这些威胁,我们采用蒸馏技术:在高 softmax 温度下训练教师模型,并将其知识迁移到在较低 softmax 温度下训练的学生模型,后者作为鲁棒 ML 模型部署于 xApp 中。我们搭建了一个基于 LTE/5G 的 O-RAN 空中接口测试床,以一个基于 ML 的干扰分类(InterClass)xApp 为例,评估这些攻击的影响以及蒸馏防御技术的有效性。我们分别在两种场景下考察了 InterClass xApp 的两个版本:一个基于卷积神经网络(CNN),另一个基于深度神经网络(DNN),分别以频谱图与 KPM 作为输入数据。研究结果表明,在所考虑的对抗攻击下,CNN 与 DNN 模型的准确率分别下降高达 100% 与 96.3%,导致网络性能显著下降。在 near-RT RIC 闭环控制的严格时延约束下,我们的分析显示,蒸馏技术在缓解此类攻击方面优于经典的对抗训练,准确率最高可达 98.3%。