.png){kind=icon}
返回
Mitigating ML-Driven Adversarial Attacks on xApps Using Dynamic Defense Mechanisms
.png){kind=icon}
OA
AI
DOI：10.1109/OJCOMS.2025.3602200.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
开放无线接入网络架构（O-RAN）架构利用被称为xApps的智能近实时应用来优化网络性能和服务。然而，这些由机器学习（ML）驱动的xApps容易受到可能损害其功能和可靠性的对抗性攻击。在本文中，我们全面研究了针对xApps的对抗性威胁，并探讨了动态防御机制以减轻这些风险。我们首先识别针对近实时RAN智能控制器（Near-RT RIC）及其相关xApps的潜在攻击向量。然后，我们利用开源O-RAN测试平台部署一个关键性能指标（KPI）监控xApp、一个检测xApp和一个恶意对抗性xApp。该对抗性xApp通过扰动关键性能指标实时实施复杂的推理时间攻击，包括Carlini & Wagner（C&W）和基本迭代方法（BIM），以误导基于ML的检测xApp。为应对这些威胁，我们开发了一个集成顺序异常检测技术、集成深度神经网络（DNN）推理和基于梯度的启发式方法的防御xApp，用于实时攻击缓解。实验结果表明，C&W攻击显著降低了目标xApp的基准检测性能，使其准确率从92%降至仅16%，而BIM攻击也产生了类似影响，将检测准确率降低至约10%。然而，所提出的防御xApp能够迅速检测并中和这些对抗性操纵，从而恢复检测器的有效性，在C&W攻击下实现高达84%的准确率，并在最具挑战性的场景中将BIM（基本迭代方法）攻击检测准确率提升至93%。这项工作在一个真实世界的O-RAN环境中对对抗性攻击及其对应防御进行了闭环评估，为现实世界中的脆弱性和缓解策略提供了有价值的见解。通过引入动态防御框架，我们显著增强了ML驱动xApps的安全性和韧性，并在攻击期间维持可靠的O-RAN性能。
Keyword:
Adversarial attacks
artificial intelligence
basic iterative method
Carlini & Wagner method
defense mechanisms
machine learning
Near-RT RIC
O-RAN
privacy
security
xApps
期刊
I
IF:
4.3
论文数:
1.7K
被引数:
991
机构
引用论文
Detecting Adversarial Attacks In Time-Series Data.png)
ICASSP 2020 - 2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
ICASSP 2020 - 2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)IF0
PREAI
分享收藏Implementing and Evaluating Security in O-RAN: Interfaces, Intelligence, and PlatformsIEEE NetworkOAAI
IEEE NetworkIF0
OAAI分享收藏
查看更多内容