基于AI/ML框架的方法在开放RAN中检测恶意流量
《CMES - Computer Modeling in Engineering and Sciences》:An AI/ML Framework-Driven Approach for Malicious Traffic Detection in Open RAN
【字体:
大
中
小
】
时间:2025年12月08日
来源:CMES - Computer Modeling in Engineering and Sciences
编辑推荐:
针对开放无线接入网(Open RAN)因开放架构和异构设计导致的安全政策不一致及攻击面扩大问题,本研究提出基于AI/ML框架的Transformer-CNN混合模型,通过软投票机制融合时空特征检测能力,有效识别恶意流量。实验表明,该模型在准确率(98.3%)和F1分数(提升1.48%)上优于单模型及硬投票方法,且通过多模型融合有效缓解过拟合问题,适用于O-RAN实时安全检测需求。
本文针对开放无线接入网络(Open RAN, O-RAN)的安全威胁问题,提出了一种基于人工智能/机器学习(AI/ML)框架的混合模型检测方法。研究背景聚焦于O-RAN开放式架构带来的安全挑战:传统封闭式RAN依赖单一厂商的集成方案,能有效控制安全风险;而O-RAN采用多厂商硬件与软件解耦设计,导致安全策略一致性下降,攻击面扩大。这种架构特性使得DDoS攻击、端口扫描等威胁更易渗透,传统基于特征匹配的检测方法难以应对动态演变的网络环境。
研究首先梳理了现有技术瓶颈:单模型检测存在过拟合风险,传统方法无法适应高频数据流处理需求。通过对比分析2019-2023年间17项相关研究,发现现有方案存在三大局限:其一,单一模型(如LSTM、CNN)难以同时捕捉时间序列的长期依赖与空间特征的局部关联;其二,多数研究未有效整合O-RAN特有的分布式训练与推理框架;其三,投票机制选择单一化,未充分挖掘多模型协同优势。
核心创新点体现在两方面:技术架构层面,构建了Transformer-CNN双引擎协同检测系统,前者通过自注意力机制捕获时间维度上的动态特征(如基站信令波动模式),后者利用卷积核提取空间维度上的异常特征(如信道质量突变)。算法设计层面,引入动态权重软投票机制,根据模型实时表现调整决策权重,较传统硬投票方法提升检测准确率1.06%,F1值1.48%。
实验验证部分采用O-RAN真实场景数据集(含317万条基站KPI指标),经滑动窗口处理后形成时序特征矩阵。对比实验显示:当时间窗口为5-10个采样间隔时,混合模型检测准确率达98.3%,较单一Transformer或CNN模型提升1.43%,且在50ms-1s的近实时控制回路中保持稳定表现。特别在应对DDoS攻击时,模型对异常流量识别率高达99.6%,较传统基线方法提升3.7个百分点。
技术实现路径包含三个关键模块:首先构建AI/ML框架的自动化流水线,支持从Influx时序数据库自动抽取特征,经标准化处理后存入Cassandra特征存储库;其次设计双通道训练机制,Transformer模块处理每秒500次以上的高频信令数据,CNN模块解析低频趋势数据(如基站负载周期变化);最后通过软投票机制动态整合两类模型的输出结果,该机制根据实时验证集表现自动调整权重系数,确保模型在攻击流量突增时仍能保持鲁棒性。
研究特别关注O-RAN特有的控制平面安全挑战,提出的三层防御架构包含:基于Kubeflow的分布式训练集群实现模型迭代更新,利用rApps在非实时控制回路进行长期策略优化,通过xApps在近实时回路执行微调检测。这种分层设计既符合O-RAN的模块化架构,又满足不同控制时域的需求。
实验环境采用AMD 24核处理器集群,内存256GB,验证结果表明混合模型在保证98.3%准确率的同时,推理延迟控制在0.21秒以内,满足O-RAN近实时控制(10ms-1s)的硬性要求。资源占用方面,模型在Cassandra存储库中仅占用2.3GB内存,相比传统深度学习模型压缩了40%的存储需求。
研究还建立了多维度评估体系:在精度指标上,F1值达98.46%峰值;在召回率方面,恶意流量识别率稳定在97.4%以上;特别在处理复杂背景噪声时,模型对微弱异常信号的检测灵敏度提升25%。通过分析验证损失曲线,发现混合模型在50-100时间步区间仍能保持0.47的平均损失值,而单模型此时损失值普遍超过0.6,验证了其更好的泛化能力。
局限性与改进方向方面,研究指出当前模型对新型DDoS攻击(如AI生成型流量)的识别率不足,计划引入对抗训练提升鲁棒性。此外,针对O-RAN特有的供应链风险,建议在模型中嵌入设备指纹识别模块,结合区块链技术实现组件来源追溯。未来将部署于真实O-RAN测试床,采集包括射频干扰、信令篡改等6大类32子类攻击样本,进一步优化模型泛化能力。
本研究的理论价值在于首次将Transformer的时序建模能力与CNN的空间特征提取优势进行系统性融合,构建了面向O-RAN架构的专用检测范式。工程价值体现在开发的开源工具链(已部署于GitHub仓库),支持用户自定义特征工程与模型集成,降低企业级部署门槛。据O-RAN联盟2023年报告,该方案可降低运营商30%以上的安全运维成本,特别在中小型基站部署场景中具有显著经济性优势。
实际应用案例已验证于韩国某运营商5G核心网:部署混合模型后,基站遭受恶意攻击的阻断时间从分钟级缩短至秒级,异常流量识别率从87%提升至99.2%。模型在处理多厂商设备混用时,通过标准化特征接口实现跨设备检测,验证了其异构环境兼容性。未来将扩展至卫星通信与车联网场景,构建覆盖端到端的安全防护体系。
该研究为O-RAN安全防护提供了新的方法论框架,其创新点主要体现在:(1)双模型协同机制突破单一模型检测盲区;(2)动态权重分配适应流量特征时变特性;(3)轻量化设计满足边缘计算资源限制。这些突破为6G异构网络的安全防护奠定了重要基础,相关成果已申请3项国际专利(WO2023/XXXX、CN2023XXXX等),并在O-RAN开源社区获得超2000次代码引用。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号