《Computer Networks》:DecoySlice: Closed-loop decoy-slice defense against DDoS propagation in 5G network slicing
编辑推荐:
摘要5G网络切片通过共享底层基础设施实现了按需定制服务,但这种共享也允许DDoS攻击通过共享接入、核心网络转发和边缘资源在切片间传播。现有方法通常将异常检测、流量限制、诱饵部署和资源调度作为独立过程处理,难以在攻击持续演化过程中实现安全收益与资源成本之间的统一权衡。为解决这一
摘要
5G网络切片通过共享底层基础设施实现了按需定制服务,但这种共享也允许DDoS攻击通过共享接入、核心网络转发和边缘资源在切片间传播。现有方法通常将异常检测、流量限制、诱饵部署和资源调度作为独立过程处理,难以在攻击持续演化过程中实现安全收益与资源成本之间的统一权衡。为解决这一问题,本文提出了DecoySlice,一种基于主动诱饵的5G网络切片防御框架。该框架建立了一个受控感染传播模型,联合刻画服务切片内的攻击扩散、诱饵切片中的异常流量吸收以及防御资源的补充与恢复。基于该模型,将诱饵部署、流量调控和恢复控制建模为资源约束下的连续控制问题,并采用SAC-Lagrangian学习动态防御策略。此外,利用Open5GS和UERANSIM实现了原型系统,使服务切片、控制切片和诱饵切片之间能够进行在线闭环协调。实验结果表明,DecoySlice将遥测推导的平均攻击压力状态降至0.1135,而MPC Predictive为0.1442,AADS为0.1516;同时捕获了10186.4个蜜罐数据包和581742.6个蜜罐字节。其估计器无关的MSDR为18.6%,而每保护字节的CPU成本保持在左右。额外的鲁棒性和可扩展性测试进一步评估了该策略在未见过的攻击动态和有限部署扰动下的表现。这些结果表明,基于约束强化学习的诱饵切片可在所评估的Open5GS/UERANSIM原型中支持资源感知的闭环防御。
引言
第五代(5G)移动网络利用网络切片技术将共享的无线接入和核心基础设施划分为多个逻辑网络[1]、[2]、[3]。这使得针对智能制造、车联网和扩展现实(XR)等异构服务能够实现定制化资源分配和服务质量保障[4]、[5]、[6]、[7]。然而,按需切片也扩大了攻击面[8]、[9]、[10]、[11]。由于多个切片共享接入网络、核心转发路径和边缘资源,被攻陷的用户设备或网络功能可能将异常流量通过共享基础设施传播,导致跨切片DDoS攻击、链路拥塞、CPU过载和服务中断。
传统的DDoS缓解主要依赖外部清洗中心或边界网关。尽管对于粗粒度过滤有效,但这些机制难以与切片内编排、切片隔离和在线流量调控进行协调,这可能限制其在细粒度多切片防御中的适用性。面对不断演化的攻击,防御应将攻击传播建模、动态诱饵部署和基于学习的策略优化整合到统一的闭环中[12]。同时,5G核心网状态、链路级统计信息和切片编排接口为在线状态获取、策略触发和协调执行提供了实际支持[13]、[14]、[15]、[16]。这提出了一个关键问题:如何联合控制攻击传播、诱饵切片部署和资源开销,以实现在攻击演化过程中的持续感知、自适应策略生成和协调防御?
为应对这一挑战,本文提出了DecoySlice,一种针对5G网络切片的主动防御框架。其主要贡献如下:
- 1.
受控感染-诱饵建模 我们统一了服务切片感染传播和诱饵切片流量吸收,使用和来捕获攻击注入、跨切片扩散和防御干预。
- 2.
在线状态-资源映射 我们设计了一种在线状态表示,整合了核心网状态、链路性能、控制反馈、感染水平、边缘资源利用率和剩余容量。
- 3.
基于约束强化学习的防御控制 我们将流量重定向、入站调控和会话恢复建模为资源约束下的连续控制问题,并使用SAC-Lagrangian平衡感染抑制、资源成本和服务质量。
- 4.
原型实现与定量评估 我们使用Open5GS和UERANSIM在服务切片、控制切片和诱饵切片上实现了DecoySlice,并通过离线训练、在线执行和对比实验在分阶段攻击下对其进行评估。在分阶段DDoS评估场景中,DecoySlice相比MPC Predictive将平均和峰值遥测推导攻击压力指标分别降低了21.3%和25.7%,而其蜜罐数据包和字节捕获量均约为Static Honeypot的2.14倍。
章节摘要
相关工作
现有的5G网络切片安全研究主要涵盖切片隔离、攻击检测、AI驱动的异常检测、基于诱饵的防御和零信任架构。本节回顾了代表性工作并指出其在切片5G网络中动态DDoS防御方面的局限性。
方法论
本节通过联合建模5G网络切片中的攻击传播、诱饵切片部署和资源约束,建立了DecoySlice的统一框架。我们首先描述服务和诱饵切片的耦合演化,然后介绍防御控制输入,最后将防御过程建模为由SAC-Lagrangian求解的资源约束连续控制问题。
DecoySlice的有效性评估
本节通过离线训练和在线原型验证来评估DecoySlice。我们首先评估状态演化模型和SAC-Lagrangian学习过程,包括奖励和平均场敏感性,然后验证所学策略能否在Open5GS + UERANSIM原型中通过可执行的闭环防御联合处理攻击传播、诱饵触达和资源约束。
实验问题与统计方案
我们评估了四个研究问题:
- •
RQ1 抑制效果: DecoySlice能否降低估计的攻击压力并独立减少传递给受保护服务的经地面真值标注的恶意流量?
- •
RQ2 诱饵证据效用: 诱饵证据能否实现及时、正确归因的规则并改善缓解效果?
- •
RQ3 服务性能: 主动防御能否在有限的有效吞吐量损失和尾部延迟开销下保持良性吞吐量?
- •
RQ4 实时可扩展性与资源开销: DecoySlice能否
讨论
在所评估的原型条件下,结果表明协调的诱饵引流、调控和恢复能改善所测量的安全-服务特性,而不依赖单一机制或评估指标。主要对比建立了更低的平均/峰值攻击压力,仅捕获实验隔离了证据反馈的价值,而经地面真值标注的MSDR佐证了残余恶意流量的减少。这些收益与保持的应用有效吞吐量以及
结论
本文提出了DecoySlice,一种将攻击传播、诱饵切片触达和约束连续控制耦合的主动防御框架。在所评估的分阶段DDoS场景中,更低的估计被攻陷状态比例、更强的诱饵捕获以及具有可比CPU开销的保持业务和应用有效吞吐量表明,DecoySlice可以调控攻击压力和服务退化的代理指标。消融结果进一步支持了这一推断,即
CRediT作者贡献声明
刘一新: 撰写——原稿撰写、可视化、验证、软件、调查、形式化分析、数据整理。熊永杰: 撰写——原稿撰写、可视化、验证、软件、方法论、调查、数据整理。支强: 撰写——审阅与编辑、监督、资源、方法论、资金获取、概念化。
资助
本工作部分得到了江苏省基础研究计划资助,项目号23KJD520004,部分得到了江苏师范大学研究生科研创新基金资助,项目号2025XKT1426。
利益冲突声明
作者声明以下可能被视作潜在利益冲突的财务利益/人际关系:支强报告获得了江苏省科技部的资金支持。如有其他作者,他们声明没有已知的可能影响本文所报告工作的财务利益或个人关系。
刘一新,江苏师范大学研究生,中国徐州。研究兴趣为网络安全。
刘一新|熊永杰|支强