[論文レビュー] 5G enabled Mobile Edge Computing security for Autonomous Vehicles

Daryll Ralph D'Costa, Hassan Abbas|arXiv (Cornell University)|Jan 30, 2022

Vehicular Ad Hoc Networks (VANETs)被引用数 4

ひとこと要約

本稿では、自律走行車両を支援する5G対応モバイルエッジコンピューティング（MEC）環境における分散型サービス不能攻撃（DDoS）攻撃の検出および分類を目的とした機械学習ベースのフレームワークを提案する。本研究では、合成された5Gネットワークパラメータを汎用データセットに追加し、ラベルエンコーディングと少数クラスのオーバーサンプリングを実施した。その後、DDoS攻撃の予測および5G遅延品質の予測に向けたモデルを学習したが、実世界の5Gデータが不足していることと、単一マシンでのシミュレーションに依存していることから、性能は限定的である。

ABSTRACT

The world is moving into a new era with the deployment of 5G communication infrastructure. Many new developments are deployed centred around this technology. One such advancement is 5G Vehicle to Everything communication. This technology can be used for applications such as driverless delivery of goods, immediate response to emergencies and improving traffic efficiency. The concept of Intelligent Transport Systems (ITS) is built around this system which is completely autonomous. This paper studies the Distributed Denial of Service (DDoS) attack carried out over a 5G network and analyses security attacks, particularly the DDoS attack. The aim is to implement a machine learning model capable of classifying different types of DDoS attacks and predicting the quality of 5G latency. The initial steps of implementation involved the synthetic addition of 5G parameters into the dataset. Subsequently, the data was label encoded, and minority classes were oversampled to match the other classes. Finally, the data was split as training and testing, and machine learning models were applied. Although the paper resulted in a model that predicted DDoS attacks, the dataset acquired significantly lacked 5G related information. Furthermore, the 5G classification model needed more modification. The research was based on largely quantitative research methods in a simulated environment. Hence, the biggest limitation of this research has been the lack of resources for data collection and sole reliance on online data sets. Ideally, a Vehicle to Everything (V2X) project would greatly benefit from an autonomous 5G enabled vehicle connected to a mobile edge cloud. However, this project was conducted solely online on a single PC which further limits the outcomes. Although the model underperformed, this paper can be used as a framework for future research in Intelligent Transport System development.

研究の動機と目的

• 自律走行車両を対象とする5G対応モバイルエッジコンピューティング（MEC）におけるセキュリティ脆弱性、特にDDoS攻撃を是正すること。
• 5Gネットワーク環境において、さまざまな種類のDDoS攻撃を分類できる機械学習モデルの開発。
• MECおよび自律走行車両運用の文脈において、5Gネットワーク遅延品質を性能指標として予測すること。
• 既存データセットの訓練に耐性のあるDDoS検出モデルを構築するために、合成5Gパラメータを用いたデータ拡張の可能性を評価すること。

提案手法

• 既存データセットに合成された5Gネットワークパラメータを追加し、実世界の5G MEC環境を模擬した。
• データ前処理として、カテゴリカル特徴のラベルエンコーディングと、少数クラスのオーバーサンプリングを実施し、データセットのバランスを改善した。
• 標準的な分割手法を用いて、データセットを訓練用とテスト用に分割した。
• DDoS攻撃分類および5G遅延予測の両方を目的とした複数の機械学習モデルを訓練・評価した。
• 標準的な分類指標を用いてモデル性能を評価したが、要約では具体的な数値は報告されていない。
• 研究は単一のPC上で完全にシミュレーション環境で実施され、公開済みのデータセットに依存していた。

実験結果

リサーチクエスチョン

• RQ1 自律走行車両向け5G対応モバイルエッジコンピューティング環境内において、機械学習モデルはさまざまな種類のDDoS攻撃をどの程度効果的に分類できるか？
• RQ2 合成5Gパラメータは、車両ネットワークにおけるDDoS検出のための既存データセットの代表性和および有用性をどの程度向上できるか？
• RQ3 MECベースのITSシステムにおいて、DDoS攻撃状態下での5Gネットワーク遅延品質を機械学習モデルがどの程度正確に予測できるか？
• RQ4 シミュレーテッドで単一マシン環境および合成データに依存する訓練・検証手法には、実世界の自律走行車両シナリオにおけるDDoS検出モデル開発においてどのような制限があるか？

主な発見

• 提案された機械学習モデルは、シミュレーテッド5G MEC環境においてDDoS攻撃を正常に検出および分類した。
• モデルの機能は確認されたが、実際の5Gネットワークデータが不足していることと、合成パラメータに過度に依存していることから、性能は制限された。
• 本研究で使用されたデータセットは、本物の5G関連情報が著しく欠落しており、モデルの汎化性能および信頼性に悪影響を及えた。
• 5G遅延品質の予測能力についても、同様にデータ不足およびシミュレーションの制限が要因で制限された。
• 本研究では、5G対応自律走行車両ネットワークにおける耐障害性のあるDDoS検出システムを構築するための実世界データの不足という深刻なギャップを特定した。
• モデルの性能は低かったが、本研究のフレームワークは、次世代のインテリジェント輸送システム（ITS）および5G MECセキュリティ分野における今後の研究の基盤を提供する。