[논문 리뷰] Adversarial Machine Learning Threat Analysis and Remediation in Open Radio Access Network (O-RAN)

Habler, Edan, Ron Bitton외 7명|arXiv (Cornell University)|2022. 01. 16.

Adversarial Robustness in Machine Learning인용 수 4

한 줄 요약

이 논문은 기계학습 기반 사용 사례(예: 트래픽 스텅)에서의 공격 벡터를 특정화하는 오픈 라디오 액세스 네트워크(O-RAN)를 위한 체계적인 공격적 기계학습(AML) 위협 분석 및 위험 평가 방법론을 제시한다. 이는 위협 당사자, 공격 기법, 대응 조치를 매핑하는 도구 기반 프레임워크를 제안하며, 영향력, 가능성, 공격 효과성의 조합을 통해 위험 스코어 모델을 활용해 고위험 AML 위협을 우선순위 정렬한다.

ABSTRACT

O-RAN is a new, open, adaptive, and intelligent RAN architecture. Motivated by the success of artificial intelligence in other domains, O-RAN strives to leverage machine learning (ML) to automatically and efficiently manage network resources in diverse use cases such as traffic steering, quality of experience prediction, and anomaly detection. Unfortunately, it has been shown that ML-based systems are vulnerable to an attack technique referred to as adversarial machine learning (AML). This special kind of attack has already been demonstrated in recent studies and in multiple domains. In this paper, we present a systematic AML threat analysis for O-RAN. We start by reviewing relevant ML use cases and analyzing the different ML workflow deployment scenarios in O-RAN. Then, we define the threat model, identifying potential adversaries, enumerating their adversarial capabilities, and analyzing their main goals. Next, we explore the various AML threats associated with O-RAN and review a large number of attacks that can be performed to realize these threats and demonstrate an AML attack on a traffic steering model. In addition, we analyze and propose various AML countermeasures for mitigating the identified threats. Finally, based on the identified AML threats and countermeasures, we present a methodology and a tool for performing risk assessment for AML attacks for a specific ML use case in O-RAN.

연구 동기 및 목표

• 기계학습이 네트워크 관리에 사용되는 오픈 라디오 액세스 네트워크(O-RAN)에서 공격적 기계학습(AML) 위협을 분석하기.
• O-RAN 배포 환경에서 기계학습 모델을 대상으로 하는 위협 당사자, 그 능력 및 공격 기법을 특정하기.
• 영향력, 가능성, 공격 효과성 기반으로 AML 위협을 정량화하는 위험 평가 방법론 개발하기.
• 특정 O-RAN 기계학습 사용 사례에 맞게 최적화된 위협 우선순위 정렬 및 대응 조치 선택을 위한 실용적 도구 제안하기.
• 기울기 기반 백색 상자 오염 공격을 활용한 실세계 사례 연구를 통해 프레임워크의 적용 가능성을 입증하기.

제안 방법

• O-RAN 내 기계학습 배포 워크플로우의 체계적 매핑을 수행하여 트래픽 스텅, QoE 예측, 이상 탐지와 같은 핵심 사용 사례를 식별한다.
• 잠재적 적대자(예: 악성 사용자 장비, 위조된 RAN 구성 요소)와 그 능력(예: 모델 액세스, 데이터 주입)을 열거하여 위협 모델을 정의한다.
• 능력-요구 조건 매트릭스를 사용해 AML 공격 기법(예: FGSM, PGD, C&W)을 위협 당사자 및 사용 사례에 매핑하며, 0에서 1 사이의 점수를 할당한다.
• 공식을 사용해 위험 스코어를 계산한다: 위험 = 효과성 × (영향력 × 공격의 영향력) × 가능성, 여기서 가능성은 필수 능력의 평균이다.
• 유도된 위험 스코어를 기반으로 위협을 우선순위 정렬하며, 최상위 위협은 기울기 기반 백색 상자 오염 공격로 위험 스코어가 7.90이다.
• 위협 완화 및 사용 사례 제약 조건을 고려해 사전 정의된 온톨로지에서 적절한 대응 조치를 선택한다. 예: 데이터 노이즈 제거, 데이터 민감도 조정, 보조 AML 검출기

실험 결과

연구 질문

• RQ1 오픈 라디오 액세스 네트워크(O-RAN) 배포 환경에서 기계학습 모델을 대상으로 하는 주요 공격적 기계학습(AML) 위협은 무엇인가?
• RQ2 악성 사용자 장비 또는 위조된 RAN 구성 요소와 같은 O-RAN 내 다양한 위협 당사자는 AML 기법을 어떻게 활용하여 기계학습 기반 네트워크 기능을 손상시키는가?
• RQ3 O-RAN 내 AML 공격의 위험 프로필은 무엇이며, 영향력, 가능성, 공격 효과성 기반으로 어떻게 정량적으로 평가할 수 있는가?
• RQ4 체계적인 위험 평가 프레임워크는 특정 O-RAN 사용 사례(예: 트래픽 스텅)에서 AML 위협을 우선순위 정렬하는 데 어떻게 적용될 수 있는가?
• RQ5 O-RAN에서 고위험 AML 위협을 완화하는 데 가장 효과적인 대응 조치는 무엇이며, 성능 및 구현 제약 조건을 기반으로 어떻게 선택할 수 있는가?

주요 결과

• O-RAN의 트래픽 스텅 사용 사례에서 가장 심각한 AML 위협은 기울기 기반 백색 상자 오염 공격로, 높은 영향력과 높은 가능성으로 인해 위험 스코어가 7.90이다.
• C&W, FGSM, PGD 공격 기법의 효과성 점수는 1.0으로 평가되어 기계학습 모델의 회피 또는 오염에 매우 효과적임을 나타낸다.
• 공격 가능성은 공격자가 필요로 하는 능력의 평균으로 계산되며, 높은 점수는 위협 당사자의 액세스 수준에 따라 공격의 실행 가능성 증가를 의미한다.
• 위험 평가 도구는 체계적이고 반복 가능한 프로세스를 통해 위협을 성공적으로 우선순위 정렬하였으며, 네트워크 운영자가 가장 심각한 AML 위협에 먼저 집중할 수 있도록 했다.
• 데이터 노이즈 제거, 데이터 민감도 조정, AML 검출 모델과 같은 대응 조치는 고위험 오염 공격 완화에 효과적임이 확인되었다.
• 이 프레임워크는 사용 사례에 종속되지 않으며, 관련 위협 및 능력 매핑을 재적용함으로써 O-RAN 기계학습 사용 사례에 관계없이 적용 가능하다.