[논문 리뷰] Open or not open: Are conventional radio access networks more secure and trustworthy than Open-RAN?

Felix Klement, Stefan Katzenbeisser외 6명|arXiv (Cornell University)|2022. 04. 26.

Energy Harvesting in Wireless Networks인용 수 9

한 줄 요약

이 논문은 오픈 RAN(특히 O-RAN)이 전통적인 독점형 RAN 아키텍처보다 더 안전한지, 아니면 덜 안전한지를 평가한다. 논문은 오픈 RAN이 모듈러하고 상호운용성 있는 설계로 인해 공격 표면이 증가할 수는 있지만, 투명성, 표준화된 인터페이스, 그리고 보안 설계 원칙의 적용을 통해 더 강력한 보안을 가능하게 한다고 주장한다. 특히 제로 트러스트, 안전한 공급망, 그리고 적대적 기계학습 강화 기법과 결합될 경우 더욱 그렇다.

ABSTRACT

The Open RAN architecture is a promising and future-oriented architecture. It is intended to open up the radio access network (RAN) and enable more innovation and competition in the market. This will lead to RANs for current 5G networks, but especially for future 6G networks, evolving from the current highly integrated, vendor-specific RAN architecture towards disaggregated architectures with open interfaces that will enable to better tailor RAN solutions to the requirements of 5G and 6G applications. However, the introduction of such an open architecture substantially broadens the attack possibilities when compared to conventional RANs. In the past, this has often led to negative headlines that in summary have associated Open RAN with faulty or inadequate security. In this paper, we analyze what components are involved in an Open RAN deployment, how to assess the current state of security, and what measures need to be taken to ensure secure operation.

연구 동기 및 목표

• 오픈 RAN이 기존의 단일화된 RAN 아키텍처에 비해 체계적인 보안 취약성을 유발하는지 평가하기.
• 분리된, 오픈 인터페이스를 가진 RAN 구성 요소가 초래하는 확장된 공격 표면을 규명하고 분석하기.
• 보안 설계 원칙을 초기 단계의 O-RAN 개발에 효과적으로 적용할 수 있는지 타당성과 효과성을 평가하기.
• 기계학습과 해석 가능한 AI가 이상 탐지 및 적대적 공격에 대한 회복력 향상에 어떻게 기여하는지 검토하기.
• 특히 5G 및 6G 네트워크를 위한 오픈 RAN 배포를 위한 종합적인 보안 최선의 실천 방법 제공하기.

제안 방법

• CU, DU, RICs, O-RU, SMO 프레임워크를 포함한 O-RAN 구성 요소의 위협 모델링 및 공격 표면 분석을 수행하였다.
• O-RAN 생태계에서의 오픈 인터페이스 및 다수의 벤더 통합이 초래하는 보안 영향을 평가하였다.
• 조직 정책(예: 제로 트러스트, SLA)과 기술적 제어(예: 안전한 부트, 하드웨어 보안, 원격 확인)를 조합한 계층적 보안 접근 방식을 제안하였다.
• 비실시간 RIC에서 훈련된 모델을 활용해 실시간 의사결정을 위한 근접 실시간 RIC에 배포하는 기계학습을 통한 이상 탐지 사용 사례를 분석하였다.
• 기계학습의 적대적 공격 위험을 평가하고, 이러한 공격에 대한 탐지 및 대응 능력을 향상시키기 위해 해석 가능한 AI(XAI)의 필요성을 주장하였다.
• ENISA 및 기타 표준에서 유래한 보안 최선의 실천 방법을 정리하여, O-RAN 전용 구성 요소 및 배포 모델에 매핑하였다.

실험 결과

연구 질문

• RQ1 오픈 RAN의 분리된, 오픈 인터페이스 설계는 기존의 통합형 RAN에 비해 본질적으로 더 큰 보안 위험을 초래하는가?
• RQ2 보안 설계 원칙이 오픈 RAN의 초기 개발 단계에서 얼마나 효과적으로 적용될 수 있는가?
• RQ3 O-RAN 환경에서 다양한 데이터 스트림(예: 성능, 장애, 설정)을 기반으로 훈련된 기계학습 기반 이상 탐지 시스템의 성능은 어떠한가?
• RQ4 오픈 RAN에서 기계학습의 적대적 공격이 초래하는 주요 위협은 무엇이며, 강건성 및 해석 가능한 AI를 통해 어떻게 완화할 수 있는가?
• RQ5 5G 및 6G 네트워크에서 오픈 RAN 배포를 보호하기 위해 조직적 및 기술적 보안 제어 조합 중 가장 효과적인 것은 무엇인가?

주요 결과

• 오픈 RAN은 5G 네트워크에 내재된 보안 결함을 초과하는 근본적인 결함을 유발하지 않으며, 오히려 사전 보안 공학을 통해 공격 표면을 관리할 수 있다.
• 오픈 RAN의 모듈러성과 표준화된 설계는 투명하고 독점적인 RAN 시스템보다 위협 표면의 가시성과 더 효과적인 보안 강화를 가능하게 한다.
• 특히 제로 트러스트 및 안전한 공급망 관행과 결합된 보안 설계 원칙은 오픈 RAN의 회복력을 크게 향상시킨다.
• 이상 탐지에서 오픈 RAN 환경에서는 성능 데이터 외에도 성능, 장애, 설정 데이터 스트림을 모두 활용해 훈련할 경우 가장 효과적이다.
• 기계학습 기반의 RAN 보안에 대해 적대적 기계학습 공격은 실제 위협이지만, 강건한 모델 훈련 및 해석 가능한 AI 기법을 통해 이러한 위험을 완화할 수 있다.
• 원격 확인, 안전한 부트, 하드웨어 기반 신뢰와 같은 종합적인 기술적 및 조직적 보안 제어 조합은 오픈 RAN 배포를 효과적으로 보호할 수 있다.