[论文解读] A Survey on XAI for 5G and Beyond Security: Technical Aspects, Challenges and Research Directions

Thulitha Senevirathna, Vinh Hoa La+4 more|arXiv (Cornell University)|Apr 27, 2022

Privacy-Preserving Technologies in Data参考文献 277被引用 12

一句话总结

本文提出可解释人工智能（XAI）作为提升6G及太赫兹网络（B5G）网络安全问责制与可信度的关键使能技术。通过将XAI集成至B5G核心组件——如无线接入网（RAN）、边缘计算、端到端切片及零接触管理——实现基于人工智能/机器学习（AI/ML）的安全系统中透明、可解释的决策机制，解决黑箱问题，并提升对不断演变的网络威胁的弹性应对能力。

ABSTRACT

With the advent of 5G commercialization, the need for more reliable, faster, and intelligent telecommunication systems is envisaged for the next generation beyond 5G (B5G) radio access technologies. Artificial Intelligence (AI) and Machine Learning (ML) are immensely popular in service layer applications and have been proposed as essential enablers in many aspects of 5G and beyond networks, from IoT devices and edge computing to cloud-based infrastructures. However, existing 5G ML-based security surveys tend to emphasize AI/ML model performance and accuracy more than the models' accountability and trustworthiness. In contrast, this paper explores the potential of Explainable AI (XAI) methods, which would allow stakeholders in 5G and beyond to inspect intelligent black-box systems used to secure next-generation networks. The goal of using XAI in the security domain of 5G and beyond is to allow the decision-making processes of ML-based security systems to be transparent and comprehensible to 5G and beyond stakeholders, making the systems accountable for automated actions. In every facet of the forthcoming B5G era, including B5G technologies such as ORAN, zero-touch network management, and end-to-end slicing, this survey emphasizes the role of XAI in them that the general users would ultimately enjoy. Furthermore, we presented the lessons from recent efforts and future research directions on top of the currently conducted projects involving XAI.

研究动机与目标

• 解决B5G与6G网络中基于AI/ML的安全系统缺乏透明度与问责性的问题。
• 研究XAI如何通过使AI决策在安全场景中可解释、可理解，从而提升利益相关方信任度。
• 识别XAI在B5G各层（包括RAN、边缘、核心及端到端切片）增强安全性的关键技术使能条件与应用场景。
• 突出AI可解释性引入的新兴安全挑战，并强调建立标准化、安全的XAI框架的必要性。
• 提供来自正在进行项目的研究方向与经验教训，以指导B5G安全领域XAI的未来标准化与实施。

提出的方法

• 调研最先进的XAI技术及其在B5G网络架构（包括RAN、边缘、核心与回传层）中的集成方法。
• 分析XAI在B5G环境中关键安全机制（如加密、匿名化、混淆与联邦学习）中的作用。
• 将XAI映射至B5G用例（如零接触网络管理、网络切片与物联网安全），以确保可解释的自动化。
• 评估现有标准与标准开发组织（SDO）（如IEEE XAI工作组）在B5G与6G安全领域XAI标准化方面的进展，识别其中的缺口。
• 综合分析欧盟及国际正在进行的项目（如SPATIAL、6Genesis、SNS）的经验，为未来B5G中XAI的部署提供依据。
• 提出聚焦于XAI自身安全化、以及适应ORAN与端到端切片等动态AI原生B5G服务的XAI适配的研究方向。

实验结果

研究问题

• RQ1 XAI如何提升B5G与6G网络中基于AI/ML的安全系统在透明度与问责性方面的表现？
• RQ2 在RAN、边缘、核心及端到端切片等B5G网络层级中应用XAI的关键技术挑战是什么？
• RQ3 现有标准与标准开发组织（如3GPP、IEEE、ETSI）如何应对B5G安全中的XAI问题？尚存哪些缺口？
• RQ4 将XAI集成至AI驱动的B5G安全系统会引入哪些新的安全风险？
• RQ5 为确保B5G与6G网络中安全、可解释且可信的AI，未来在标准化与研究方向上需要哪些举措？

主要发现

• XAI对于提升B5G网络各层级（包括RAN、边缘与核心网络）中基于AI/ML的安全系统的信任度与问责性至关重要。
• 尽管多数B5G安全标准承认AI/ML技术，但仅有少数明确涉及XAI，表明标准化方面存在关键缺口。
• IEEE XAI工作组（XAI标准）正在积极制定可解释人工智能系统中强制性与可选性要求。
• XAI在端到端切片与零接触管理中的集成，可实现透明的自动化决策，提升运营弹性。
• 联邦学习与隐私保护技术可通过XAI增强，以确保在分布式B5G环境中可解释且安全的模型训练。
• 未来研究必须聚焦于XAI自身的安全化、ORAN与核心网络中XAI的标准化，以及XAI在动态6G服务模型中的适配。