[论文解读] Adversarial Machine Learning Threat Analysis and Remediation in Open Radio Access Network (O-RAN)

Habler, Edan, Ron Bitton+7 more|arXiv (Cornell University)|Jan 16, 2022

Adversarial Robustness in Machine Learning被引用 4

一句话总结

本文提出了一种针对开放无线接入网络（O-RAN）的系统性对抗机器学习（AML）威胁分析与风险评估方法，识别出基于机器学习的用例（如流量引导）中的攻击向量。该方法提出了一种工具驱动的框架，映射威胁参与者、攻击技术与缓解措施，通过结合影响、可能性与攻击有效性的风险评分模型，实现对高风险AML威胁的优先排序。

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.

研究动机与目标

• 分析在开放无线接入网络（O-RAN）中，当机器学习用于网络管理时所面临的对抗机器学习（AML）威胁。
• 识别威胁参与者、其能力，以及针对O-RAN部署场景中机器学习模型的攻击技术。
• 开发一种风险评估方法论，基于影响、可能性与攻击有效性对AML威胁进行量化。
• 提出一种实用工具，用于针对特定O-RAN机器学习用例的威胁优先排序与缓解措施选择。
• 通过一个关于使用基于梯度的白盒投毒攻击的现实世界案例研究，展示该框架的适用性。

提出的方法

• 对O-RAN中的机器学习部署工作流进行系统性映射，识别出关键用例，如流量引导、QoE预测与异常检测。
• 通过列举潜在对手（例如恶意用户设备、恶意RAN组件）及其能力（例如模型访问、数据注入）来定义威胁模型。
• 使用能力-需求矩阵（评分范围0至1）将AML攻击技术（例如FGSM、PGD、C&W）映射至威胁参与者与用例。
• 使用公式计算风险评分：Risk = Effectiveness × (Impact × Impact of Attack) × Likelihood，其中可能性为所需能力的平均值。
• 基于推导出的风险评分对威胁进行优先排序，最高风险的威胁为基于梯度的白盒投毒攻击，风险得分为7.90。
• 根据威胁缓解效果与用例约束，从预定义本体中选择合适的缓解措施，如数据去噪、数据敏感化或辅助AML检测器。

实验结果

研究问题

• RQ1 在开放无线接入网络（O-RAN）部署中，针对机器学习模型的关键对抗机器学习（AML）威胁有哪些？
• RQ2 O-RAN中的不同威胁参与者（如恶意用户设备或恶意RAN组件）如何利用AML技术来破坏基于机器学习的网络功能？
• RQ3 O-RAN中AML攻击的风险特征是什么？如何通过影响、可能性与攻击有效性进行定量评估？
• RQ4 如何将系统性的风险评估框架应用于特定O-RAN用例（如流量引导）中的AML威胁优先排序？
• RQ5 在O-RAN中，哪些缓解措施对缓解高风险AML威胁最为有效？如何基于性能与部署约束进行选择？

主要发现

• 在O-RAN的流量引导用例中，最关键的AML威胁是基于梯度的白盒投毒攻击，由于其高影响与高可能性，风险得分为7.90。
• C&W、FGSM与PGD攻击技术的有效性得分为1.0，表明其在绕过或污染机器学习模型方面极为有效。
• 攻击的可能性计算为所需攻击者能力的平均值，得分越高表示基于威胁参与者访问级别的可行性越高。
• 风险评估工具通过结构化、可重复的流程成功实现了威胁优先排序，使网络运营商能够优先关注最严重的AML风险。
• 数据去噪、数据敏感化与AML检测模型等缓解措施被证实对缓解高风险投毒攻击有效。
• 该框架与用例无关，可通过重新应用包含相关威胁与能力映射的风险评估流程，适用于任何O-RAN机器学习用例。