[论文解读] Learning-Assisted Secure End-to-End Network Slicing for Cyber-Physical Systems

Qiang Liu, Tao Han+1 more|arXiv (Cornell University)|Oct 29, 2019

Software-Defined Networks and 5G参考文献 12被引用 4

一句话总结

本文提出了一种学习辅助的端到端网络切片框架，用于网络物理系统，通过在多域基础设施中动态分配无线和计算资源，以在拒绝服务（DoS）攻击下提升安全性和性能。通过采用基于强化学习的资源分配策略，该系统能够识别并避开受损节点，即使在攻击期间也能保持高切片性能，仿真和小规模试验平台的验证结果表明，其韧性优于基线方法。

ABSTRACT

There is a pressing need to interconnect physical systems such as power grid and vehicles for efficient management and safe operations. Owing to the diverse features of physical systems, there is hardly a one-size-fits-all networking solution for developing cyber-physical systems. Network slicing is a promising technology that allows network operators to create multiple virtual networks on top of a shared network infrastructure. These virtual networks can be tailored to meet the requirements of different cyber-physical systems. However, it is challenging to design secure network slicing solutions that can efficiently create end-to-end network slices for diverse cyber-physical systems. In this article, we discuss the challenges and security issues of network slicing, study learning-assisted network slicing solutions, and analyze their performance under the denial-of-service attack. We also present a design and implementation of a small-scale testbed for evaluating the network slicing solutions.

研究动机与目标

• 为解决在具有多样化服务质量（QoS）需求的异构网络物理系统中构建安全、端到端网络切片的挑战。
• 识别多域网络切片中的安全漏洞，特别是拒绝服务（DoS）攻击导致性能下降和隔离性受损的情况。
• 设计并评估一种学习辅助的资源分配机制，以提升系统韧性并在攻击期间维持切片性能。
• 在小规模试验平台上实现并验证该解决方案，以展示其在真实环境下的可行性及在攻击条件下的性能表现。

提出的方法

• 该框架使用学习辅助算法，根据实时资源利用率和信道条件，在网络节点间动态分配虚拟无线和计算资源。
• 无线资源虚拟化管理器将虚拟无线带宽（例如360kHz）映射到LTE中的物理资源块（PRBs），采用基于信道质量的贪心选择策略以最大化吞吐量。
• 基于CUDA的内核调度器通过令牌系统管理GPU计算资源，其中令牌代表虚拟计算容量，当令牌可用时，内核按先进先出（FIFO）顺序执行。
• 基于学习的控制器监控各节点的资源利用率效率，并在拒绝服务攻击期间将流量重新路由至性能不佳或受损的节点。
• 系统采用基于令牌的调度机制，以强制实现虚拟化计算资源的隔离，防止资源耗尽。
• 试验平台原型在两个网络节点间集成虚拟化无线和计算资源，支持三个切片和六个用户，具备实时监控和攻击模拟功能。

实验结果

研究问题

• RQ1 在拒绝服务（DoS）攻击下，多域网络切片的性能如何退化？资源编排中的关键故障点是什么？
• RQ2 基于学习的资源分配策略能否检测并缓解DoS攻击对网络物理系统中端到端网络切片的影响？
• RQ3 在持续DoS攻击下，学习辅助切片的性能与传统基线算法相比如何？
• RQ4 当物理基础设施遭受攻击时，基于学习的自适应机制在多大程度上能维持切片隔离性和服务质量？

主要发现

• 学习辅助算法通过优先将资源分配给高效率节点，成功识别并避开了遭受DoS攻击的节点，从而保持了稳定的切片性能。
• 在DoS攻击期间，基于学习的方法分别在节点1和节点2上维持了对切片1和切片3的资源分配，确保了服务的持续提供。
• 相比之下，基线算法未能适应攻击，导致受影响切片完全失去资源并出现性能下降。
• 试验平台结果证实，与非学习基线相比，学习辅助系统在攻击期间表现出更高的韧性及更优的资源利用率效率。
• 通过动态重路由和自适应资源控制，系统有效隔离了攻击影响，保护了未受影响切片的功能。
• 原型成功验证了在真实世界试验环境中，通过联合无线与计算资源管理实现端到端网络切片的可行性。