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

Felix Klement, Stefan Katzenbeisser+6 more|arXiv (Cornell University)|Apr 26, 2022

Energy Harvesting in Wireless Networks被引用 9

一句话总结

本文评估了开放无线接入网（Open RAN，特别是O-RAN）相较于传统专有RAN架构是否更安全或更不安全。文章认为，尽管开放RAN因其模块化、互操作性设计而扩大了攻击面，但其通过透明性、标准化接口以及安全设计原则的应用，能够实现更强的安全性，尤其是在结合零信任、安全供应链和对抗性机器学习加固等稳健实践时。

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.

研究动机与目标

• 评估开放RAN相较于传统、单体式RAN架构是否引入系统性安全弱点。
• 识别并分析由拆分化、开放式接口的RAN组件所引入的扩展攻击面。
• 评估在O-RAN早期开发阶段应用安全设计原则的可行性与有效性。
• 研究机器学习与可解释人工智能在提升异常检测能力及抵御对抗性攻击方面的角色。
• 为安全部署O-RAN，特别是5G和6G网络，提供一套全面的安全最佳实践。

提出的方法

• 对O-RAN组件（包括CU、DU、RICs、O-RU和SMO框架）进行了威胁建模与攻击面分析。
• 评估了O-RAN生态系统中开放接口与多供应商集成带来的安全影响。
• 提出了一种分层安全方法，结合组织策略（如零信任、SLA）与技术控制措施（如安全启动、硬件安全、远程证明）。
• 分析了在RAN中使用机器学习进行异常检测的应用，其中模型在非实时RIC（Non-RT RIC）中训练，并在近实时RIC（Near-RT RIC）中部署以实现实时决策。
• 评估了对抗性机器学习的风险，并倡导采用可解释人工智能（XAI）以提升对这类攻击的检测与响应能力。
• 综合ENISA及其他标准的安全最佳实践，将其映射至O-RAN特定组件与部署模型。

实验结果

研究问题

• RQ1 与传统集成式RAN相比，O-RAN的拆分化、开放式接口特性是否本质上增加了安全风险？
• RQ2 在O-RAN的早期开发阶段，安全设计原则在多大程度上可以被有效应用？
• RQ3 在O-RAN环境中，当基于多样化数据流（如性能、故障、配置数据）训练时，基于机器学习的异常检测系统表现如何？
• RQ4 对抗性机器学习对O-RAN构成哪些关键威胁？如何通过模型鲁棒性与可解释人工智能技术加以缓解？
• RQ5 在5G和6G网络中，组织性与技术性安全控制措施的何种组合最能有效保障O-RAN部署的安全性？

主要发现

• 开放RAN并未引入超出5G网络固有风险的根本性安全缺陷；相反，通过主动安全工程，其扩展的攻击面是可管理的。
• O-RAN的模块化与标准化特性，使其威胁面可见性更清晰，安全加固效果优于不透明的专有RAN系统。
• 安全设计，特别是与零信任和安全供应链实践相结合时，能显著提升O-RAN的弹性。
• 在O-RAN中，当异常检测模型基于多种数据流（性能、故障、配置）而非仅性能数据进行训练时，其效果最佳。
• 对抗性机器学习对基于机器学习的RAN安全构成真实威胁，但通过稳健的模型训练与可解释人工智能技术，可有效缓解此类风险。
• 通过远程证明、安全启动以及基于硬件的信任等技术与组织性安全控制措施的综合应用，可有效保障O-RAN部署的安全性。