Strengthening Open Radio Access Networks: Advancing Safeguards Through ZTA and Deep Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Open Radio Access Networks (O-RAN) are gaining momentum because of their ability to provide greater vendor flexibility, cost-effectiveness, and scalability, making it an attractive choice for network operators. However, securing O-RAN has become an essential concern due to the inherent vulnerabilities and risks associated with their open nature. Zero trust architecture (ZTA) can help address the security issues associated with O-RAN. ZTA is a security model that assumes that all devices, users, and applications are potentially hostile and cannot be trusted until verified. In addition to ZTA, the integration of deep learning techniques can allow for the detection and prevention of sophisticated cyber threats in real-time. In this work, we propose a novel approach to securing O-RAN using ZTA and Deep Sarsa reinforcement learning algorithms. First, we developed a ZTA model using an open-source approach that can be used as the base architecture for our study. Then, we present our proposed approach, which uses Deep Sarsa to learn the optimal policy for enforcing access control rules on the network resources based on user authentication data from ZTA. Finally, we evaluate our model using real data sets and show that it performs better than other approaches in terms of accuracy, F1 score, and precision. Our results demonstrate that combining ZTA with reinforcement learning is a promising way to help secure O-RAN while still providing flexible access control policies for operators.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle