Enhancing Open RAN Security with Zero Trust and Machine Learning
Notice bibliographique
Résumé
As 5G networks continue to evolve, they are becoming increasingly intricate and diverse, accommodating a vast array of devices. This complexity poses significant challenges when it comes to safeguarding these networks against cyber-attacks. While the core infrastructure of 5G is shifting towards virtualization and is being deployed by multiple vendors, Radio Access Networks (RANs) have traditionally been delivered as tightly integrated solutions, often lacking interoperability. Open RAN (O- RAN) emerges as a flexible and cost-effective approach to designing and deploying mobile networks. It allows for the integration of mobile radio access networks from various vendors through the use of disaggregated and O- RAN technologies. Nevertheless, the introduction of components from multiple vendors into the supply chain increases complexity, making it difficult to ensure the security of each individual component. Additionally, O- RAN's attack surface expands due to seamless access for numerous devices. In this dynamic landscape, adopting a zero-trust architecture (ZTA) presents an attractive framework for bolstering security in open networks. We introduce an intelligent architectural concept design that leverages key zero-trust principles to enhance information security within the inherently untrusted O-RAN environment. Moreover, we propose a solution that combines deep reinforcement learning techniques with traditional machine learning methods to fortify security in Open RAN. Finally, we evaluate the performance of our proposed solution using the UNSW network dataset and demonstrate its superior performance across selected metrics.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».