Security and High-Availability While Upholding Network Defense Patterns: The Advantages of A2C in O-RAN VNF Placement
Notice bibliographique
Résumé
Next-generation radio access networks such as the Open Radio Access Network (O-RAN) have alleviated many of the 5G demand and management challenges. However, 0-RAN's intelligence, openness, and virtualization have signifi-cantly increased the attack surface of RAN s. This is specifically dangerous for critical 5G use cases such as Ultra-Reliable and Low-latency Communications (URLLC) due to its strict latency and reliability constraints. In this work, we focus on enhancing the security of the data streams and the security of the ML training and inference hosts in O-RAN URLLC deployments by introducing additional network security functions to 0- RAN's service function chains. Our goal is to maximize the amount of traffic examined by the security functions while adhering to 0- RAN's operational and functional constraints and upholding network defense patterns. Two security function types, encryption Virtualized Network Functions (VNFs) and intrusion detection system VNFs are chosen to achieve this objective. Encryption VNFs provide an additional layer of encryption for data traffic, while IDS VNFs protect the ML training and inference hosts of our solution. To solve this complex task, an advantage actor-critic deep reinforcement learning agent is developed, which actively allows adaptation to dynamic traffic. We demonstrate that our solution is capable of increasing the number of security functions in URLLC deployments allowing increased data protection and securing its own training and inference hosts.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».