Secure Distributed Federated Learning for Cyberattacks Detection in B5G Open Radio Access Networks
Notice bibliographique
Résumé
The open radio access network (O-RAN) is designed to support the diverse wireless services for beyond 5th-generation (B5G) mobile networks. However, this also expands the potential attack surface, necessitating improved mechanisms for detecting cyberattacks. Advanced artificial intelligence (AI) algorithms, in conjunction with RAN intelligent controllers (RICs), can be utilized to identify threats such as distributed denial-of-service (DDoS) attacks. Nevertheless, AI introduces significant data privacy concern. To address these issues, secure federated learning (FL) can be leveraged to locally train cyberattack detection models and securely transmit the model data for aggregation, thus ensuring protection against eavesdropping. Moreover, peer-to-peer (P2P) FL can be used to avoid the single point of failure inherent in centralized FL. However, securing P2P FL with encryption/decryption or secure average computation (SAC) can result in high communication costs that do not scale well with the number of FL clients. In this paper, we propose a novel P2P FL strategy that ensures secure operation while significantly reducing communication costs. Specifically, we integrate client selection and transfer learning within the RIC-based P2P FL system to detect cyberattacks. Our experiments demonstrate the performance of our method across various scenarios with both balanced and unbalanced dataset distributions. We highlight its superiority in terms of accuracy, robustness, and cost compared to existing benchmarks. Furthermore, we extend our evaluation to a 5G O-RAN testbed, assessing the system’s efficiency, accuracy, and adaptability under real-time independent and non-independent and identically distributed (IID/non-IID) traffic conditions. This includes analyzing communication cost, execution time, model loss, and live traffic testing results for practical and real-time deployment.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 source (Gemma direct ou Codex distillé), 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 ».