Slice-Specific Machine Learning Models for Intrusion Detection in 5G Telecommunication Networks
Notice bibliographique
Résumé
The security challenges introduced by 5G network slicing demand tailored intrusion detection systems (IDS). Traditional intrusion detection systems (IDS) and intrusion detection and prevention systems (IDPS) frameworks, built for static network configurations, are inadequate for the dynamic and heterogeneous nature of 5G networks. To address this gap, this study develops and evaluates slice-specific machine learning models to enhance intrusion detection across different 5G slices, namely: enhanced Mobile Broadband (eMBB), massive Machine-Type Communication (mMTC), and Ultra-Reliable Low-Latency Communication (URLLC). Random Forest, Support Vector Machine (SVM), and Long Short-Term Memory (LSTM) models were applied to publicly available datasets representing each slice. These models are assessed based on their accuracy, precision, recall, F1-score, area under the receiver operating characteristic curve (AUC-ROC), confusion matrix and execution time. The results reveal that the LSTM model achieved the highest accuracy and AUC-ROC scores for the eMBB and mMTC slices, making it suitable for applications where detection accuracy is critical despite higher computational demands. In contrast, Random Forest demonstrated superior computational efficiency, making it the most preferred model for latency-sensitive URLLC slice, where real-time detection is essential. While the SVM model performed well in terms of accuracy, its high computational cost renders it less practical for real-time applications, particularly in URLLC environments. This research provides insights for enhancing 5G network security through the deployment of slice-specific machine learning models, thereby addressing the critical need for adaptable and efficient IDS frameworks.
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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».