Evaluation of a GAN-Based Method for Anomaly Detection in Open RAN Based on Experimental 5G Data
Notice bibliographique
Résumé
Open RAN introduces substantial flexibility and openness to radio access networks, offering significant advantages while simultaneously increasing vulnerability to complex anomalies and security threats. Although a range of anomaly detection methods exists for other domains, few have been systematically assessed in the context of Open RAN.In this paper, we adapt, employ and analyze a generative adversary network (GAN) model originally designed for unsupervised anomaly detection in multivariate time series data, applying it to the Open RAN domain, using a publicly available experimental 5G data set collected from the OpenIreland 5G testbed. We demonstrate how the GAN model combines a generative approach, using Long Short-Term Memory (LSTM) networks for reconstruction, with a discriminative approach, also based on LSTM, for classification. This integration enables the model to effectively capture complex temporal correlations within the key performance indicators (KPIs) of Open RAN. This method yields an anomaly score, which merges reconstruction error with the discriminator’s output to identify anomalies in real-time.Our findings demonstrate that GAN achieves good accuracy in detecting malicious activities, showcasing good precision and recall performance. Furthermore, we discuss practical considerations for deploying GAN as a security xApp within the near-real-time RAN Intelligent Controller (RIC), addressing aspects such as latency, scalability, and integration with the O-RAN architecture.To the best of our knowledge, this is the first study to apply GAN-based anomaly detection on the publicly available dataset from the OpenIreland 5G testbed.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».