设计一个以人工智能驱动的安全5G-SDN框架,用于异常检测,缓解和攻击取证的联合强化学习
1School of Electronics Engineering, Vellore Institute of Technology, Vellore, India.
Frontiers in artificial intelligence
|February 26, 2026
概括
本研究介绍了5G软件定义网络 (SDN) 的新型安全框架,该框架可以增强入侵检测. 新系统在5G环境中提供了可扩展,节能和低延迟的防护,以抵御网络威胁.
科学领域:
- 网络安全 网络安全
- 网络工程 网络工程
- 人工智能的人工智能
背景情况:
- 在5G网络中采用软件定义网络 (SDN) 引入了重要的安全漏洞,包括数据平面异常,控制层入侵和分布式拒绝服务 (DDoS) 攻击.
- 使用卷积神经网络 (CNN) 和长短期存储器 (LSTM) 网络的现有入侵检测系统 (IDS) 具有高计算开销,检测延迟和糟糕的可扩展性,使它们不适合实时5G-SDN应用.
研究的目的:
- 为5G-SDN环境提出一个新的多层安全框架.
- 解决现有的入侵检测方法在速度,效率和可扩展性方面的局限性.
- 加强下一代5G网络对抗复杂的网络威胁的安全姿态.
主要方法:
- 集成EfficientNet与知识蒸 (KD) 进行轻量级数据平面异常检测.
- 利用变压器网络通过捕获远程时间依赖来增强控制层攻击检测.
- 尖端神经网络 (SNN) 的应用用于超低延迟攻击分类,模仿生物神经处理.
- 实施联合增强学习 (FRL) 以实现 SDN 控制器之间分散的,保护隐私的缓解.
- 利用区块链技术,确保攻击日志的完整性和不变性,用于法医分析.
主要成果:
- 拟议的框架在多个基准数据集 (CICIDS2017,UNSW-NB15,IoT-23,InSDN) 中实现了97.75%的平均检测精度.
- 显示了15毫秒的低检测延迟,吞吐量降低不到5%.
- 实现了显著的能源效率,每个检测只消耗0.25 J,与传统的CNN和LSTM方法相比,减少了40%.
结论:
- 开发的框架为5G-SDN环境中的入侵检测和缓解提供了可扩展,节能和低延迟的解决方案.
- 轻量级深度学习,神经形态计算,去中心化学习和区块链技术的整合有效地克服了以前方法的局限性.
- 这种方法为保护下一代5G-SDN网络的复杂环境提供了一个强大而可靠的策略.
