Εφαρμογή ομοσπονδιακής μάθησης για Network Slicing σε περιβάλλοντα 5G

Abstract

Η ασφάλεια των δικτύων 5G αποτελεί κρίσιμο ζήτημα, καθώς η ευρεία υιοθέτησή τους σε εφαρμογές όπως οι τηλεπικοινωνίες, οι έξυπνες πόλεις και το Internet of Things (IoT) τα καθιστά ελκυστικό στόχο για κακόβουλες επιθέσεις. Η ανίχνευση εισβολών σε τέτοια δίκτυα παρουσιάζει προκλήσεις, λόγω της πολυπλοκότητάς τους, της κατανεμημένης φύσης των δεδομένων και της απαίτησης για προστασία της ιδιωτικότητας. Το Federated Learning (FL) έχει αναδειχθεί ως η κατάλληλη προσέγγιση για την ανάπτυξη συστημάτων ανίχνευσης εισβολών σε τέτοια περιβάλλοντα, επιτρέποντας την εκπαίδευση μοντέλων χωρίς την ανάγκη συγκέντρωσης των δεδομένων. Στο πλαίσιο αυτής της εργασίας μελετάται η εφαρμογή της FL σε συστήματα ανίχνευ- σης εισβολών για δίκτυα 5G, με έμφαση στη ρεαλιστική διάσταση που εισάγει το Network Slicing. Για τον σκοπό αυτό χρησιμοποιείται το σύνολο δεδομένων 5G-SliciNDD, το οποίο περιλαμβάνει 14.456 ροές κίνησης, 52 χαρακτηριστικά και έναν διακριτό δείκτη για τον τύπο slice (eMBB, mMTC, URLLC). Το πρόβλημα διατυπώνεται ως δυαδική ταξινόμηση μεταξύ καλόβουλων και κακόβουλων ροών. Αξιολογούνται τρεις διαφορετικές στρατηγικές συγκέντρωσης (FedAvg, FedAvgM, FedA- dam), τόσο σε σενάρια ισόποσης κατανομής των δεδομένων όσο και σε σενάρια κατανομής βάσει Network Slicing, που προσομοιώνουν πιο ρεαλιστικές συνθήκες λειτουργίας. Τα απο- τελέσματα επιβεβαιώνουν ότι η ισόποση κατανομή επιτρέπει τη βέλτιστη απόδοση των αποκε- ντρωμένων μοντέλων, με δείκτες F2 που προσεγγίζουν το 97%. Ωστόσο, η κατανομή βάσει network slices, αν και συνοδεύεται από αναμενόμενη πτώση απόδοσης, παρουσιάζει σταθερή βελτίωση με τη χρήση πιο εξελιγμένων στρατηγικών, φτάνοντας σε F2 Score έως και 94.19%. Η εργασία αναδεικνύει τη σημασία της ρεαλιστικής αξιολόγησης FL-βασισμένων συστη- μάτων ανίχνευσης εισβολών σε δίκτυα 5G και δείχνει ότι, με την κατάλληλη επιλογή στρατη- γικών συγκέντρωσης, η απόδοση σε πραγματικές συνθήκες μπορεί να πλησιάσει τα επίπεδα του ιδανικού σεναρίου ισόποσης κατανομής.