5G/6Gネットワークスライシングにおけるリソース枯渇攻撃のための教師なし検出・緩和フレームワーク
An Unsupervised Detection-to-Mitigation Framework for Resource Exhaustion Attacks in 5G/6G Network Slicing
5G/6Gシステムにおける大規模IoTおよびセンサーネットワークサービスは、ネットワークスライシングに依存しており、スライスが報告した需要に基づいてリソースが割り当てられる。しかし、悪意のあるスライスが需要を膨張させてリソースを独占し、SLA違反を誘発するリソース枯渇攻撃に対して脆弱である。本稿では、教師なし検出・緩和フレームワーク「AutoGuard-Hybrid」を提案する。これは、相補的な異常検出器と、スライスレベルのサービス可用性を維持するための割り当てを考慮した緩和ポリシーを組み合わせたものである。AutoGuard-Hybridは、教師なし異常証拠を、PFスケジューリング前の割り当てを考慮した需要浄化に変換する。その主要設計は、空間的および時間的フロントエンド検出器としてIsolation Forest (IF) とLong Short-Term Memory Autoencoder (LSTM-AE) を、適応型クリッピングとセーフティキャップと組み合わせたクローズドループ統合である。実験の結果、AutoGuard-HybridはContinuous攻撃下でIsolation Forestと同等の性能を示し、Adaptive Probing攻撃下ではシステム全体の平均SLA違反率を27.6%改善した。また、Adaptive Clipping単独でシステム全体のSLA違反率を75.0%削減し、完全な緩和パイプラインは84.6%の総削減を達成した。AutoGuard-Hybridは1msのTTI制約内で動作する。
- 5G/6Gネットワークスライシングにおけるリソース枯渇攻撃に対応する教師なし検出・緩和フレームワーク「AutoGuard-Hybrid」が提案された
- Adaptive Probing攻撃下でシステム全体の平均SLA違反率を27.6%改善した
- 完全な緩和パイプラインによりSLA違反率を84.6%削減した
本稿は5G/6Gネットワークスライシングにおける新たなセキュリティ脅威(リソース枯渇攻撃)に対する実用的な検出・緩和フレームワークを提示しており、通信インフラの信頼性向上に直結する研究である。特に、教師なし学習を用いたアプローチが従来の単純な異常検知手法と比較してSLA違反率を大幅に改善(最大84.6%削減)した点は、今後のネットワーク運用コスト削減やサービス品質保証の観点から注目に値する。通信事業者やネットワーク機器ベンダーにとって、スライシング環境でのセキュリティとリソース管理の両立は核心的な課題であり、本フレームワークのような実用的なソリューションの出現は業界動向として注視すべきである。