Attacks Against Mobility Prediction in 5G Networks

要約

$5^{th}$ 世代のモバイル ネットワークでは、前の世代には存在しなかった新しいネットワーク機能 (NF)、つまりネットワーク データ分析機能 (NWDAF) が導入されています。
その主な目的は、ネットワーク内のさまざまなエンティティ、および 5G エコシステム内の外部アプリケーション サービスに高度な分析サービスを提供することです。
NWDAF の主要なユースケースの 1 つはモビリティ軌跡予測です。これは、必要なネットワーク リソースを「ジャスト イン タイム」で割り当てることで、ネットワーク内のユーザー機器 (UE) の効率的なモビリティ管理を正確にサポートすることを目的としています。
この論文では、これらの予測の精度を損なう可能性のある潜在的なモビリティ攻撃が存在することを示します。
加入者が 10,000 人いる準現実的なシナリオでは、セルラー モバイル デバイスをハイジャックしてそのクローンを作成する機能を備えた敵対者が、わずか 100 台の敵対的 UE を使用して予測精度を 75\% から 40\% に大幅に低下させる可能性があることを実証します。
防御メカニズムは特定のエリアにおける攻撃とモビリティのタイプに大きく依存しますが、基本的な KMeans クラスタリングが正当な UE と敵対的な UE を区別するのに効果的であることを証明します。

要約(オリジナル)

The $5^{th}$ generation of mobile networks introduces a new Network Function (NF) that was not present in previous generations, namely the Network Data Analytics Function (NWDAF). Its primary objective is to provide advanced analytics services to various entities within the network and also towards external application services in the 5G ecosystem. One of the key use cases of NWDAF is mobility trajectory prediction, which aims to accurately support efficient mobility management of User Equipment (UE) in the network by allocating “just in time” necessary network resources. In this paper, we show that there are potential mobility attacks that can compromise the accuracy of these predictions. In a semi-realistic scenario with 10,000 subscribers, we demonstrate that an adversary equipped with the ability to hijack cellular mobile devices and clone them can significantly reduce the prediction accuracy from 75\% to 40\% using just 100 adversarial UEs. While a defense mechanism largely depends on the attack and the mobility types in a particular area, we prove that a basic KMeans clustering is effective in distinguishing legitimate and adversarial UEs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google