5G容易遭受對抗性攻擊：可拖慢手機網速甚至斷網
責編：gltian ｜2022-07-08 15:44:49位于歐洲中部的列支敦士登大學的學術研究人員稱，只需利用一種極為簡單的網絡干擾策略，惡意黑客就能在毫不知曉內部情況的情況下破壞5G網絡的流量，即便對方部署了先進防御措施。該研究團隊稱，攻擊的關鍵在于使用對抗性機器學習（ML）技術，這類技術不依賴于任何先驗知識或對目標網絡的前期偵察。
在7月4日發表的研究論文中，該團隊描述了新一代5G網絡可能面臨的一類全新對抗性機器學習攻擊。這篇論文題為《荒野網絡：5G網絡基礎設施面臨對抗性實例》，由Giovanni Apruzzese、Rodion Vladimirov、Aliya Tastemirova和Pavel Laskov共同撰寫。
隨著5G網絡技術的部署，越來越多設備借此進行流量傳輸，過去傳統的網絡數據包管理方法不再適用。研究人員指出，為了解決這個問題，不少電信運營商開始利用機器學習模型，對流量進行分類和優先級排序。
事實證明，這些機器學習模型正是5G網絡體系中的軟肋。只要混淆這些模型并重新調整其優先級排序，惡意黑客即可實現流量篡改。研究人員提到，通過利用垃圾流量淹沒網絡，這種名為“近視攻擊”可以“拿下”5G移動設備。
圖：近視攻擊威脅模型
研究人員寫道，這種攻擊方式的基本思路是對數據集做出輕微篡改。通過執行一系列簡單操作，如附有額外數據的數據包請求等，機器學習模型將會獲得預期之外的信息。隨著時間推移，這些有毒請求將逐步改變機器學習軟件的行為、阻止合法網絡流量，并最終拖慢甚至中止數據流傳輸。
雖然這一攻擊手段的真實效果，具體取決于5G網絡類型以及實際部署的機器學習模型，但研究人員的實驗室測試提供了令人心憂的結果。在6次實驗測試中，他們在沒有運營商、基礎設施或機器學習知識的情況下成功了5次。
Apruzzese在采訪中表示，“只需將垃圾數據附加至網絡數據包中，即可輕松實現攻擊。事實上，其中一次測試甚至證明，即使網絡數據包的有效載荷與目標ML模型毫無關系，攻擊也能獲得成功。”
從長期來看，這種攻擊手段造成的影響相對沒那么惡劣。但由此引發的服務中斷和網絡傳輸減緩，還是會給那些希望使用5G網絡的用戶帶來困擾。
研究團隊解釋道，這項研究的最大意義，在于提醒人們必須找到一套更加強大的模型，用于測試和解決未來5G網絡內實際部署的機器學習模型中的種種漏洞。
圖：論文提出5G機器學習安全評估框架的工作流程
研究團隊寫道，“5G范式催生出一類新的有害對抗性ML攻擊。這類攻擊的準入門檻較低，而且現有對抗性ML威脅模型無法對其做出定性。此外，這也提醒我們必須對這類漏洞做出主動評估。”
一段時間以來，對抗性機器學習與人工智能（AI）一直是信息安全社區的關注重點。雖然人們認為野外出現的真實攻擊數量極少，但已經有多位專家警告稱，算法模型可能極易受到有毒數據的影響，最終被惡意黑客玩弄于股掌之間。
參考資料：techtarget.com
來源:安全內參