Core Concepts
5G NWDAF의 이동성 예측 모델에 대한 잠재적인 공격에 대한 연구 결과와 방어 메커니즘을 조사합니다.
Abstract
5G 네트워크에서 NWDAF의 중요성과 이동성 예측의 중요성 강조
이동성 예측 모델에 대한 공격 가능성과 방어 메커니즘에 대한 연구 결과 제시
공격 유형 및 방어 전략에 대한 상세한 분석
KMeans 클러스터링을 사용하여 정상 및 악의적인 UE 데이터를 구분하는 방법 소개
미래 연구 방향에 대한 제안
Stats
"10,000명의 가입자를 대상으로 한 반 실제 시나리오에서, 100명의 적대적인 UE를 사용하여 예측 정확도를 75%에서 40%로 줄일 수 있음."
"Tuple Jump, Quintuple Jump, Decuple Jump 및 Google Maps Attack과 같은 다양한 이동성 공격 유형에 대한 데이터 포인트 생성"
"WP, RWP 및 GM 이동성 유형에 대한 805,047개의 정상 데이터 및 701,847개의 악성 데이터 포인트 생성"
Quotes
"이동성 예측 모델에 대한 공격은 NWDAF에서 UE의 이동성 패턴을 지원하는 3GPP NWDAF 비정상 이동성 규범 분석 사용 사례를 지원합니다."
"KMeans 클러스터링 기술을 사용하여 정상 및 악의적인 이동성을 구분하는 방법을 보여줍니다."