Sintesi Tecnica: Intelligenza di Bordo Interpretabile nel 5G

Problema

La migrazione del calcolo verso i nodi di Multi-access Edge Computing (MEC) 5G, per soddisfare i requisiti di Comunicazione Ultra-Affidabile a Bassa Latenza (URLLC), ha smantellato il tradizionale perimetro di sicurezza centralizzato. Sebbene l'Ispezione Profonda dei Pacchetti (DPI) e il rilevamento basato su firme siano stati efficaci nelle architetture centralizzate 4G/3G, essi sono strutturalmente inadeguati per le reti private 5G a causa di:

1. Crittografia: Protocolli come TLS 1.3 e QUIC criptano i payload end-to-end, rendendo la DPI impraticabile senza violare i vincoli di latenza o le giurisdizioni legali.
2. Cecità verso gli Zero-Day: I sistemi basati su firme non possono rilevare minacce inedite o botnet (ad esempio, di classe Mirai) che mancano di una catalogazione precedente.
3. Opacità Operativa: Il rilevamento delle anomalie non supervisionato tramite Deep Learning (ad esempio, Autoencoder) può identificare deviazioni statistiche ma tipicamente restituisce solo un punteggio di anomalia scalare. Nelle reti private regolate da SLA (Service Level Agreement), gli operatori richiedono una giustificazione causale documentata per poter automatizzare in sicurezza le azioni di mitigazione (ad esempio, la quarantena). Un punteggio scalare non fornisce tale base.
4. Domain Shift (Spostamento del Dominio): I modelli addestrati su dataset di benchmark spesso falliscono nelle implementazioni reali a causa dell'assunzione di "mondo chiuso" (closed-world assumption). Le differenze nell'hardware, nel layering dei protocolli e nella presenza di campi specifici (ad esempio, identificatori di Service VLAN) tra i dati di addestramento e le interfacce edge possono causare tassi catastrofici di falsi positivi.

Metodologia

Gli autori propongono il framework Interpretable Edge Intelligence (IEI), progettato per hardware MEC commodity e allineato agli standard 3GPP NWDAF (Network Data Analytics Function). Il sistema opera tramite un'architettura a doppio percorso:

1. Motore di Rilevamento Core: LSTM-Autoencoder

• Architettura: Un LSTM-Autoencoder viene addestrato esclusivamente sul traffico benigno per apprendere la struttura temporale dei flussi di rete (intervalli di arrivo dei pacchetti, ordinamento dei protocolli).
• Meccanismo: Il modello comprime le sequenze di input in un collo di bottiglia latente a 8 dimensioni e tenta di ricostruirle. Le anomalie vengono rilevate quando l'Errore Quadratico Medio (MSE) della ricostruzione supera una soglia ($\tau$) impostata al 95° percentile della distribuzione di addestramento.
• Feature: L'input include feature spaziali (dimensione del payload, flag), statistiche temporali (densità di burst) e campi di protocollo specifici del 5G (GTP-U TEID, identificatore Service VLAN sVid). Gli identificatori spaziali (IP/MAC) sono esclusi per evitare l'overfitting su indirizzi specifici.

2. Motore di Spiegabilità: K-Means Compressed KernelSHAP

• Sfida: Il calcolo standard dei valori di Shapley ha una complessità combinatoria di $O(2^d)$, rendendolo incompatibile con l'inferenza edge a sub-millisecondi.
• Soluzione: Il framework impiega una tecnica di compressione K-Means sul dataset di background. Comprimendo la distribuzione di background in $K=50$ centroidi, la complessità computazionale viene ridotta mantenendo un'alta fedeltà di attribuzione ($\rho = 0,971$ rispetto allo Shapley esatto).
• Esecuzione: Questa attribuzione "slow-path" viene eseguita in modo asincrono. Solo i flussi segnalati come anomali dal trigger fast-path attivano il motore KernelSHAP, che genera i contributi marginali per feature all'errore di ricostruzione.

3. Pipeline Operativa

• Fast-Path: L'elaborazione sincrona (Ingestione telemetria $\to$ Normalizzazione $\to$ Inferenza LSTM) completa in circa 14,7 ms, soddisfacendo i limiti URLLC. I flussi normali vengono rilasciati immediatamente.
• Slow-Path: Elaborazione asincrona per i flussi segnalati, che genera un report diagnostico NWDAF strutturato che nomina la feature causa radice e la mappa sugli elementi di protocollo 3GPP.
• Protocollo di Ricalibrazione: Una fase di adattamento leggera e senza etichette (label-free) in cui lo MinMaxScaler e la soglia $\tau$ vengono ri-adattati su 5 minuti di traffico benigno catturato localmente per allineare il modello all'interfaccia hardware specifica.

Contributi Chiave

1. Attribuzione Causale Feasible per l'Edge: Dimostra che l'attribuzione Shapley sull'errore di ricostruzione LSTM può operare entro i vincoli di latenza URLLC su hardware commodity. La compressione K-Means riduce la complessità di KernelSHAP, raggiungendo un'attribuzione sub-100 ms con alta fedeltà.
2. Isolamento Causale di un Campo di Protocollo: Attraverso un'ablazione controllata, lo studio identifica l'assenza dell'identificatore Service VLAN (sVid) come il driver causale specifico dello spostamento del dominio. Azzerare questo campo in un dataset di benchmark ha riprodotto gli elevati tassi di falsi positivi osservati nelle implementazioni commerciali reali, provando che il fallimento era dovuto a un campo di protocollo specifico mancante piuttosto che a un generico rumore statistico.
3. Protocollo di Ricalibrazione Leggero: Una procedura di warm-up locale di cinque minuti (ri-adattamento di scaler e soglia, senza aggiornamenti dei pesi) ha ridotto il tasso di falsi positivi (FPR) dal 61,3% al 3,1% nelle implementazioni live, richiedendo nessun dato di attacco etichettato o infrastruttura di ri-addestramento.
4. Reporting Diagnostico Allineato agli Standard: Il framework genera report in linguaggio naturale che colmano il divario tra gli output dell'IA e la documentazione causale richiesta dalle norme 3GPP TS 23.288 e dagli SLA aziendali.

Risultati

• Performance Benchmark (5G-NIDD): Su un set di test holdout di 508.000 flussi, l'LSTM-AE ha raggiunto un AUC-ROC di 0,991 e un F1-score di 0,971. Ha superato significativamente Isolation Forest, 1D-CNN Autoencoders e l'ensemble Kitsune, particolarmente nel rilevamento di attacchi UDP e SYN flood dove la periodicità temporale è fondamentale.
• Latenza: L'inferenza fast-path ha mediato 14,7 ms (p99: 18,2 ms), ampiamente entro i limiti URLLC. L'attribuzione slow-path (KernelSHAP) ha mediato 85,3 ms ma viene eseguita in modo asincrono, imponendo nessun overhead sul routing del traffico normale.
• Implementazione Live & Domain Shift:
  • Pre-Ricalibrazione: Applicando un modello core-trained a un'interfaccia Wi-Fi commerciale, l'FPR è stato del 61,3% (95% CI: 59,1–63,4%). KernelSHAP ha correttamente identificato l'assenza di sVid come il driver dominante dell'anomalia.
  • Post-Ricalibrazione: Dopo una ricalibrazione locale di 5 minuti, l'FPR è sceso al 3,1% (95% CI: 2,4–3,9%).
  • Conferma Ablazione: Azzerare artificialmente il campo sVid nel dataset di benchmark ha alzato l'FPR dall'1,2% al 58,7%, confermando che l'assenza di sVid da sola è sufficiente a causare il fallimento della deployment.

Significato e Claim

Il paper sostiene che la sicurezza dell'AI all'edge è tanto un problema di calibrazione hardware quanto un problema di modellazione.

• Oltre i Punteggi Black-Box: Il lavoro dimostra che l'apprendimento non supervisionato, quando accoppiato a una spiegabilità efficiente, può fornire la tracciabilità causale richiesta per le operazioni di sicurezza autonome nelle reti private 5G.
• Diagnosi di Protocollo Specifica: È la prima isolazione empirica di un campo di protocollo 3GPP specifico (sVid) come fonte causale di un fallimento di deployment in un ambiente MEC. Questo va oltre le generiche osservazioni di "distribuzione shift" verso risultati ingegneristici azionabili.
• Realtà della Deployment: Lo studio sostiene che trattare un nodo MEC fisico come un semplice bersaglio "drop-in" per un modello pre-addestrato garantisce il fallimento operativo. Una fase di ricalibrazione locale obbligatoria e specifica per l'hardware è presentata come un passaggio non negoziabile per livelli di sicurezza funzionali.
• Scalabilità: Sebbene l'attuale implementazione utilizzi un modello centralizzato con ricalibrazione locale, gli autori notano che la transizione verso una topologia di federated learning è la traiettoria necessaria per scalare questo approccio attraverso massicce implementazioni 5G nazionali preservando la privacy.

Gli autori riconoscono limitazioni, tra cui un tasso di richiamo (recall) dell'88,0% per gli AMF Signalling Floods (a causa del loro mimetismo avversariale del traffico benigno) e l'attuale dipendenza da Python/Scapy che limita le velocità di ingestione rispetto a soluzioni eBPF o DPDK. Tuttavia, il framework valida con successo un percorso verso la sicurezza tracciabile secondo gli standard, spiegabile e in tempo reale per l'infrastruttura 5G distribuita.