《边缘计算通信安全威胁及计算任务分类》

本文探讨了在具有不同终端用户设备（物联网设备）和不同边缘计算服务器的边缘计算网络中基于机器学习的任务分配问题。任务分配问题通过生成的请求分类来解决，这种分类可映射到具有足够计算能力且靠近设备的服务器上，这意味着服务延迟和可靠性。此外，还研究了网络攻击对分类算法的影响。

本文发表于 2023 年 5 月 16-17 日在北马其顿斯科普里举行的北约科学技术组织研讨会（ICMCIS），由信息系统技术（IST）小组组织。

根据爱立信最近发布的《移动报告》[1]，到 2028 年，5G 移动用户将达到 50 亿。此外，到 2028 年，预计将有 347 亿台机器和设备进行无线通信，形成物联网（IoT）。人类与机器之间的大规模通信将促进新一代移动通信系统的研发。虽然 5G 标准仍在制定过程中（3GPP 第 18 版将于 2024 年冻结），但 6G 网络已被提出 [2]-[5]。6G 的关键范式之一是边缘计算和边缘智能。

在未来的 5G/6G 架构中，移动边缘主机运行移动边缘平台，促进边缘应用和服务的执行。从数据分析的角度来看，边缘智能指的是在数据产生和进一步利用的地点或附近进行数据分析并开发解决方案。因此，边缘智能可以减少延迟、成本和安全风险，使相关业务更加高效。从网络角度看，边缘智能主要指部署在网络边缘的智能服务和功能[6]，[7]。研究的重点是能够自主管理资源和控制功能的自学习网络和系统。这里的资源指的是通信（无线电频谱）和计算（计算能力）资源，以及通信和计算中的相关能源。将大量本地数据传输到中央云进行训练和推理是不切实际的。这就需要在无线链路上采用新的架构和相关的通信效率高的训练算法，同时在网络边缘进行实时、可靠的推理。这种架构也带来了新的挑战：训练数据访问受限、推理准确率低、缺乏通用性以及边缘设备的处理能力和内存限制[8]。

在本文中，我们考虑的边缘计算网络架构包含多种服务器（具有多种计算和存储能力）和多种物联网设备（产生多种通信和计算请求）。该架构如图 1 所示。

图 1. 边缘计算网络架构。箭头代表各种通信和计算任务流。

将通信和计算（2C）任务优化分配到合适的服务器是一个具有挑战性的问题。文献 [9][10] 已对这一问题进行了探讨。然而，由于对边缘网络组件的了解有限，这种优化并不总是可行的。因此，在这里，我们考虑使用机器学习（ML）对生成的 2C 请求进行分类。这种分类旨在支持将请求以近乎最优的方式委托给网络边缘的适当服务器。

5G/6G 网络的架构将几乎完全虚拟化，并基于软件功能。因此，它很容易被黑客利用、攻击和破坏。在敏感应用（如需要超低延迟和超高可靠性（URLLC）的关键任务应用）的情况下，对用于流量引导的 ML 算法的攻击可能会导致致命错误[11]-[13]。在我们所考虑的边缘计算网络中，2C 任务应根据服务要求进行分类（例如，端到端延迟、数据包错误率 PER、委托任务的计算复杂性......等），分类标准可能会发生变化，但考虑到例如具有已定义的敏感度级别（从非关键任务到高度关键任务）的多类分类，任何错误分类都可能导致致命的分类错误，尤其是当类别接近分类器时。

在下文中，我们将研究这些攻击如何影响 2C 任务的分类以及如何将其卸载到边缘计算服务器上。在第二节中，我们将介绍选定的基于 ML 的任务分类方法，并在第三节中考虑对这些算法的安全攻击。在第四节中，我们定义了安全评估所选择的关键用例。第五节介绍模拟结果。在第六节中，我们将总结工作并讨论进一步的研究方向。