arXiv cs.AI· Anoop Mishra, Joshua Moore, Aly Sabri Abdalla, Vuk Marojevic·· 3 天前AI 评分22
AutoSec-RAN：基于规范的大语言模型微调实现 O-RAN 自动化安全分析
AutoSec-RAN: Specification-Grounded LLM Fine-Tuning for Automated Security Analysis of O-RAN
AI 导读
AutoSec-RAN 通过两阶段 LoRA 微调 Mistral-7B-Instruct，并选择性结合 RAG 检索，实现 O-RAN 测试的自动化安全分析。
正文 · AI 翻译
摘要：本文提出了 AutoSec-RAN，一个基于规范的大型语言模型（LLM）框架，用于开放无线接入网（O-RAN）测试的自动化安全分诊。与依赖静态规则集或特权访问原始数据包捕获的方法不同，AutoSec-RAN 通过两个低秩适配（LoRA）阶段，在精心整理的 69 份 O-RAN、3GPP 及相邻标准文档语料库上微调 Mistral-7B-Instruct，然后选择性地在相同规范索引上通过检索增强生成（RAG）增强推理。在推理时，模型仅接收调查员风格的问题和场景元数据块，模拟在没有原始数据包证据的情况下运行的自动化分析师。AutoSec-RAN 在专门构建的 5G/O-RAN 测试平台上，针对标记的前传分布式拒绝服务重放场景进行了验证。一个 Gemma-4-31B 评判 LLM 根据参考（由完整数据包捕获和日志证据撰写）对每个候选答案的忠实性、正确性和可操作性进行评分。AutoSec-RAN 在所有 313 个评估项上取得了平均评判总分 0.713（限制在五个监督分类类别时为 0.755），超过了 0.70 的报告阈值；当纳入北京人工智能研究院（BAAI）通用嵌入（BGE）上的余弦相似度作为次要语义信号时，混合得分为 0.778（仅监督类别为 0.808）。该框架在缓解和威胁模型推理方面表现最强（平均总分分别为 0.849 和 0.848），并在留出的攻击方向类别上识别出可测量的差距（0.515），这一受控结果揭示了特定的训练数据需求。这些结果确立了基于规范的 LoRA 微调结合 RAG 检索，作为 AI 原生 O-RAN 自动化安全验证的可行基础。
| 评论： | 本文已被第 14 届 IEEE 通信与网络安全会议（IEEE CNS 2026）接收 |
| 主题： | 密码学与安全（cs.CR）；人工智能（cs.AI）；信号处理（eess.SP） |
| 引用为： | arXiv:2610.15995 [cs.CR] |
| （或 arXiv:2610.15995v1 [cs.CR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.15995 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Aly Sabri Abdalla [查看电子邮件]
[v1]
2026 年 10 月 11 日星期日 23:54:13 UTC（223 KB）
来源：arXiv cs.AI · arxiv.org