SAMMF：一种用于网络数据流异常检测的自适应多模型融合框架

《IEEE Networking Letters》：SAMMF: A Self-Adaptive Multi-Model Fusion Framework for NWDAF Traffic Anomaly Detection

针对5G核心网络异常流量检测中多网络功能（NFs）数据单模型处理不足的问题，提出SAMMF框架，包含数据收集、预处理、自适应多模型训练和融合模块，实验证明其优于现有基线方法。

　　

摘要：

3GPP提出的网络数据分析功能（NWDAF）为5G核心网络（5GC）中的异常流量检测提供了一种新颖的解决方案。然而，现有研究通常采用单一模型，这些模型难以有效处理来自不同网络功能（NFs）的数据。为了解决这个问题，本文提出了一种自适应多模型融合（SAMMF）框架，用于NWDAF，该框架能够处理来自不同NFs的数据。SAMMF框架由四个核心模块组成：数据收集模块，负责数据统计和收集；数据预处理模块，专注于数据清洗和特征工程；自适应多模型训练模块，使用自适应阈值算法从模型库中选择高性能模型；以及多模型融合模块，将选定模型的结果融合以得出最终结果。我们使用两个常用的网络异常检测数据集对SAMMF进行了评估。实验结果表明，与现有的基线方法相比，SAMMF在处理不同NFs数据方面表现出显著的优势，为5GC中的异常流量检测提供了更优的解决方案。

引言

5G网络的广泛部署通过先进的连接性显著提升了现代社会的生产力、教育和日常生活质量[1]。3GPP标准定义的三个主要5G应用场景（增强型移动宽带、大规模机器类型通信和超可靠低延迟通信）推动了包括自动驾驶汽车、虚拟现实和智慧城市解决方案在内的关键创新[2]。然而，这些新兴应用需要大量的网络和设备资源，使5G网络面临日益严重的恶意流量攻击风险[3]。此类恶意流量模式可能会通过占用关键基础设施资源而导致网络拥塞、服务中断和潜在的数据泄露。这些安全威胁可能对网络运营商造成严重的运营后果，并对终端用户带来隐私风险[4]。因此，有效的网络流量异常检测对于确保5G网络的安全性和服务可靠性至关重要。