«El 5G es una infraestructura crítica que debemos proteger de ataques adversarios. El aprendizaje por refuerzo nos permite evaluar rápidamente las vulnerabilidades del 5G e identificar métodos de mitigación», afirma Ambrose Kam, de Lockheed Martin.
Con aproximadamente 35.000 empleados que trabajan en 16 países, Lockheed Martin Rotary and Mission Systems (RMS) desarrolla una amplia gama de productos y tecnologías. Recientemente, el equipo de ciberseguridad de RMS ha estado trabajando en la evaluación de las vulnerabilidades de la infraestructura 5G, incluyendo la seguridad de los datos, la privacidad de los usuarios, la confidencialidad, la integridad y la disponibilidad. Estos problemas complejos no pueden ser resueltos con métodos o enfoques tradicionales.
Para evaluar estas deficiencias, el equipo utilizó MATLAB® y su toolbox de aprendizaje por refuerzo para descubrir escenarios de ataque. Comenzaron construyendo modelos 5G utilizando el software de emulación EXata Cyber y definieron un conjunto de vectores de amenaza basados en marcos de seguridad del 3rd Generation Partnership Project (3GPP), la Agencia de Seguridad Nacional (NSA) y otras organizaciones. Luego utilizaron aprendizaje por refuerzo para entrenar a un agente adversario de red Q profunda con el objetivo de optimizar los patrones de ataque y encontrar los escenarios más críticos posibles. Basándose en estos resultados, el equipo identificó técnicas de mitigación para abordar las vulnerabilidades descubiertas.
Actualmente, el equipo está explorando oportunidades para mejorar la precisión de sus simulaciones utilizando la toolbox para 5G y lograr un mayor realismo mediante el uso de un marco de aprendizaje por refuerzo multiagente habilitado por Simulink®.
Resultados/ventajas clave:
– Reducción del tiempo de desarrollo y análisis en comparación con los métodos tradicionales.
– Posibilidad de que ingenieros de ciberseguridad con poca experiencia previa en IA apliquen la solución.
– Identificación de los peores escenarios de ataque y desarrollo de métodos de mitigación.
– Evaluación y comparación rápidas de múltiples algoritmos de aprendizaje por refuerzo.
