摘要
联邦学习（FL）在5G蜂窝网络中保护原始数据，但仍然容易受到侧信道泄露的攻击。先前的指纹攻击假设在数据包级别具有网络可见性，这一假设在5G物理层（PHY）中并不成立，因为用户负载被加密且无线网络临时标识符（RNTI）可能会随时间变化。
然而，我们证明了在物理下行控制信道（PDCCH）中广播的PHY层调度元数据保留了与架构相关的时间模式。
我们提出了FLINT，这是一种新颖的黑盒指纹识别框架，仅使用粗略的PHY层观察来推断FL模型架构家族，包括卷积神经网络（CNNs）、递归神经网络（RNNs）和变换器（Transformers）。FLINT通过解码PDCCH调度信息，映射变化的RNTI到物理用户设备，并应用多视角时间建模来区分架构特定的训练行为，从而克服了缺乏网络层可见性的问题。
这种泄露是安全关键，因为了解客户的模型架构可以将被动侦察转变为针对性的后续利用。
在基于srsRAN的5G测试平台上进行的广泛实验表明，FLINT在架构家族分类中实现了0.930的宏F1分数。据我们所知，FLINT是首个使用可由任何协议意识的对手获取的低层5G侧信道信息来指纹识别AI/ML模型架构的工作。
博主点评： FLINT的提出为5G网络中的联邦学习提供了新的安全挑战，展示了物理层数据在模型架构识别中的潜力。这一研究不仅丰富了联邦学习的安全研究，也为后续的防护措施提供了依据。面对日益复杂的网络环境，相关领域的研究者需加强对侧信道攻击的防御能力。