ассистент-профессор
г. Алматы
Assistant Professor
Almaty
профессор
г. Алматы
Professor
Almaty
профессор
г. Киев
Professor
Kyiv
профессор
г. Алматы
Professor
Almaty
Развитие технологий 5G и предстоящее внедрение сетей 6G приводят к существенному усложнению архитектуры мобильных систем за счет сервисно ориентированной архитектуры, сетевого слайсинга, виртуализации и распределенных cloud-native функций. Эти изменения повышают масштабируемость и гибкость, но одновременно увеличивают атакуемую поверхность и формируют новые типы уязвимостей. Традиционные методы тестирования на проникновение не соответствуют таким динамичным и виртуализированным средам, поскольку полагаются на статические процедуры и ручные действия, не успевающие за изменениями сетевой инфраструктуры. В то же время системы обнаружения вторжений (IDS), основанные на машинном обучении, способны выявлять аномалии и неизвестные угрозы, но остаются отделенными от процессов тестирования на проникновение. В работе представлен интеллектуальный гибридный метод автоматизированного тестирования на проникновение в сетях 5G и будущих поколений. Подход объединяет IDS, основанную на инкрементальном обучении, автоэнкодерах и GAN-моделях, с модулем оптимизации атак на основе алгоритма дифференциальной эволюции (DE). Вместо генетического алгоритма используется DE благодаря высокой скорости сходимости, устойчивости к локальным минимумам и пригодности для оптимизации высокоразмерных представлений стратегий атак. Эксперименты на тестовой платформе 5G Standalone, реализованной с использованием OpenAirInterface, показали, что DE повышает эффективность идентификации уязвимостей и формирует оптимальные многоэтапные стратегии атак. Эти результаты показывают, что оптимизация на основе DE обеспечивает масштабируемую, адаптивную и эффективную основу для непрерывной оценки безопасности мобильных сетей следующего поколения.
The evolution of 5G and the anticipated introduction of 6G technologies significantly increases network complexity through service-based architecture, network slicing, virtualization and distributed cloud-native functions. These advancements improve scalability and flexibility but simultaneously expand the attack surface and introduce novel vulnerabilities. Traditional penetration testing methodologies are not suitable for such dynamic and virtualized environments because they rely on static procedures and manual testing that cannot match the speed and structural variability of modern mobile networks. In parallel, machine learning–based intrusion detection systems (IDS) demonstrate strong capabilities in detecting anomalous and zero-day behaviors but operate independently from penetration testing processes. This paper presents an intelligent hybrid method for automated penetration testing in 5G and beyond networks, integrating a machine-learning intrusion detection system based on incremental learning, autoencoders and generative adversarial networks (GANs) – with an attack optimization module driven by the Differential Evolution (DE) algorithm. Instead of a genetic algorithm, DE is employed due to its fast convergence, robustness to local minima, and suitability for optimizing high-dimensional representations of attack strategies. An experimental evaluation on a real OpenAirInterface-based 5G Standalone testbed demonstrates that the DEdriven approach improves vulnerability identification efficiency, produces optimal multi-stage attack strategies, and enables realistic automated penetration scenarios. These results indicate that DE-based optimization provides a scalable, adaptive and efficient foundation for continuous security assessment of next-generation mobile networks.
The authors declare that there are no conflicts of interest present.