ИНТЕЛЛЕКТУАЛЬНЫЙ ГИБРИДНЫЙ МЕТОД ДЛЯ АВТОМАТИЗИРОВАННОГО ТЕСТИРОВАНИЯ НА ПРОНИКНОВЕНИЕ В СЕТЯХ 5G И ПОСЛЕДУЮЩИХ ПОКОЛЕНИЙ

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.

1. 3GPP. System Architecture for the 5G System (5GS). 3GPP TS 23.501, Release 19 (2025).

2. 3GPP. Security Architecture and Procedures for 5G System. 3GPP TS 33.501, Release 19 (2025).

3. 3GPP. Management and Orchestration: Concepts, Use Cases and Architecture. 3GPP TS 28.530, Release 19 (2025).

4. Singh, A., Juneja, D., Singh, J., and Aggarwal, S. Security Technologies for 6G Mobile Systems and Challenges Associated with AI Technologies. Lecture Notes in Electrical Engineering, 1444, 1–13 (2026). https://doi.org/10.1007/978-981-96-8283-6_1

5. Albrecht, M.R., and Jensen, R.B. The Vacuity of the Open Source Security Testing Methodology Manual. Lecture Notes in Computer Science, 12529, 114–147 (2020). https://doi.org/10.1007/978-3-030-64357-7_6

6. Lidanta, F.Z., Almaarif, A., and Budiyono, A. Vulnerability Analysis of Wireless LAN Networks Using Penetration Testing Execution Standard: A Case Study of Cafes in Palembang. Proceedings of the 2021 International Conference on ICT for Smart Society (ICISS), 1–5 (2021). https://doi.org/10.1109/ICISS53185.2021.9533216

7. Scarfone, K., Souppaya, M., Cody, A., and Orebaugh, A. Technical Guide to Information Security Testing and Assessment. NIST Special Publication 800-115 (2008). https://doi.org/10.6028/NIST.SP.800-115

8. OWASP Foundation. OWASP Web Security Testing Guide v4 (2021). https://owasp.org/www-projectweb-security-testing-guide/v41/

9. Harvanek, M., Bolcek, J., Kufa, J., Polak, L., Simka, M., and Marsalek, R. Survey on 5G Physical Layer Security Threats and Countermeasures. Sensors, 24, 5523 (2024). https://doi.org/10.3390/s24175523

10. Imanbayev, A., Tynymbayev, S., Odarchenko, R., Gnatyuk, S., Berdibayev, R., Baikenov, A., and Kaniyeva, N. Research of Machine Learning Algorithms for the Development of Intrusion Detection Systems in 5G Mobile Networks and Beyond. Sensors, 22 (24), 9957 (2022). https://doi.org/10.3390/s22249957

11. Pinchuk, A., Odarchenko, R., Samoilenko, V., and Imanbayev, A. 5G Network Deployment Based on Open-source Projects: A Comparative Analysis. Proceedings of the IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems (IDAACS), 596–601 (2023). https://doi.org/10.1109/IDAACS58523.2023.10348675

12. Storn, R., and Price, K. Differential Evolution – A Simple and Efficient Heuristic for Global Optimization over Continuous Spaces. Journal of Global Optimization, 11, 341–359 (1997). https://doi.org/10.1023/A:1008202821328

13. Almutairi, M.S. Deep Learning-Based Solutions for 5G Network and 5G-Enabled Internet of Vehicles: Advances, Meta-Data Analysis, and Future Direction. Mathematical Problems in Engineering, Article ID 6855435 (2022). https://doi.org/10.1155/2022/6855435

14. Dai, W., Zhou, J., Ye, C., and Xu, G. Automated Penetration Testing System Based on PTES and ATT&CK. Communications in Computer and Information Science, 2594, 433–444 (2026). https://doi.org/10.1007/978-981-95-1340-6_35

15. Odarchenko, R., Iavich, M., and Pinchuk, A. Development of a Method for Automated 5G and Beyond Network Slices Penetration Testing. Radioelectronic and Computer Systems, 1 (113), 248–263 (2025). https:// doi.org/10.32620/reks.2025.1.17

16. Allaw, Z., Zein, O., and Ahmad, A.-M. Cross-Layer Security for 5G/6G Network Slices: An SDN, NFV, and AI-Based Hybrid Framework. Sensors, 25 (11), 3335 (2025). https://doi.org/10.3390/s25113335

17. Eltaeib, T., and Mahmood, A. Differential Evolution: A Survey and Analysis. Applied Sciences, 8 (10), 1945 (2018). https://doi.org/10.3390/app8101945

18. Noor, K., Imoize, A.L., Li, C.-T., and Weng, C.-Y. A Review of Machine Learning and Transfer Learning Strategies for Intrusion Detection Systems in 5G and Beyond. Mathematics, 13 (7), 1088 (2025). https://doi.org/10.3390/math13071088