5G ЖӘНЕ ОДАН КЕЙІНГІ ЖЕЛІЛЕРДЕ АВТОМАТТЫ ПЕНЕТРАЦИЯЛЫҚ ТЕСТІЛЕУГЕ АРНАЛҒАН ЗИЯТКЕРЛІК ГИБРИДТІ ӘДІС

5G технологияларының дамуы мен 6G желілерінің енгізілуі мобильді жүйелердің күрделілігін арттыруда. Бұл қызметке негізделген архитектура, желілік слайсинг, виртуализация және таратылған cloud-native функциялар арқылы жүзеге асады. Мұндай мүмкіндіктер желінің икемділігі мен масштабталуын қамтамасыз еткенімен, шабуыл жасалатын бетті кеңейтіп, жаңа осалдықтардың пайда болуына әкеледі. Дәстүрлі пентест әдістемелері мұндай динамикалық және виртуалданған ортаға бейімделмеген, өйткені олар статикалық процедураларға және қолмен тестілеуге сүйенеді. Сонымен қатар, машиналық оқытуды қолданатын шабуылдарды анықтау жүйелері (IDS) аномалиялар мен белгісіз қауіптерді тиімді анықтағанымен, penetration testing үдерістерінен бөлек жұмыс істейді. Бұл мақалада 5G және болашақ желілер үшін автоматтандырылған пентест жүргізуге арналған зияткерлік гибридті әдіс ұсынылады. Әдіс инкременттік оқыту, автоэнкодерлер және генеративті қарсылас желілер (GAN) негізіндегі шабуылдарды анықтау жүйесін дифференциалды эволюция (DE) алгоритмімен басқарылатын шабуылдарды оңтайландыру модулімен біріктіреді. Генетикалық алгоритмнің орнына DE жоғары жинақталу жылдамдығына, локалды минимумдарға төзімділігіне және шабуыл стратегияларының жоғары өлшемді сипаттамаларын оңтайландыруға қолайлылығына байланысты қолданылады. OpenAirInterface негізіндегі 5G Standalone тесттік ортасында жүргізілген тәжірибелер DE алгоритмінің осалдықтарды анықтау тиімділігін арттыратынын, көпқадамды шабуыл стратегияларын оңтайландыратынын және шынайы автоматтандырылған пентест сценарийлерін қамтамасыз ететінін көрсетті. Бұл нәтижелер DE-ге негізделген оңтайландыру келесі буын мобильді желілерінің қауіпсіздігін үздіксіз бағалауға арналған масштабталатын, бейімделгіш және тиімді негіз ұсынатынын көрсетеді.

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