論文の概要: LLM-Driven APT Detection for 6G Wireless Networks: A Systematic Review and Taxonomy
- arxiv url: http://arxiv.org/abs/2505.18846v1
- Date: Sat, 24 May 2025 19:42:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-27 16:58:42.692428
- Title: LLM-Driven APT Detection for 6G Wireless Networks: A Systematic Review and Taxonomy
- Title（参考訳）: LLMによる6G無線ネットワークのAPT検出:システムレビューと分類
- Authors: Muhammed Golec, Yaser Khamayseh, Suhib Bani Melhem, Abdulmalik Alwarafy,
- Abstract要約: 6GネットワークにおけるLPM支援APT検出のための総合的な体系的レビューと分類学的研究について述べる。
説明可能性のギャップ、データ不足、エッジハードウェアの制限、リアルタイムスライシング対応の必要性といったオープンな課題を特定します。
- 参考スコア（独自算出の注目度）: 0.2999888908665658
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sixth Generation (6G) wireless networks, which are expected to be deployed in the 2030s, have already created great excitement in academia and the private sector with their extremely high communication speed and low latency rates. However, despite the ultra-low latency, high throughput, and AI-assisted orchestration capabilities they promise, they are vulnerable to stealthy and long-term Advanced Persistent Threats (APTs). Large Language Models (LLMs) stand out as an ideal candidate to fill this gap with their high success in semantic reasoning and threat intelligence. In this paper, we present a comprehensive systematic review and taxonomy study for LLM-assisted APT detection in 6G networks. We address five research questions, namely, semantic merging of fragmented logs, encrypted traffic analysis, edge distribution constraints, dataset/modeling techniques, and reproducibility trends, by leveraging most recent studies on the intersection of LLMs, APTs, and 6G wireless networks. We identify open challenges such as explainability gaps, data scarcity, edge hardware limitations, and the need for real-time slicing-aware adaptation by presenting various taxonomies such as granularity, deployment models, and kill chain stages. We then conclude the paper by providing several research gaps in 6G infrastructures for future researchers. To the best of our knowledge, this paper is the first comprehensive systematic review and classification study on LLM-based APT detection in 6G networks.
- Abstract（参考訳）: 2030年代に展開される予定の第6世代(6G)無線ネットワークは、非常に高い通信速度と低レイテンシ率で、学界と民間セクターですでに大きな興奮をもたらしている。
しかしながら、超低レイテンシ、高スループット、AI支援オーケストレーション機能があるにも関わらず、ステルス性と長期間のAdvanced Persistent Threats(APTs)に脆弱性がある。
大きな言語モデル(LLM)は、セマンティック推論と脅威知性において高い成功でこのギャップを埋めるのに理想的な候補である。
本稿では,6GネットワークにおけるLPM支援APT検出のための総合的な体系的レビューと分類学的研究について述べる。
分割ログのセマンティックマージ,暗号化トラフィック解析,エッジ分散制約,データセット/モデリング技術,再現性トレンドという5つの研究課題を,LLM,APT,6G無線ネットワークの交差点に関する最新の研究を活用して解決する。
説明可能性ギャップやデータ不足,エッジハードウェアの制限,さらには粒度やデプロイメントモデル,チェーンステージのキルといったさまざまな分類を提示することで,リアルタイムスライシング対応の必要性など,オープンな課題を識別する。
そして、将来の研究者に6Gのインフラにいくつかの研究ギャップを提供することで、論文を締めくくります。
そこで本研究では,LLMを用いた6GネットワークにおけるAPT検出の総合的な検討と分類を行った。
関連論文リスト
- LLMs' Suitability for Network Security: A Case Study of STRIDE Threat Modeling [1.1970409518725493]
ネットワークセキュリティにおけるLarge Language Models (LLM) の適合性について検討する。
我々は5つのLSMを用いた4つのプロンプト技術を用いて5G脅威のSTRIDE分類を行う。
重要な発見と詳細な知見と,その原因となる要因の説明を指摘する。
論文 参考訳（メタデータ） (2025-05-07T03:37:49Z) - Federated Learning for 6G: Paradigms, Taxonomy, Recent Advances and
Insights [52.024964564408]
本稿では,プロトコルスタックのすべてのレベルにわたってフェデレートラーニングを実装することの付加価値について検討する。
それは重要なFLアプリケーションを示し、ホットトピックに対処し、将来の研究と開発のための貴重な洞察と明示的なガイダンスを提供します。
我々の結論は、FLと将来の6Gの相乗効果を活用しつつ、FLがワイヤレス産業に革命をもたらす可能性を浮き彫りにすることを目的としています。
論文 参考訳（メタデータ） (2023-12-07T20:39:57Z) - Toward 6G Native-AI Network: Foundation Model based Cloud-Edge-End Collaboration Framework [55.73948386625618]
データ、AIモデル、運用パラダイムの観点から、6GネイティブAIを達成する上での課題を分析します。
基礎モデルに基づく6GネイティブAIフレームワークを提案し、専門家の知識の統合方法を提供し、2種類のPFMのカスタマイズを提示し、ネイティブAIフレームワークの新たな運用パラダイムを概説する。
論文 参考訳（メタデータ） (2023-10-26T15:19:40Z) - A Survey on Detection of LLMs-Generated Content [97.87912800179531]
LLMの生成する内容を検出する能力が最重要視されている。
既存の検出戦略とベンチマークの詳細な概要を提供する。
また、様々な攻撃から守るための多面的アプローチの必要性を示唆する。
論文 参考訳（メタデータ） (2023-10-24T09:10:26Z) - AI Empowered Net-RCA for 6G [12.368396458140326]
6Gは、より高いデータレート、信頼性の向上、ユビキタスAIサービス、大規模な接続デバイスのサポートを提供すると想定されている。
6Gは前機種よりずっと複雑だ。
システムスケールと複雑性の増大、レガシネットワークとの共存、およびサービス要件の多様化は、必然的に、将来の6Gネットワークの保守コストと労力を増大させます。
論文 参考訳（メタデータ） (2022-12-01T07:38:32Z) - Network and Physical Layer Attacks and countermeasures to AI-Enabled 6G
O-RAN [1.7811776494967646]
本稿では,AI駆動型6G無線アクセスネットワーク(RAN)のセキュリティへの影響について検討する。
Open RAN(O-RAN)では、業界主導のオープンアーキテクチャと、AIコントロールを備えた次世代RANを構築するためのインターフェースについて説明している。
論文 参考訳（メタデータ） (2021-06-01T16:36:37Z) - Towards Self-learning Edge Intelligence in 6G [143.1821636135413]
エッジインテリジェンス(エッジインテリジェンス、Edge Intelligence、別名エッジネイティブ人工知能(AI))は、AI、通信ネットワーク、モバイルエッジコンピューティングのシームレスな統合に焦点を当てた新興技術フレームワークである。
本稿では、6GにおけるエッジネイティブAIの重要な要件と課題を特定する。
論文 参考訳（メタデータ） (2020-10-01T02:16:40Z) - A Tutorial on Ultra-Reliable and Low-Latency Communications in 6G:
Integrating Domain Knowledge into Deep Learning [115.75967665222635]
超信頼性・低レイテンシ通信(URLLC)は、様々な新しいミッションクリティカルなアプリケーションの開発の中心となる。
ディープラーニングアルゴリズムは、将来の6GネットワークでURLLCを実現する技術を開発するための有望な方法と考えられている。
このチュートリアルでは、URLLCのさまざまなディープラーニングアルゴリズムにドメイン知識を組み込む方法について説明する。
論文 参考訳（メタデータ） (2020-09-13T14:53:01Z) - Redefining Wireless Communication for 6G: Signal Processing Meets Deep
Learning with Deep Unfolding [17.186326961526994]
提案する6G通信アーキテクチャがもたらすサービス要件と課題について述べる。
従来のアルゴリズムの原則とデータに精通したディープラーニングアプローチの欠陥について概説する。
本稿では,将来の6Gネットワークにおいて,ハードウェア効率の高いエッジインテリジェンスを実現するためのオープンな研究課題を動機づける。
論文 参考訳（メタデータ） (2020-04-22T17:20:00Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-02-22T14:38:11Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。