本研究提出了一种利用运行时分析和机器学习检测5G软件栈漏洞、异常行为和性能下降的创新方法，并在srsRAN上进行测试，准确性达到93.4%至95.9%。该方法可应用于各个领域的5G应用与关键基础设施中，实时发现漏洞并进行优先级排序。

May, 2023

本研究旨在利用移动网络运营商可获得的真实网络数据，对5G网络中的预测延迟进行彻底分析，并利用机器学习中的贝叶斯学习和图学习技术进行概率回归、异常检测和预测预测框架测试，并使用来自车辆移动、城市交通等场景的数据进行验证，结果为预测算法在实际应用中的有效性提供了有价值的见解。

Jul, 2023

通过自然语言处理辅助方法，在协议设计中提供了一种将正式方法应用于宏大复杂规范和协议分析的高效流程，尤其适用于5G和下一代通信。

Aug, 2023

本文探讨了将大型语言模型（LLMs）融入Zero Touch Networks（ZTNs）的可能性，凸显了它们提升网络透明度和改善用户交互的潜力。通过对基于深度强化学习（DRL）的反干扰技术的综合案例研究，我们展示了LLMs如何将复杂的网络操作转化为直观易懂的报告。此外，我们还着重讨论了将LLMs与ZTNs融合的技术和伦理复杂性，包括数据隐私、透明度和偏见减少。展望未来，在LLMs和ZTNs交叉领域我们认为有新兴的研究方向，倡导在自动化网络领域持续创新和跨学科协同合作。

Aug, 2023

该研究发表了Hermes - 一个端到端框架，可自动从自然语言的细胞规范中生成形式表示。通过开发神经成分解析器NEUTREX，将转换相关的文本处理并提取转换组件（即状态、条件和动作），并通过依赖解析树将这些转换组件转化为逻辑公式。最后，将这些逻辑公式编译成转换，并创建有限状态机的形式模型。通过在4G NAS、5G NAS和5G RRC规范上进行评估，Hermes的整体准确率为81-87％，这相对于现有技术是一项重大改进。所提取模型的安全分析揭示了4G和5G规范中的3个新的漏洞、19个先前的攻击，以及商用4G基带中的7个偏差。

Oct, 2023

本文对数据驱动介质访问控制（MAC）协议进行了新颖的分类，分为三个级别：第一级MAC，使用多智能体深度强化学习（MADRL）构建的面向任务的神经协议；第二级MAC，通过将第一级MAC的输出转化为明确符号来开发神经网络导向的符号协议；第三级MAC，利用大型语言模型（LLMs）和生成模型的语言导向的语义协议。通过这种分类，我们旨在探究每个级别的机遇和挑战，并从信息论和相关原理以及选定的案例研究中提供对数据驱动MAC协议的轨迹的见解，同时为未来的研究方向提供启示。

Oct, 2023

利用Auto-modeling of Formal Verification with Real-world Prompting for 5G and NextG protocols (AVRE)系统，通过Large Language Models（LLMs）将协议描述转换为依赖关系图和形式模型，实现了自动建模和验证，来验证通信协议的复杂性和可扩展性。与传统模型相比较，该系统在准确性和稳健性方面表现出优势，并首次基于自然语言处理的方法在设计文档中直接创建漏洞，取得了可扩展系统验证和验证方面的重大进展。

Dec, 2023

这篇论文讲述了将机器学习和人工智能整合到第五代（5G）网络中，揭示了网络智能的局限性，以及当前和下一代设备对网络智能的越来越苛刻的要求。本文提出了为5G和下一代基于意图的网络开发定制的大型语言模型（LLM），并提供了对未来LLM发展和集成的见解，以实现全自动网络智能的端到端意图型网络。

Mar, 2024

本研究解决了在6G网络中，针对大语言模型（LLMs）进行微调时可能出现的安全漏洞，特别是会员推断攻击的问题。通过定义攻击网络的特征并展示其攻击的有效性，结果表明，在命名实体识别任务上攻击成功率可达92%。研究提出了防御机制，并探讨了提升LLMs在6G网络中可信度的未来研究方向。

Aug, 2024

本研究解决了5G生态系统中日益复杂的网络安全问题，提出了一种基于联邦学习和大语言模型的强健入侵检测系统。通过优化BERT模型以适应边缘设备的性能要求，实验结果表明，该模型在集中式和联邦学习环境下均表现出色，显著提升了对恶意网络流量的检测能力。

Sep, 2024