AI原生6G網路新弱點：學界證實「意圖注入攻擊」可繞過網路自動化防線

渥太華大學與 Nokia Bell Labs 的研究團隊近日發表研究，聚焦意圖式網路（Intent-Based Networking，IBN）架構下的 AI 原生 6G 網路。他們指出，攻擊者可能在竊取應用程式介面金鑰（API key）後，將惡意指令偽裝成正常的網路政策更新提交，進而規避偵測。研究團隊將此類手法稱為「意圖注入攻擊」（intent injection attack），並以兩款機器學習偵測器進行測試，評估其攔截效果。

攻擊如何滲透意圖式網路

意圖式網路讓維運人員只需描述目標結果，其餘將意圖轉譯為具體網路政策的工作則交由軟體處理，這項特性也是 AI 原生 6G 架構的核心設計。意圖通常以 JSON 等機器可讀格式提交，系統接收後會直接轉換為政策。研究團隊指出，攻擊者一旦取得有效的 API 金鑰，即可提交夾帶惡意指令的意圖，讓其看起來與例行更新無異。據外媒報導，這類攻擊可能導致服務阻斷（denial of service）、權限提升、流量重新導向，甚至植入後門。不過本次研究僅針對偵測層面進行實驗，未涉及實際攻擊後果的驗證。

建構測試資料集與規避手法

為評估偵測效果，研究團隊建立 20 組基礎惡意意圖，涵蓋網路釣魚、資料外洩等威脅類型，並為每組衍生 9 種變化版本，合計 1,100 筆意圖資料，其中部分由大型語言模型（LLM）協助生成。為模擬現實中的模糊情境，團隊將 40 筆惡意意圖改標為良性，並將 90 筆良性意圖改標為惡意。作為對照組，團隊也建立一套僅依 88 個關鍵字進行判斷的規則式分類器。結果顯示，該分類器僅攔截約 10％ 的惡意意圖，但在其判定為惡意的案例中，準確率達 96％。

依時間節奏辨識可疑行為

研究團隊觀察到，攻擊者提交惡意意圖的時間間隔可能透露線索。因此，他們建構四種攻擊節奏情境：固定平均間隔、隨機分散、逐漸加速、逐漸減速，並讓偵測器一次檢視最多六筆連續請求，標記可能含有惡意意圖的區段，供人工複核。結果顯示，觀察區段愈長，整體偵測效果通常愈好，但仍存在例外情況。

兩款偵測器各有優劣

研究團隊測試兩種機器學習模型。第一種以「安全／惡意」標記樣本進行訓練，攔截率會隨攻擊節奏而變化，介於 75％ 至 96％。第二種僅學習正常行為模式，當活動偏離常態時便發出警示，較適合缺乏攻擊樣本的團隊使用；在四種節奏情境中有三種表現最佳，但在固定間隔攻擊情境下，仍有約三分之一的惡意區段遭到漏判。相較之下，僅逐筆判斷單一請求的傳統偵測方法，攔截率約 50％ 至 60％，明顯低於前兩者。

後續研究方向

研究團隊表示，未來將納入更多樣化的 JSON 政策設定，以更貼近實際 IBN 部署環境，並導入可解釋人工智慧（Explainable AI）技術，協助釐清偵測結果背後的判斷依據。

本文參考外媒報導編譯，原始出處：Help Net Security；研究論文由渥太華大學與 Nokia Bell Labs 團隊發表。