Arquitecturas de Aprendizaje Federado para Detectar Anomalías en Redes de Acceso de Radio Abiertas Federated Learning Architectures for Detecting Anomalies in Open Radio Access Networks
Barra lateral del artículo
Contenido principal del artículo
Resumen
La desagregación funcional, la apertura de interfaces y la programabilidad de las redes de acceso de radio abiertas favorecen la automatización de su gestión y optimización, aunque también amplían la superficie de ataque y multiplican los puntos donde pueden manifestarse comportamientos anómalos. El aprendizaje federado permite entrenar modelos colaborativos sin transferir los datos brutos generados por los componentes de la red. Este estudio analizó las arquitecturas de aprendizaje federado propuestas para detectar anomalías en redes de acceso de radio abiertas, atendiendo a su topología, distribución funcional, mecanismos de agregación, modelos de aprendizaje, medidas de seguridad y condiciones de evaluación. Se realizó una revisión sistemática de la literatura conforme a PRISMA 2020, considerando publicaciones de 2022 a 2026 indexadas en IEEE Xplore, Scopus y Web of Science. De 91 registros identificados, 55 correspondieron a estudios únicos y 15 cumplieron los criterios de elegibilidad. Las propuestas se agruparon en arquitecturas cliente-servidor, jerárquicas, descentralizadas entre pares y conceptuales o híbridas. Las configuraciones centralizadas y jerárquicas fueron predominantes, mientras que los diseños descentralizados eliminaron el agregador único a costa de una mayor sobrecarga de comunicación y complejidad de coordinación. FedAvg fue el algoritmo de agregación más recurrente y las aplicaciones se concentraron en la detección de intrusiones y ataques de denegación de servicio. Los resultados muestran un desempeño elevado en escenarios controlados, pero su generalización continúa limitada por la escasa validación operacional, la heterogeneidad de los conjuntos de datos y la insuficiente evaluación frente a actores maliciosos
Descargas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Citas
Abou El Houda, Z., Moudoud, H., & Brik, B. (2024). Federated deep reinforcement learning for efficient jamming attack mitigation in O-RAN. IEEE Transactions on Vehicular Technology, 73(7), 9334–9343. https://doi.org/10.1109/TVT.2024.3359998
Ahakonye, L. A. C., Nwakanma, C. I., & Kim, D.-S. (2024). Roadmap for integrating Open RAN and AI for intrusion detection systems in 6G networks. In 2024 15th International Conference on Information and Communication Technology Convergence (ICTC) (pp. 1586–1591). IEEE. https://doi.org/10.1109/ICTC62082.2024.10826894
Alalyan, F., Awad, M., Jaafar, W., & Langar, R. (2025). Secure distributed federated learning for cyberattacks detection in B5G open radio access networks. IEEE Open Journal of the Communications Society, 6, 3067–3081. https://doi.org/10.1109/OJCOMS.2024.3523468
Albaseer, A., Hamood, M., Al-Sabri, R., Abdallah, M., & Al-Fuqaha, A. (2025). A zero-touch O-RAN framework for federated few-shot IDS with LLM-oracle verification. In GLOBECOM 2025 – 2025 IEEE Global Communications Conference (pp. 3170–3175). IEEE. https://doi.org/10.1109/GLOBECOM59602.2025.11432014
Attanayaka, D., Porambage, P., Liyanage, M., & Ylianttila, M. (2023). Peer-to-peer federated learning based anomaly detection for open radio access networks. In ICC 2023 – IEEE International Conference on Communications (pp. 5464–5470). IEEE. https://doi.org/10.1109/ICC45041.2023.10278993
Benzaïd, C., Hossain, F. M., Taleb, T., Gómez, P. M., & Dieudonne, M. (2024). A federated continual learning framework for sustainable network anomaly detection in O-RAN. In 2024 IEEE Wireless Communications and Networking Conference (WCNC) (pp. 1–6). IEEE. https://doi.org/10.1109/WCNC57260.2024.10570951
Chouikhi, S., Khoukhi, L., Abou El Houda, Z., & Descamps, P. (2026). Federated multi-RIC threat intelligence for secure and scalable open 6G radio access networks. In 2026 IEEE Wireless Communications and Networking Conference Workshops (WCNCW) (pp. 1–5). IEEE. https://doi.org/10.1109/WCNCW67598.2026.11555534
Dua, M., Kundu, T., & Gupta, A. (2026). Trustworthy autonomous RAN orchestration: An architectural framework for zero-trust intent-based control with explainable AI. In 2026 35th Wireless and Optical Communications Conference (WOCC) (pp. 1–6). IEEE. https://doi.org/10.1109/WOCC69802.2026.11556178
Hung, C.-F., Kuo, C.-C., & Cheng, S.-M. (2025). Low-rate denial-of-service attack detection in open radio access network: Integrating federated learning. IEEE Vehicular Technology Magazine, 20(4), 75–83. https://doi.org/10.1109/MVT.2025.3623298
Kairouz, P., McMahan, H. B., Avent, B., Bellet, A., Bennis, M., Bhagoji, A. N., Bonawitz, K. A., Charles, Z., Cormode, G., Cummings, R., D’Oliveira, R. G. L., Eichner, H., El Rouayheb, S., Evans, D., Gardner, J., Garrett, Z., Gascón, A., Ghazi, B., Gibbons, P. B., … Zhao, S. (2021). Advances and open problems in federated learning. Foundations and Trends in Machine Learning, 14(1–2), 1–210. https://doi.org/10.1561/2200000083
McMahan, B., Moore, E., Ramage, D., Hampson, S., & Agüera y Arcas, B. (2017). Communication-efficient learning of deep networks from decentralized data. In Proceedings of the 20th International Conference on Artificial Intelligence and Statistics (Vol. 54, pp. 1273–1282). Proceedings of Machine Learning Research. https://proceedings.mlr.press/v54/mcmahan17a.html
Mehrban, A., Abou El Houda, Z., Moudoud, H., Brik, B., & Khoukhi, L. (2025). A blockchain-enabled multi-layered zero-trust security framework for O-RAN. In 2025 International Wireless Communications and Mobile Computing (IWCMC) (pp. 1564–1569). IEEE. https://doi.org/10.1109/IWCMC65282.2025.11059720
Moudoud, H., Abou El Houda, Z., & Brik, B. (2024). Zero trust security architecture for 6G open radio access networks (ORAN). IEEE Networking Letters, 6(4), 272–275. https://doi.org/10.1109/LNET.2024.3514357
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J., Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson, E., McDonald, S., … Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71
Polese, M., Bonati, L., D’Oro, S., Basagni, S., & Melodia, T. (2023). Understanding O-RAN: Architecture, interfaces, algorithms, security, and research challenges. IEEE Communications Surveys & Tutorials, 25(2), 1376–1411. https://doi.org/10.1109/COMST.2023.3239220
Ratnayake, H., Siriwardhana, Y., Wijewardhana, U., & Liyanage, M. (2026). FORTRESS: A federated learning and transformer-based zero trust framework for O-RAN security. In 2026 Joint European Conference on Networks and Communications & 6G Summit (EuCNC/6G Summit) (pp. 1091–1098). IEEE. https://doi.org/10.1109/EuCNC/6GSummit68295.2026.11577317
Rumesh, Y., Attanayaka, D., Porambage, P., Pinola, J., Groen, J., & Chowdhury, K. (2024). Federated learning for anomaly detection in Open RAN: Security architecture within a digital twin. In 2024 Joint European Conference on Networks and Communications & 6G Summit (EuCNC/6G Summit) (pp. 877–882). IEEE. https://doi.org/10.1109/EuCNC/6GSummit60053.2024.10597083
Shekhar, Bhardwaj, V., Singh, R., Essa, I. M., Gharban, H. A. J., & Shukla, P. K. (2025). AI-driven security frameworks for 5G wireless communication networks. In 2025 International Conference on Emerging Technologies and Innovation for Sustainability (EmergIN) (pp. 293–298). IEEE. https://doi.org/10.1109/EmergIN67762.2025.11450600
Spantideas, S. T., Giannopoulos, A. E., Levis, G. A., & Trakadas, P. (2026). FedRA: A fully decentralized federated learning framework for robust intelligence sharing across O-RAN dApps. IEEE Communications Magazine. Advance online publication. https://doi.org/10.1109/MCOM.001.2500368.