El documento incluye un análisis que detalla el impacto de las tecnologías de inteligencia artificial (IA) y aprendizaje automático (ML) en la seguridad de las redes de telecomunicaciones móviles, especialmente en el contexto de la tecnología 5G y sus futuras evoluciones. Se examina la IA/ML desde tres perspectivas principales: como herramientas utilizadas para atacar redes, como herramientas para mejorar la seguridad de las redes y como posibles blancos para los atacantes. Si bien la IA/ML puede amplificar estrategias ofensivas existentes y automatizar ataques, también puede mejorar la detección de amenazas, respaldar métodos de seguridad tradicionales, identificar nuevas amenazas y aplicar medidas de seguridad más dinámicas y adaptables. El documento enfatiza la importancia de asegurar los componentes de IA/ML para garantizar la disponibilidad e integridad de las redes, destacando su vulnerabilidad potencial tanto a amenazas convencionales como a amenazas específicas de IA/ML. Se recomienda una estrategia integral de seguridad que abarque medidas de seguridad tradicionales y específicas de IA/ML, evaluaciones de riesgos de seguridad a lo largo del ciclo de vida de la IA/ML, cumplimiento de estándares de seguridad, medidas proactivas de ciberseguridad y gestión de vulnerabilidades. El documento aboga por un enfoque integral de seguridad basado en el modelo Ericsson Trust Stack, que aborda la seguridad en niveles de estándares, desarrollo de productos, despliegue de redes y operaciones de red. Incluye recomendaciones para los responsables de políticas, incluyendo más investigación sobre el papel de la IA/ML en la detección de amenazas, aumentar la conciencia sobre enfoques estructurados para los ataques específicos de IA/ML, avanzar en los estándares de seguridad, promover las mejores prácticas de seguridad de IA/ML y respaldar los desarrollos en computación confidencial y tecnologías de mejora de la privacidad. Se enfatiza la importancia de la colaboración entre los sectores público y privado para maximizar los beneficios netos de la IA/ML y garantizar la seguridad de los usuarios y la resiliencia de las redes móviles.

La integración de inteligencia artificial y aprendizaje automático (IA/ML) en redes de telecomunicaciones móviles ha revolucionado la seguridad al identificar patrones anómalos en el tráfico de red, detectar amenazas potenciales como ataques de denegación de servicio (DDoS) o acceso no autorizado a datos, y facilitar tareas de monitoreo de seguridad. En entornos de redes 5G, estas tecnologías son esenciales para la Función de Analítica de Datos de Red (NWDAF), que ofrece pronósticos de movilidad, predice patrones de comunicación y brinda información sobre congestiones. Sin embargo, su integración también plantea desafíos, como la posibilidad de ataques de envenenamiento de datos que comprometan el desempeño y la seguridad de la red. Es crucial proteger la integridad de los modelos de IA/ML y los datos que procesan para evitar interrupciones en el servicio o violaciones de información sensible del usuario. La necesidad de implementar medidas de seguridad adecuadas, especialmente en redes 5G, se destaca ante la falta de controles específicos de IA/ML establecidos por 3GPP, subrayando la importancia de comprender y mitigar los riesgos asociados con componentes de IA/ML en redes de telecomunicaciones móviles. Además, se discuten amenazas específicas de IA/ML, como ataques de evasión y envenenamiento de datos, enfatizando la necesidad de una estrategia de defensa estructurada que abarque controles de seguridad tradicionales y específicos de IA/ML para mantener una postura de seguridad robusta ante una amplia gama de posibles ataques. Los desafíos de seguridad y privacidad al integrar tecnologías de IA/ML en redes de telecomunicaciones móviles, especialmente en redes 5G, son evidentes. Aunque estas tecnologías mejoran el desempeño de la red, introducen nuevas amenazas, especialmente en la gestión de datos de equipos de usuario (UE) utilizados para el entrenamiento de modelos de IA/ML. Es esencial entender y mitigar los riesgos asociados, implementando estrategias efectivas para proteger componentes como las redes de acceso por radio de próxima generación (NG-RAN), las redes de acceso basadas en O-RAN, la NWDAF dentro de la red central 5G y las herramientas de gestión de seguridad. La comprensión de amenazas específicas de IA/ML, como ataques de evasión y envenenamiento de datos, y el desarrollo de estrategias defensivas adecuadas son críticos para mantener la seguridad y privacidad de los sistemas de IA/ML. La implementación de controles especializados, la mejora de la explicabilidad de los modelos, la monitorización de datos de entrenamiento, y el uso de tecnologías de mejora de la privacidad son recomendaciones clave para mitigar estos riesgos. La investigación continua y la adaptación de mitigaciones a casos de uso específicos son esenciales, debido a que las amenazas y defensas de IA/ML evolucionan constantemente en el ámbito de las telecomunicaciones móviles.

El enfoque integral para asegurar los componentes de IA/ML en redes de telecomunicaciones móviles, basado en el modelo de confianza de Ericsson, aborda desafíos de seguridad a lo largo de diferentes etapas del ciclo de vida de la IA/ML, incluyendo operaciones, estandarización, desarrollo e implementación. En la etapa de operaciones, se emplea monitoreo continuo de seguridad, procedimientos estandarizados y mecanismos avanzados de detección de ataques impulsados por IA para detectar y responder a cambios en datos o conceptos, garantizando la seguridad e integridad de los sistemas de IA/ML. Los esfuerzos de estandarización, como los de 3GPP, O-RAN y ETSI, juegan un papel crucial en el desarrollo de marcos de seguridad de IA/ML para redes móviles, con contribuciones de organizaciones como MITRE ATLAS, OWASP MLSec Top 10 y NIST AI RMF para unificar estándares de seguridad de IA y promover prácticas de IA responsables. Durante la etapa de desarrollo, se adopta un enfoque de diseño seguro, incorporando MLSecOps en el ciclo de vida del desarrollo de software (SDLC). Se enfatiza la seguridad de la cadena de suministro, prácticas de codificación segura y pruebas de seguridad completas, incluyendo simulaciones de ataques diversos. En la etapa de implementación, se implementan estrictos controles sobre el despliegue de modelos y configuraciones robustas de pipelines de implementación, asegurando un enfoque seguro por defecto. En resumen, este enfoque de seguridad holística busca abordar y gestionar desafíos de seguridad efectivamente mediante la incorporación de hallazgos y recomendaciones de investigaciones académicas, insights de la industria y conocimientos de autoridades de ciberseguridad sobre riesgos y mitigaciones de IA/ML. En otra instancia, el documento analiza las implicaciones de seguridad al integrar tecnologías de IA/ML en redes de telecomunicaciones móviles, destacando los beneficios y riesgos asociados y proporcionando recomendaciones para formuladores de políticas para abordar los desafíos de seguridad únicos que plantea la IA/ML. Se resalta la necesidad de protocolos seguros estandarizados, marcos de trabajo y esfuerzos colaborativos para abordar los desafíos de seguridad de IA/ML. Se destaca la importancia de proyectos de código abierto, herramientas e investigación compartida para avanzar en la seguridad de IA/ML. Del mismo modo, se reconoce que los atacantes a menudo tienen una ventaja en recursos y oportunidades en comparación con los defensores, y que los avances recientes en LLMs generativos han disminuido aún más la barrera de habilidades para lanzar ataques. En consecuencia, se pide una mayor acción gubernamental para aumentar los costos y la dificultad para los atacantes y brindar más apoyo a los defensores. Se recomiendan varias acciones políticas, incluyendo el fomento de avances en estándares de seguridad, la participación de autoridades competentes para compartir prioridades relevantes de políticas de seguridad, estimular la investigación sobre el uso de IA/ML para la detección de amenazas y asegurar que los componentes de IA/ML en redes móviles se alineen con estándares de seguridad y privacidad mientras se permite la innovación. En general, se enfatiza la necesidad de un enfoque equilibrado que proteja a los usuarios de redes móviles, se alinee con estándares de seguridad y privacidad y permita a la industria maximizar los beneficios de IA/ML sin sobre regulación.

El documento resalta la importancia de promover las mejores prácticas de seguridad de IA/ML, apoyar proyectos de código abierto con enfoques de diseño seguro, integrar IA/ML en los marcos de desarrollo de software y gestión de riesgos de la cadena de suministro, e incorporar MLSecOps en el ciclo de vida del desarrollo de software. También destaca la necesidad de avances en computación confidencial y tecnologías para mejorar la privacidad para proteger la privacidad y permitir el intercambio de datos sin violarla. Se enfatizan los desafíos únicos de asegurar sistemas de IA/ML en el dominio de las telecomunicaciones móviles y la necesidad de habilidades especializadas y programas educativos para preparar a la próxima generación para estos desafíos. Se sugiere involucrarse con la industria para comprender el panorama de amenazas específicas de las telecomunicaciones, promover la conciencia sobre ataques específicos de IA/ML y desarrollar mejores prácticas sectoriales para mitigar ataques habilitados por IA/ML. Se hace un llamado a estimular la investigación y fomentar la implementación de controles de seguridad relevantes, actualizar evaluaciones de riesgos de seguridad en marcos regulatorios existentes y promover el trabajo de estandarización en seguridad de IA/ML, abarcando gestión de riesgos, regulaciones, operación segura de IA/ML, gestión del ciclo de vida, herramientas, bancos de pruebas y tecnologías para mejorar la privacidad. Adicionalmente, se destaca la necesidad de un enfoque cooperativo entre organizaciones involucradas en estandarización, desarrollo, implementación y operación de infraestructura de comunicación móvil, incluyendo componentes de IA/ML. Se resaltan los roles y responsabilidades de desarrolladores de software, proveedores de servicios de red y formuladores de políticas en garantizar la seguridad y resiliencia de las redes móviles. En última instancia, se aboga por una asociación sinérgica entre gobierno e industria como el mejor camino para defensas cibernéticas efectivas para garantizar la seguridad de los usuarios y la resiliencia de las redes móviles.