本文针对5G网络中用户设备（UE）与基站（BS）之间缺乏认证引导的问题，提出了一种轻量级后量子（PQ）安全认证框架EMULSION。5G的系统信息块（SIB）广播在无认证保护下易受伪造基站攻击、中间人拦截和虚假紧急警报威胁。现有方案如基于公钥基础设施（PKI）的证书链、令牌方案和身份签名存在开销大、不满足5G严格数据包大小限制或缺乏后量子安全性等问题。直接集成NIST后量子标准（如ML-DSA和FN-DSA）会导致大量数据包碎片和极高延迟（ML-DSA需要34个碎片SIB1数据包和高达5282ms端到端延迟）。EMULSION利用5G原生架构特性（固定SIB传输窗口、毫秒级时间同步、eSIM/USIM凭证管理），提出一种对称链式公开可验证认证框架。它采用TESLA风格的HMAC链，锚定每个epoch的紧凑后量子签名（MAYO），将认证信息压缩到单个数据包内，无需碎片化且完全消除证书传输。与以往方案不同，EMULSION保护完整的SIB系列（SIB1-SIB21）。在真实5G空中测试平台上评估，EMULSION相比ML-DSA端到端延迟降低33倍，通信开销降低31倍；相比FN-DSA延迟降低12倍，开销降低5.4倍。作者还正式证明了EMULSION的安全性，并开源了实现以供测试和适配。

本文研究在5G O-RAN（开放无线接入网）架构下，通过融合分布式单元（DU）的无线遥测数据和集中式单元（CU）的网络流记录进行跨层入侵检测。O-RAN的解耦特性使得这种多模态数据融合成为可能，但现有研究多聚焦单一模态。作者在真实5G O-RAN数据集上，使用10个随机种子、运行不重叠的分割方式，评估了7种不同架构（包括GRU、Transformer等）下融合检测相对于单一模态的性能。实验发现：无线射频特征在ROC-AUC和运行级检测率上普遍优于或至少不逊于网络流特征；融合仅在特定架构下（GRU和Transformer）在1%假阳性率时提升检测率，而对其他5种模型反而降低。融合收益仅局限于两种单一模态检测率均低于0.75的场景。更严重的是，在所有42种配置（架构、模态、窗口时长组合）中，拒绝服务（DoS）攻击被误判为正常流量的比例高达27%至46%，这表明限制来自窗口化统计聚合方法本身而非模型容量。代码已公开。本文结论对O-RAN安全检测系统设计有重要指导意义，指出单纯增加数据源融合未必能提升检测效果，需要针对特定架构和场景谨慎评估。

该论文揭示了一种5G物理层侧信道攻击方法。5G加密了传统控制信道，使先前的空中指纹攻击失效。然而，作者发现由于蜂窝通信标准强制规定了链路自适应机制，上行链路的调制与编码方案（MCS）保持稳定，因此传输占用的物理资源块（PRB）数量能够准确反映IP数据包长度。结合携带下行信息的上行控制信道，攻击者可以通过仅监听上行频谱来重建双向流量特征，而无需解码任何信道。基于此侧信道，设计了三步被动攻击框架Crosshair：首先，通过能量检测从原始IQ样本中盲提取上行物理信道占用，从上行频谱重建双向流量；其次，设计数据增强方法合成不同信道条件下的频谱轮廓，消除对通信环境先验知识的需求；第三，通过跨模态对齐将频谱域和IP域嵌入共享空间，使得仅凭收集的IP踪迹即可注册新应用。在5G NR测试台上的实验表明，Crosshair在应用识别准确率上优于现有最先进的物理层指纹识别方法，并在跨MCS场景下保持高精度。

本文提出了V-Range，这是首个完全兼容5G标准的安全测距系统。研究背景在于，5G网络为资产跟踪、智能生态系统、自动驾驶等安全关键应用提供了位置信息，但现有3GPP和研究提案均未解决5G安全位置估计的挑战，且已有多种针对定位和测距系统的攻击（如距离篡改攻击）。V-Range的设计目标是在5G新空口（5G-NR）收发器上直接实现安全测距，抵御距离放大和缩小攻击。该方法通过引入物理层和协议层的安全机制，确保测距结果的高精度和低延迟。实验验证在sub-6GHz和毫米波频段上均有效，结果表明攻击者无法在不被高概率检测的情况下将距离误差控制在系统不精确度之外。论文的贡献在于填补了5G安全测距的空白，并提供了可实际部署的方案。

5G网络在提供低延迟、高吞吐量和海量连接的同时，其控制平面仍面临多种安全威胁。其中，无线资源控制（RRC）信令风暴是一种特别有效且难以缓解的拒绝服务（DoS）攻击。恶意用户设备（UE）通过发送大量RRC信令，旨在耗尽下一代基站（gNB）的资源，阻止合法UE建立连接。现有的防御措施通常仅限于检测、仅通过数值模拟进行评估，且无法区分高负载网络条件和攻击；多数方法还假设静态配置，不考虑移动性。本文首先利用OpenAirInterface（OAI）5G协议栈评估了信令风暴攻击的可行性。然后，作者提出了StormShield，一种作为xApp在O-RAN近实时RAN智能控制器（RIC）上实现的攻击检测与缓解技术。它通过对恶意UE进行指纹识别并在gNB资源耗尽前将其阻断。作者在OTA测试平台上进行了原型验证，使用OAI、NVIDIA Aerial以及两种不同的gNB设置：一种采用USRP X410软件定义无线电（SDR）和8.1功能拆分，另一种采用商用富士康射频单元（RU）和7.2功能拆分。实验结果表明，StormShield能有效防止gNB资源耗尽，平均检测精度达到97.6%，从攻击开始到识别的平均时间为106.5毫秒。该工作为5G RAN提供了实用的实时信令风暴防御方案。