本论文研究了在蜂窝网络中应用人工智能（AI）和机器学习（ML）技术时所引入的安全漏洞及其缓解策略带来的能量开销问题。随着AI/ML算法被广泛部署于蜂窝网络的各个层面，例如O-RAN架构中的无线智能控制器（RIC），网络得以实现无线资源分配优化、负载均衡和能量效率提升等功能。然而，这种对数据的依赖也带来了新的安全风险，攻击者可以通过篡改数据属性来引导ML模型性能下降或失效。虽然已有的防御缓解策略在一定程度上有效，但它们会引入额外的计算负载，从而产生经常被忽略的能量成本，即使在当前高度关注能量效率的背景下也是如此。本文对一种防御技术的能量消耗进行了特征化描述，并提出了ML准确性、鲁棒性和能量效率三者之间需要权衡的挑战。该研究属于学术研究范畴，主要面向对AI安全与网络能效交叉领域感兴趣的网络安全工程师、蜂窝网络架构师和学术研究人员。由于仅基于摘要，本分析仅限于论文的抽象内容，未涉及具体实验数据和详细方法。