CLIC: Closed-Loop Intent Consistency for Securing LLM-Driven Control in Open RAN

📄 arXiv: 2610.40744v1 📥 PDF

作者: Sunder Ali Khowaja, Kapal Dev, Joongheon Kim, Angelos Antonopoulos, Nikolaos Bartzoudis

分类: cs.CR, cs.AI, cs.NI

发布日期: 2026-10-29

备注: 6 pages, 1 figure, 3 tables

💡 一句话要点

提出闭环意图一致性层以解决O-RAN控制中的安全问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大型语言模型 开放无线接入网络 安全性 意图一致性 控制系统 运行时攻击 虚拟提示注入 网络管理

📋 核心要点

  1. 现有方法仅关注运行时威胁，未能在整个控制路径上实现意图一致性，导致系统易受攻击。
  2. 本文提出闭环意图一致性层（CLIC），通过小型量化语言模型定义一致性评分，联合缓解运行时和残余VPI攻击。
  3. 实验结果显示，CLIC将攻击成功率从0.92降低至0.29，残余VPI攻击从0.37降低至0.04，提升了系统的隔离性和公平性。

📝 摘要（中文）

随着大型语言模型（LLMs）能力的提升，研究者们正在探索将其集成到开放无线接入网络（O-RAN）的控制环路中，以通过用户意图实现切片和资源管理。然而，通过RAN智能控制器（RIC）将LLMs集成到O-RAN控制环路中，使系统易受运行时提示注入威胁和残余虚拟提示注入攻击的影响。现有研究仅关注运行时威胁，未能在整个控制路径上强制执行一致性。本文提出了一种闭环意图一致性层（CLIC），联合缓解这两种威胁。CLIC定义了一个正式的一致性评分，并在OpenAI Cellular平台上进行了实现和评估。实验结果表明，CLIC显著降低了攻击成功率和残余VPI攻击的发生率，同时在延迟上略有增加。

🔬 方法详解

问题定义：本文旨在解决将大型语言模型集成到O-RAN控制环路中所带来的安全隐患，尤其是运行时提示注入和残余虚拟提示注入攻击的问题。现有方法未能在整个控制路径上实现一致性，导致系统脆弱。

核心思路：提出闭环意图一致性层（CLIC），通过定义一致性评分来验证控制决策的完整性，从而防止恶意操控。该方法结合了小型量化语言模型和实时应用，确保在运行时和模型完整性认证中都能有效防御攻击。

技术框架：CLIC的整体架构包括两个主要模块：非实时应用（Non-RT rApp）用于模型完整性认证，和近实时应用（Near-RT xApp）用于运行时的意图一致性强制执行。通过这两个模块的协同工作，确保了从意图生成到最终控制动作的安全性。

关键创新：CLIC的主要创新在于其闭环设计，能够同时处理运行时和残余VPI攻击，确保了控制路径的完整性和一致性。这一设计与现有方法的线性防护机制形成鲜明对比。

关键设计：在实现中，CLIC使用了小型量化语言模型来计算一致性评分，并通过特定的损失函数优化模型性能。此外，系统在延迟上进行了优化，确保在安全性和响应速度之间取得平衡。

🖼️ 关键图片

fig_0

📊 实验亮点

实验结果表明，CLIC显著降低了攻击成功率，从0.92降至0.29，残余VPI攻击的发生率从0.37降至0.04。同时，系统的隔离性和公平性得到了提升，尽管延迟略有增加，约为27毫秒。

🎯 应用场景

该研究的潜在应用领域包括开放无线接入网络的安全管理、智能交通系统以及其他需要实时决策的网络控制场景。通过提高控制系统的安全性，CLIC能够为未来的网络架构提供更可靠的保障，促进智能网络的发展。

📄 摘要（原文）

With the progressive capabilities of large language models (LLMs), researchers are finding ways to integrate them into the control loops of Open Radio Access Network (O-RAN) to enable slicing and resource management through user intents. However, integration of LLMs in the O-RAN control loop via the RAN Intelligent Controller (RIC) makes the system vulnerable to \textit{runtime prompt injection threats}, which manipulate control decisions without violating interface authentication, and \textit{residual virtual prompt injection (VPI)} attacks that plant trigger mechanisms to silently steer the behaviour during fine-tuning. Existing studies address only the runtime threat and do not enforce consistency across the full control path, i.e. from the certified A1 intent, through the multi-step LLM trajectory, to the final E2 action. We propose a closed-loop intent-consistency layer (CLIC) that jointly mitigates both threats. The proposed CLIC defines a formal consistency score using a small quantized language model, which is deployed as a Non-RT rApp for model-integrity certification along with a Near-RT xApp for runtime enforcement. We implement CLIC on the OpenAI Cellular (OAIC) platform and evaluate it under domain-adapted JailbreakBench, AdvBench, and VPI workloads. The experimental results show that the proposed CLIC reduces the attack success rate from 0.92 to 0.29 and residual VPI attacks from 0.37 to 0.04, while improving isolation and fairness at slightly higher latency costs, i.e. approximately 27 ms.