Diseño de un sistema de vulnerabilidades dockerizado en 5G
DOI:
https://doi.org/10.17979/ja-cea.2026.47.13829Palabras clave:
Sistemas de control en red seguros, Seguridad, Monitorización, Diseño experimentalResumen
Este trabajo presenta el diseño de un banco de pruebas para la generación controlada de tráfico de ciberseguridad en redes privadas 5G. La propuesta combina una infraestructura Firecell Labkit 40, conectividad radio y un equipo que aloja servicios vulnerables contenerizados basados en Docker-Vulhub. El entorno despliega vulnerabilidades conocidas, muchas documentadas mediante CVE, hace circular el tráfico por la red 5G SA y lo captura desde el core mediante herramientas como tcpdump. Una prueba de concepto que captura desde el core un ataque real contra Apache Tomcat (CVE-2017-12615) demuestra que el tráfico es observable y reconstruible, y que de él puede derivarse un dataset etiquetado. La arquitectura es una base modular y ampliable para futuras campañas de creación de datasets. Su objetivo no es evaluar exhaustivamente cada vulnerabilidad, sino documentar un entorno reproducible para generar tráfico útil en la evaluación de IDS y modelos de aprendizaje automático en 5G privado.
Referencias
Alsaedi, A., Moustafa, N., Tari, Z., Mahmood, A., Anwar, A., 2020. TON_IoT telemetry dataset: A new generation dataset of IoT and IIoT for data-driven intrusion detection systems. IEEE Access 8, 165130–165150. DOI: 10.1109/ACCESS.2020.3022862
Amponis, G., Radoglou-Grammatikis, P., Lagkas, T., Mallouli, W., Cavalli, A., Klonidis, D., Markakis, E., Sarigiannidis, P., 2022. Threatening the 5G core via PFCP DoS attacks: The case of blocking UAV communications. EURASIP Journal on Wireless Communications and Networking 2022. DOI: 10.1186/S13638-022-02204-5
Coldwell, C., Conger, D., Goodell, E., Jacobson, B., Petersen, B., Spencer, D., Anderson, M., Sgambati, M., 2022. Machine learning 5G attack detection in programmable logic. 2022 IEEE GLOBECOM Workshops, GC Wkshps 2022 - Proceedings, 1365–1370. DOI: 10.1109/GCWKSHPS56602.2022.10008647
Ferrag, M. A., Friha, O., Hamouda, D., Maglaras, L., Janicke, H., 2022. Edge-IIoTset: A new comprehensive realistic cyber security dataset of IoT and IIoT applications for centralized and federated learning. IEEE Access 10, 40281–40306. DOI: 10.1109/ACCESS.2022.3165809
Goldschmidt, P., Chudá, D., 2025. Network intrusion datasets: A survey, limitations, and recommendations. Computers & Security 156, 104510. DOI: 10.1016/j.cose.2025.104510
Hamroun, C., Fladenmuller, A., Pariente, M., Pujolle, G., 2025. Intrusion detection in 5G and Wi-Fi networks: A survey of current methods, challenges, and perspectives. IEEE Access 13, 40950–40976. DOI: 10.1109/ACCESS.2025.3546338
Khan, M. S., Farzaneh, B., Shahriar, N., Saha, N., Boutaba, R., 2022. SliceSecure: Impact and detection of DoS/DDoS attacks on 5G network slices. In: 2022 IEEE Future Networks World Forum (FNWF). pp. 639–642. DOI: 10.1109/FNWF55208.2022.00117
Koroniotis, N., Moustafa, N., Sitnikova, E., Turnbull, B., 2019. Towards the development of realistic botnet dataset in the Internet of Things for network forensic analytics: Bot-IoT dataset. Future Generation Computer Systems 100, 779–796. DOI: 10.1016/j.future.2019.05.041
Moustafa, N., Slay, J., 2015. UNSW-NB15: A comprehensive data set for network intrusion detection systems (UNSW-NB15 network data set). In: 2015 Military Communications and Information Systems Conference (MilCIS). pp. 1–6. DOI: 10.1109/MilCIS.2015.7348942
Narciandi-Rodríguez, D., Martínez-Martínez, G., Aveleira-Mata, J., Bayón Gutiérrez, M., Alfonso-Cendón, J., García-Rodríguez, I., 2026. Design and capture of a 5G SA traffic dataset under jamming conditions. In: Rojas, I., Joya, G., Català, A. (Eds.), Advances in Computational Intelligence. Springer Nature Switzerland, Cham, pp. 261–273.
Narciandi-Rodríguez, D., Aveleira-Mata, J., García-Ordás, M. T., Alfonso-Cendón, J., Benavides, C., Alaiz-Moretón, H., 2025a. A cybersecurity review in IoT 5G networks. Internet of Things 30, 101478. DOI: 10.1016/j.iot.2024.101478
Narciandi-Rodríguez, D., Martínez-Martínez, G., Aveleira-Mata, J., Bayón Gutiérrez, M., Alfonso-Cendón, J., García-Rodríguez, I., 2025b. 5G-RaaS-UAD 5G Ransomware as a Service Attack – Under Attack Dataset. URL: https://figshare.com/s/160750e5d36974bb4c71?file=59439863
Noor, K., Imoize, A. L., Li, C.-T., Weng, C.-Y., 2025. A review of machine learning and transfer learning strategies for intrusion detection systems in 5G and beyond. Mathematics 13 (7), 1088. DOI: 10.3390/math13071088
Sharafaldin, I., Lashkari, A. H., Ghorbani, A. A., 2018. Toward generating a new intrusion detection dataset and intrusion traffic characterization. In: Proceedings of the 4th International Conference on Information Systems Security and Privacy (ICISSP). pp. 108–116. DOI: 10.5220/0006639801080116
Siriwardhana, Y., Samarakoon, S., Porambage, P., Liyanage, M., Chang, S.-Y., Kim, J., Kim, J., Ylianttila, M., 2025. Descriptor: 5G wireless network intrusion detection dataset (5G-NIDD). IEEE Data Descriptions 2, 11098458. DOI: 10.1109/IEEEDATA.2025.3592888
Tavallaee, M., Bagheri, E., Lu, W., Ghorbani, A. A., 2009. A detailed analysis of the KDD Cup 99 data set. In: 2009 IEEE Symposium on Computational Intelligence for Security and Defense Applications. pp. 1–6. DOI: 10.1109/CISDA.2009.5356528
Thakkar, A., Lohiya, R., 2020. A review of the advancement in intrusion detection datasets. Procedia Computer Science 167, 636–645. DOI: 10.1016/j.procs.2020.03.330
Vulhub, 2026. Vulhub - open-source vulnerable Docker environments. URL: https://vulhub.org/
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Diego Narciandi Rodríguez, Jose Aveleira-Mata, María Teresa García-Ordás, Hugo Bernardo-Garmilla, Javier Alfonso-Cendón, Isaías García-Rodríguez
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
