摘要

机器学习辅助的网络安全技术有望在保障5G组件安全方面发挥重要作用。然而，传统的机器学习网络安全推理通常需要数十至数百毫秒的响应时间，这在5G网络中会引入显著的延迟。通过将机器学习模型部署于现场可编程门阵列（FPGA）中的可编程逻辑单元，可在牺牲少量精度的前提下显著降低推理延迟。为量化该精度损失，并建立可编程逻辑实现的基准推理延迟性能，本文在两块不同型号的FPGA评估板上部署了自编码器（autoencoder）与β-变分自编码器（β-variational autoencoder），并将其在精度与性能方面与基于NVIDIA A100图形处理单元（GPU）的实现方案进行对比分析。此外，本研究还引入了一个公开可用的5G数据集，该数据集包含10类网络攻击流量以及正常业务流量，作为评估的基础。