قد يسهم أمن الشبكات المدعوم بالتعلم الآلي بشكل كبير في ضمان أمان مكونات 5G. ومع ذلك، فإن استنتاج أمن الشبكات القائم على التعلم الآلي يتطلب عادةً من عشرات إلى مئات الميلي ثانية، مما يؤدي إلى تأخير كبير في عمليات 5G. ويمكن تقليل زمن التأخير في الاستنتاج من خلال نشر نموذج التعلم الآلي على المنطق القابل للبرمجة في وحدة مصفوفة الأبواب القابلة للبرمجة (FPGA)، بمقابل خسارة طفيفة في الدقة. ولقياس هذه الخسارة، بالإضافة إلى تحديد أداء زمن الاستنتاج الأساسي للتنفيذ على المنطق القابل للبرمجة، تقوم هذه الدراسة بتحليل نموذج مُشفِّر تلقائي (autoencoder) ونموذج مُشفِّر تلقائي متغير بيتا (β-variational autoencoder) مُنفَّذين على لوحتي تقييم مختلفتين من وحدات FPGA، ومقارنتهما من حيث الدقة والأداء مع نموذج مُنفَّذ على وحدة معالجة رسومات NVIDIA A100. كما تم تقديم مجموعة بيانات عامة لشبكات 5G تحتوي على 10 أنواع من الهجمات إلى جانب حركة مرور طبيعية، كجزء من عملية التقييم.