Détection d'attaques 5G par apprentissage automatique sur logique programmable

La sécurité des réseaux assistée par apprentissage automatique peut contribuer de manière significative à la protection des composants 5G. Toutefois, l'inférence de sécurité des réseaux basée sur l'apprentissage automatique nécessite généralement de quelques dizaines à plusieurs centaines de millisecondes, entraînant ainsi une latence importante dans les opérations 5G. Cette latence peut être réduite en déployant le modèle d'apprentissage automatique sur la logique programmable d'une FPGA (Field-Programmable Gate Array), moyennant une légère perte de précision. Afin de quantifier cette perte, ainsi que d'établir une référence de performance en termes de latence d'inférence pour les implémentations sur logique programmable, cette étude explore l'emploi d'un autoencodeur et d'un autoencodeur variationnel β sur deux plateformes d'évaluation FPGA différentes, et compare leurs performances en précision et en efficacité à celles d'une implémentation sur GPU NVIDIA A100. Un jeu de données 5G publiquement disponible, comprenant dix types d'attaques ainsi que du trafic normal, est intégré dans le cadre de cette évaluation.