머신러닝을 활용한 프로그래머블 로직에서의 5G 공격 탐지

머신러닝을 활용한 네트워크 보안은 5G 구성 요소의 보안 강화에 크게 기여할 수 있다. 그러나 일반적으로 머신러닝 기반 네트워크 보안 추론은 수십에서 수백 밀리초의 지연을 요구하므로 5G 운영에 상당한 지연을 초래한다. 이러한 추론 지연은 프로그래머블 로직을 갖춘 현장 프로그래머블 게이트 어레이(FPGA)에 머신러닝 모델을 배포함으로써 감소시킬 수 있으며, 이는 정확도의 소량 손실을 감수하는 대가로 가능하다. 본 연구에서는 이러한 정확도 손실을 정량화하고, 프로그래머블 로직 구현에 대한 기준 성능 추론 지연을 설정하기 위해, 두 종류의 FPGA 평가 보드에 각각 자동에코더(autoencoder)와 β-변분 자동에코더(β-variational autoencoder)를 배포하고, NVIDIA A100 그래픽스 처리 장치(GPU) 구현과 정확도 및 성능을 비교하였다. 또한 평가의 일환으로, 정상 트래픽과 함께 10종류의 공격을 포함하는 공개된 5G 데이터셋이 도입되었다.