.png){kind=icon}
返回
A Lightweight Multi-Classification Model for Identifying Network Application Traffic Using Knowledge Distillation
.png){kind=icon}
OA
AI
DOI：10.3390/fi18040197.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为解决网络流量分类中特征表示不足、模型尺寸过大及部署成本高等问题，提出了一种基于多教师知识蒸馏的轻量级分类框架。该框架由两个异构教师网络和一个紧凑型学生网络组成，以在受限计算资源下实现端到端流量分类。教师网络融合了互补的时空建模策略，包括增强注意力机制的 bidirectional temporal convolutional network (BiTCN) 与卷积神经网络 (CNN)，以及集成 bidirectional long short-term memory (BiLSTM) 和 CNN 的并行时空融合架构。通过软目标监督将教师网络的集体知识蒸馏到轻量级 CNN 基础的学生网络中，在显著降低模型复杂度的同时提升了泛化能力。实验结果表明，在模型参数减少超过 80% 的同时实现了有效的知识迁移，相较于基线方法性能提升约 1–3%。这些结果证明了该框架在资源受限网络环境中的实际部署潜力。
Keyword:
network traffic identification
multi-classification
model compression
knowledge distillation
spatio-temporal feature fusion
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.6
论文数:
1.3K
被引数:
6.5K
机构
引用论文
.png){kind=icon}
分享收藏LKD-STNN: A Lightweight Malicious Traffic Detection Method for Internet of Things Based on Knowledge DistillationLkd-stnn: 一种基于知识蒸馏的轻量级物联网恶意流量检测方法
PREAI
分享收藏A novel approach for application classification with encrypted traffic using BERT and packet headers
PREAI
分享收藏Network traffic classification model based on attention mechanism and spatiotemporal features基于注意力机制和时空特征的网络流量分类模型
OAAI
OAAI分享收藏
查看更多内容