BriefGPT - AI 论文速递
·
一个训练实现两个任务的框架：使用监督对比学习的加密流量分类
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文介绍了CLE-TFE模型，通过对比学习增强数据表示，捕捉字节之间的细粒度语义无关特性，并使用跨级多任务学习完成分类任务。实验结果显示，CLE-TFE在两个任务上表现最佳，计算开销仅为预训练模型的1/14。
🎯
关键要点
- 提出了一种名为对比学习增强时域融合编码器（CLE-TFE）的有效模型。
- 使用监督对比学习增强数据包级别和流级别的表示。
- 对字节级流量图进行图数据增强，以捕捉字节之间的细粒度语义无关特性。
- 提出了跨级多任务学习，使用同一模型同时完成数据包级别和流级别的分类任务。
- 实验结果显示，CLE-TFE在两个任务上表现最佳。
- CLE-TFE的计算开销仅为预训练模型（如ET-BERT）的1/14。
➡️
