量化 VAE-MLP 僵尸网络检测模型：系统评估量化感知训练与后训练量化策略
机器学习
2025-11-06 v1 人工智能
摘要
为应对日益增长的物联网 (IoT) 僵尸网络攻击，已提出并取得显著检测精度的深度学习方法。然而，其计算密集性限制了在资源受限的 IoT 设备上部署，制造了对轻量级检测模型的迫切需求。一种常见解决方案是通过量化实现模型压缩。本研究提出了 VAE-MLP 模型框架，其中 MLP 基于从高维训练数据中由变分自编码器 (VAE) 编码器组件派生的 8 维潜在向量训练 MLP 分类器。随后系统评估了两种广泛使用的量化策略——量化感知训练 (QAT) 和后训练量化 (PTQ)——在两种基准 IoT 僵尸网络数据集 (N-BaIoT 和 CICIoT2022)上的检测性能、存储效率和推理延迟。结果显示，QAT 策略在检测精度方面经历了更明显的下降，而 PTQ 只会造成轻微的损失，相对于原始未量化模型。此外，PTQ 实现了 6 倍加速和 21 倍大小减，而 QAT 实现了 3 倍加速和 24 倍压缩，表明量化对于设备级 IoT 僵尸网络检测具有实际可行性。
关键词
引用
@article{arxiv.2511.03201,
title = {A Quantized VAE-MLP Botnet Detection Model: A Systematic Evaluation of Quantization-Aware Training and Post-Training Quantization Strategies},
author = {Hassan Wasswa and Hussein Abbass and Timothy Lynar},
journal= {arXiv preprint arXiv:2511.03201},
year = {2025}
}