多样本还是少样本？加密流量分类中迁移学习、对比学习与元学习的比较
机器学习
2023-06-06 v2 网络与互联网体系结构
摘要
深度学习（DL）的流行，加上因 HTTPS、QUIC 与 DNS-SEC 采用增多导致的网络流量可见性降低，重新引发了对流量分类（TC）的兴趣。然而，为摆脱对任务特定大型标注数据集的依赖，我们需要寻找跨任务有效的更好表示学习方法。本文通过比较迁移学习、元学习与对比学习以及作为参照的基于树的机器学习（ML）模型和整体式 DL 模型（共 16 种方法）来研究该问题。使用两个公开数据集，即 MIRAGE19（40 类）与 AppClassNet（500 类），我们表明：（i）使用大型数据集可获得更具通用性的表示；（ii）对比学习是最佳方法，而（iii）元学习是最差方法；（iv）基于树的 ML 无法处理大型任务但很适合小型任务，而通过复用所学表示，DL 方法在小型任务上也达到了基于树的模型性能。
引用
@article{arxiv.2305.12432,
title = {Many or Few Samples? Comparing Transfer, Contrastive and Meta-Learning in Encrypted Traffic Classification},
author = {Idio Guarino and Chao Wang and Alessandro Finamore and Antonio Pescape and Dario Rossi},
journal= {arXiv preprint arXiv:2305.12432},
year = {2023}
}
备注
to appear in Traffic Measurements and Analysis (TMA) 2023