基于 QUIC 域识别预训练的通用嵌入函数用于流量分类：一项迁移学习的成功
机器学习
2026-01-21 v2 网络与互联网体系结构
摘要
加密流量分类方法必须适应新协议和扩展以及机器学习领域的其他进展。在本文中，我们采用了计算机视觉中最著名的迁移学习设置。我们首先在一个具有大量类别的复杂任务上预训练嵌入模型，然后将其迁移到七个已建立的流量分类数据集。预训练任务是识别加密 QUIC 流量中的 SNI 域，这本身由于 TLS Encrypted Client Hello 的广泛采用而对网络监控构成挑战。我们的训练流水线——采用不相交类别设置、ArcFace 损失函数和现代深度学习架构——旨在产生适用于跨任务的通用嵌入。基于模型微调的迁移方法在十项下游流量分类任务中的九项上超越了 SOTA 性能，平均提升 6.4%。此外，与使用原始数据包序列的基线方法的比较揭示了具有对更广泛流量分类领域潜在影响的意外发现。我们发布了模型架构、训练权重和迁移学习实验的代码库。
引用
@article{arxiv.2502.12930,
title = {Universal Embedding Function for Traffic Classification via QUIC Domain Recognition Pretraining: A Transfer Learning Success},
author = {Jan Luxemburk and Karel Hynek and Richard Plný and Tomáš Čejka},
journal= {arXiv preprint arXiv:2502.12930},
year = {2026}
}