基于知识蒸馏的DoH流量分类OA

为应对传统深度学习方法在DoH流量分类中面临的对大量标注数据的依赖、过拟合风险高和模型解释性差等挑战,提出了一种基于知识蒸馏的DoH流量分类方法。首先,设计了一个包含2个卷积层和2个全连接层的卷积神经网络(convolutional neural network,CNN),用于学生模型与教师模型训练。其次,初始化学生模型和教师模型,使教师模型为学生模型的深度拷贝且参数固定。最后,通过分类损失和一致性损失的加权和进行训练,并使用指数移动平均更新教师模型参数,以提供更稳定的指导。在CIRA-CIC-DoHBrw-2020数据集上的实验结果表明,相较于传统1D-CNN模型,该方法的精确率、召回率、F1分数分别提升了0.13、0.63、0.40百分点,证明了知识蒸馏在提升模型性能方面的有效性。