arXiv cs.AI· Giampaolo Bovenzi, Domenico Ciuonzo, Jonatan Krolikowski, Antonio Montieri, Alfredo Nascita, Antonio Pescap\`e, Dario Rossi·· 1 天前AI 评分20
轻量级 GenAI 用于网络流量生成：保真度、增强与分类
Lightweight GenAI for Network Traffic Generation: Fidelity, Augmentation, and Classification
AI 导读
研究提出一套模块化轻量级 GenAI 流程，用早期包头信息合成紧凑的流级流量表示，使 Transformer、状态空间和扩散模型仅需几百万参数即可生成网络流量。在两个异构数据集上，轻量 Transformer 与状态空间模型能保留流量的静态与时序特征，并为下游网络流量分类提供有用的合成数据；其中 Transformer 在保真度与效率之间取得最佳平衡。
正文 · AI 翻译
摘要：网络流量分类（NTC）日益依赖数据驱动模型，但其实际部署往往受限于标注数据有限、严格的隐私要求以及采集代表性流量轨迹的成本。虽然网络流量生成（NTG）为缓解数据稀缺提供了有效手段，但传统生成方法难以对现代流量的复杂时间动态进行建模，且通常计算成本高昂。本文研究面向实用 NTG 的轻量级生成式人工智能（GenAI）架构。我们不生成原始数据包字节，也不依赖大型基础模型，而是基于早期数据包头信息合成紧凑的流级流量表示，使基于 Transformer、状态空间和扩散的模型仅需数百万参数即可运行。我们提出了一套用于 NTG 的模块化 GenAI 流水线，并从四个互补维度对其进行评估：(i) 合成流量保真度，(ii) 仅用合成数据训练以减少 NTC 中的原始数据共享，(iii) 低数据量条件下的数据增强，以及 (iv) 计算效率。在两个异构数据集上的实验表明，轻量级基于 Transformer 和状态空间的模型既能保留静态和时序流量特征，又能为下游 NTC 提供有用的合成数据。其中，基于 Transformer 的模型在保真度与效率之间取得了最佳权衡，兼具高质量流量生成与适中的计算开销。
| 评论： | 11 页，4 幅图，3 张表，4 个研究问题，预印本提交至 Elsevier Computer Networks |
| 主题： | 网络与互联网架构（cs.NI）；人工智能（cs.AI）；机器学习（cs.LG） |
| ACM 分类： | C.2.3；C.2.4；C.2.5；I.2.1；I.2.m |
| 引用为： | arXiv:2603.25507 [cs.NI] |
| （或本版本的 arXiv:2603.25507v3 [cs.NI]） | |
| https://doi.org/10.48550/arXiv.2603.25507 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Antonio Montieri [查看邮箱]
[v1]
2026 年 3 月 26 日星期四 14:45:04 UTC（1,262 KB）
[v2]
2026 年 8 月 25 日星期二 11:59:01 UTC（1,510 KB）
[v3]
2026 年 11 月 11 日星期三 15:00:52 UTC（1,592 KB）
来源：arXiv cs.AI · arxiv.org