基于大语言模型和联邦学习的恶意流量安全分类研究OACHSSCD

[目的]恶意流量的组织化、智能化和隐蔽化趋势对现有安全情报检测机制的准确性、实时性及可扩展性提出严峻挑战,实现恶意流量安全分类对于提升检测精准度、构建主动防御体系、强化网络安全治理具有重要意义。[方法]提出了一种基于联邦学习和大语言模型的恶意流量安全分类模型MTSC-FLLLM。通过设计结合结构引导、语义填充、数值扰动的数据增强框架,利用大语言模型生成高质量少数类样本;融合流量专用BERT与动态胶囊网络实现多层次语义建模,增强对攻击特征的理解;进一步将差分隐私机制嵌入联邦学习,保障数据隐私与模型安全。[结果/结论]研究表明,MTSC-FLLLM模型在CICIDS2017数据集上的F1值达到83.11%,较之各基线模型,该模型在恶意流量分类任务中表现优异。MTSC-FLLLM模型在基于差分隐私的联邦学习框架下,通过数据增强和流量语义编码实现恶意流量的安全分类,为安全情报体系的持续性进步提供了有效参考。