基于联邦半监督学习的流量分类方法

为保护流量数据隐私,并针对服务器分布少量标注流量,客户端非独立同分布大量未标注流量且互不共享带来的模型难以聚合得到流量分类模型的问题,提出基于联邦半监督学习的流量分类方法来解决.采用参数分解策略,最小化有无监督学习任务间的互相干扰.利用客户端间一致性正则化最大化相似网段间客户端共识,解决多变小样本数据的学习问题.此外,在联邦学习参数传递过程中只传递稀疏化参数差异矩阵.实验结果表明,该方法能够在保证参与客户端流量数据隐私安全的前提下实现多方未标注流量的共享与学习,分类准确率达到91.86%,通信成本也得到明显改善.