- 论文公开站arXiv
基于适配器的少样本持续学习用于恶意数据包识别
Adapter-Based Few-Shot Continual Learning for Malicious Packet Recognition
摘要显示，针对恶意软件变体持续演化，作者提出一种基于适配器的少样本类增量学习框架，用于恶意数据包识别。该方法使用自监督学习骨干网络，并通过领域特定预训练初始化，在基础会话中采用低秩适配（LoRA）微调，同时冻结核心骨干以保留旧知识，增量会话使用原型分类头。实验表明，该方法在多个数据集上优于现有恶意软件FSCIL基线，达到最先进性能。
意义：该研究为恶意软件检测提供了一种高效的持续学习方案，能适应新威胁而不遗忘旧知识，对网络安全领域的AI模型部署具有实用价值。