香港浸會大學學者與印度院所合作，針對現代深度學習解決方案的一個致命缺陷，提出了解決之道。目前的方案常常假設數碼世界是靜止不變的。團隊從而提出透過持續監測系統自身的不確定性，在遇到無法識別的流量時自動更新，同時平衡了貝葉斯架構的不確定性建模和高速決策性能的需要，以有效解決網路適應性的核心挑戰。研究成果已刊於《IEEE Internet of Things Journal》。

論文：

• https://ieeexplore.ieee.org/document/11408206

研究背景

物聯網的蓬勃發展帶來了前所未有的網路數據激增，這些數據大都受到進階安全協定的嚴密保護。不過，傳統以連接埠為基礎（Port-based）和深度封包檢測（DPI）的方法在加密和動態連接埠使用的情況下已失效，於是促使了基於機器學習與深度學習（ML/DL）的加密流量分析發展。

然而，後者也存在一個致命缺陷，它們假設數碼世界是靜止不變的，假設流量分佈靜態、應用程式集也是固定的。這問題限制了它們在現實世界流量演變下的穩健性。

研究成果

浸大計算機科學系戴弘寧博士與 ABV 印度資訊科技與管理學院的學者合作，提出系統可透過持續監測自身的不確定性，在遇到無法識別的流量時自動更新。

該框架的核心創新在於策略性分工，平衡了深度的統計感知與高速決策能力：系統並非在所有環節都使用高成本的貝葉斯架構，而是將工作拆分為多個獨立且專業化的組件。其中，代理貝葉斯神經網路（BNN）專責評估預測置信度，並識別數據分佈何時開始偏移。同時，一組傳統的高速確定性模型，如梯度提升樹（Gradient-boosted tree）和多層感知器，則負責快速處理原始流量特徵，以確保異質歸納偏差（Heterogeneous inductive biases）與低預測相關性（Low prediction correlation）。隨機森林元分類器（Random forest meta-classifier）作為最終決策者，將所有這些輸出融合成單一的分類結果。至於未知流量的標記，則利用海林格距離（Hellinger distance）直接從貝氏輸出中評估預測的不穩定性，從而避免傳統較繁重的正規化步驟。

這種混合設計，將貝葉斯推理中獲得的認知不確定性、及樹狀模型的判別特徵學習相結合，實現了穩健性，且保持了極低的運算負擔。

具體而言，當輸入的數據包產生混亂或極度不穩定的預測時，該框架會計算出一個專門的「熟悉度評分」。如果不穩定性超過某個閾值，且熟悉度評分過低，系統會將該流量加以標記，以待檢查。每當新應用程式改變網路流量時，系統不會強行耗費巨大資源的重新全量訓練，而是依賴選擇性數據收集。被標記的未知數據包會被捕獲、過濾並緩衝到擴展的知識庫中，而隨機森林元分類器會進行快速、輕量化的重新訓練步驟以吸收新資訊。

在針對基準 ISCX 2016 數據集（該數據集追蹤了瀏覽、郵件、串流媒體和網路電話等活動的加密流量）的嚴格測試中，這款混合元學習器的表現超越了現有的先進模型，可靠性顯著提升，實現了高達 95.7% 的準確率和 0.95 的 macro-F1 分數。

如欲知道更多教科相關消息，請留意京港 Facebook 專頁：https://www.facebook.com/BHKAEC