PERO：用于加密流量分类的高效稳健 后训练 基础模型

加密流量分类对于网络安全至关重要，但现实世界的部署本质上对罕见但高损失的错误（例如恶意流量的错误分类）很敏感。加密流量基础模型作为一种有前途的通用技术，可以实现令人印象深刻的整体性能。然而，采用经验风险最小化等标准目标往往会忽视高风险尾部事件，而常用的绩效指标很难反映风险敏感场景中的鲁棒性限制。对于大型模型来说，直接将稳健的优化目标（例如条件风险值）应用于 后训练 在计算上是禁止的，因为识别高损失样本会耗尽大量计算。为此，我们提出了预评估鲁棒优化（PERO），这是一种用于加密流量基础模型的高效鲁棒 后训练 框架。 PERO 采用轻量级代理来估计样本风险，并选择高风险样本的子集来更新基础模型，从而将风险估计与昂贵的大型模型优化解耦。对典型加密流量数据集的大量实验表明，与出色的鲁棒 后训练 方法相比，PERO 实现了竞争或卓越的鲁棒性和平均性能，同时显着降低了计算和内存成本。