网络流量分类 Jev 概览：准确性、处理时间和成本

我们仅使用前十个数据包的大小、方向和数据包间时间，在 CESNET-QUICEXT-25 中的十个数据集定义的应用程序标签上评估 Jev。据我们所知，这是对通用决策模型（以 Jev 为代表）的第一个实证研究，用于网络流的应用分类。在训练期后 26 周收集的 52,000 条记录中，40 个固定标记示例将 Jev 的准确率从 9.80% 提高到 28.42%。在 8,000 条记录上训练的随机森林和额外树每周达到 69.95% 和 66.80%，并且优于 Jev。将 Jev 的上下文增加到 150 个示例，第一个测试周的收益率为 34.50%。在配对的 100 条记录子集中，具有 40 个示例的 Jev 在中位请求时间为 0.750 秒的情况下实现了 29% 的准确率，而通过 Azure 进行高推理工作的生成语言模型 OpenAI GPT-5.6 Sol 的准确率分别为 37% 和 6.036 秒； Jev 的 API 费用也较低。配对子集不会为任一服务建立准确性优势，并且时序反映了不同的服务配置。因此，标记的示例大大提高了 Jev，但测试的 Jev 配置仍然不如经过训练的树集成准确；不平等的监管预算和固定的配置阻止了将差距归咎于单一原因。