基于可扩展联邦遗忘学习的加密网络流量分类方法

本发明涉及人工智能的技术领域，涉及基于可扩展联邦遗忘学习的加密网络流量分类方法，特别适用于在网络管理、网络服务质量保障领域，在保障分类准确率的同时兼顾了应用动态变化的场景，包括：客户端在本地构建包含特征提取层参数和全连接分类器层参数的联邦模型；将本地数据集在模型上进行本地训练，获得特征提取参数和全连接层参数；客户端请求删除数据时，启用辅助遗忘模块，通过学习模块和辅助遗忘模块之间执行蒸馏操作，生成遗忘模块；训练结束后，采用模块化方式构建可适应不同应用场景的全局模型。通过本地模型初始化、本地数据训练、辅助遗忘模块训练和模块自适应聚合，大大提高了模型分类的准确率和高度适应性。