Краткое содержание

arXiv:2511.14199v1 Тип объявления: новое Аннотация: В современных коммуникационных сетях, управляемых технологиями 5G и Интернета вещей (IoT), эффективная классификация сетевых потоков является критически важной для управления качеством обслуживания (Quality of Service — QoS) и обеспечения безопасности. Традиционные централизованные методы машинного обучения сталкиваются с проблемами распределенных данных и вопросами конфиденциальности в таких разнородных средах, тогда как существующие подходы к федеративному обучению страдают от высоких затрат и плохой обобщаемости. Для решения этих проблем мы предлагаем HFL-FlowLLM, который, насколько нам известно, является первой архитектурой, применяющей большие языковые модели к классификации сетевого трафика в рамках гетерогенного федеративного обучения. По сравнению с современными методами гетерогенного федеративного обучения для классификации сетевых потоков предложенный подход улучшает средний показатель F1 примерно на 13%, демонстрируя убедительные результаты и высокую устойчивость. При сравнении с существующими фреймворками федеративного обучения больших языковых моделей, как