5G 및 IoT 환경에서 QoS 관리와 보안을 위해 효과적인 네트워크 트래픽 흐름 분류가 중요합니다. 기존의 중앙 집중식 머신러닝은 분산된 데이터 및 프라이버시 문제에 어려움을 겪고, 기존의 연합 학습 방식은 높은 비용과 낮은 일반화 성능을 보입니다. HFL-FlowLLM은 이러한 문제를 해결하기 위해, 대규모 언어 모델을 이종 연합 학습 기반 네트워크 트래픽 흐름 분류에 처음으로 적용한 프레임워크입니다. 제안된 방식은 기존의 최첨단 이종 연합 학습 방식 대비 평균 F1 점수를 약 13% 향상시키고, 기존 대규모 언어 모델 연합 학습 프레임워크보다 훈련 비용을 약 87% 절감하면서 평균 F1 점수를 최대 5% 향상시켰습니다.
