A Quantized VAE-MLP Botnet Detection Model: A Systematic Evaluation of Quantization-Aware Training and Post-Training Quantization Strategies
Created by
Haebom
Category
Empty
저자
Hassan Wasswa, Hussein Abbass, Timothy Lynar
개요
IoT 봇넷 공격 증가에 대응하기 위해, 본 연구는 경량화된 딥러닝 모델 개발에 초점을 맞추어, VAE-MLP 모델 프레임워크를 제안합니다. 이 모델은 사전 학습된 변형 오토인코더(VAE)의 인코더를 사용하여 고차원 훈련 데이터로부터 추출된 8차원 잠재 벡터에 기반한 MLP 기반 분류기를 사용합니다. 양자화 기법(QAT 및 PTQ)을 적용하여 IoT 봇넷 탐지 성능, 저장 효율성 및 추론 지연 시간에 미치는 영향을 N-BaIoT 및 CICIoT2022 데이터셋으로 평가했습니다.
시사점, 한계점
•
시사점:
◦
PTQ 기법이 원래의 비양자화 모델에 비해 탐지 정확도 감소가 미미했습니다.
◦
PTQ는 6배 속도 향상과 21배 크기 감소를, QAT는 3배 속도 향상과 24배 압축을 달성하여, 양자화가 디바이스 수준의 IoT 봇넷 탐지에 실용적임을 입증했습니다.
