本文提出了3LC，一种新的损耗压缩方案，它通过三个新技术——3值量化、稀疏乘法、四次编码和零运行编码的组合，实现了在保持模型精度的同时，实现了高数据压缩比和高压缩速度，可用于分布式ML框架的通信优化。
Feb, 2018
本文介绍了一个使用深度强化学习的方法来解决计算机网络中数据包分类的问题，通过策略生成决策树来优化分类时间和内存需求，并将其称为 NeuroCuts。研究表明，NeuroCuts 在分类时间中的中位数上优于现有的手工算法，可以提高达18％，并且可以将时间和内存占用优化多达 3 倍。
Feb, 2019
本文提出了一种可扩展的基于学习的数据包分类引擎，通过深度强化学习构建不同规则集的有效数据结构，并使用不同的分组度量构建单独的决策树，结果显示，SD分解度量比DI度量快11.5％，比随机2快25％，比随机1快40％。
May, 2022
该论文探讨了在软件定义网络中，设计低成本的本地算法来预测端到端的延迟，以满足特定应用程序的服务质量需求。研究提出了几种低复杂度的方法来预测延迟，并在公共数据集上比较了其预测和训练时间与准确性。
Jan, 2023
利用深度学习和循环自编码器结合软硬件协同设计，实现高速网络中基于数据包的网络入侵检测，同时具备高检测准确性和解释能力。
Nov, 2023
该论文介绍了ServeFlow，一个针对网络流量分析任务的机器学习模型服务解决方案，它通过仔细选择收集数据包的数量和应用于各个流量的模型，实现最小延迟、高服务速率和高准确性之间的平衡。
Feb, 2024
通过在数据平面上实现一个新颖的适合递归神经网络的架构，并结合基于变压器的模块，该研究论文介绍了BoS，其可以实现线性速度的智能网络数据平面，从而在流量分析的准确性和扩展性方面超过现有技术。
Mar, 2024
网络流量分析是网络管理、故障排除和安全性的基础。本文提出了一种基于多模态自动编码器（MAE）的深度学习（DL）体系结构，用于解决不同的流量分析任务，其中包括流量分类（TC）任务。研究结果表明，MAE体系结构在TC任务中能够与现有解决方案相媲美甚至更好，同时避免了繁琐的特征工程，从而简化了采用DL方法进行流量分析的过程。
May, 2024
通过使用机器学习网络，本文针对多信道随机接入网络中的突发流量，提出了一种轻量级灵活的框架，并通过在线预测算法实时更新网络状态，实现了对突发流量的准确预测，提高了长期预测精度达到52%。
网络流量分类是一个重要的研究领域，追求提升服务质量、简化网络管理和加强网络安全。NetMamba是一个高效的线性时间状态空间模型，具备全面的流量表示方案，以应对传输加密技术不断复杂化带来的挑战，并利用改进后的Mamba架构取代Transformer，实现了更高的效率和准确性。