企业网络故障预测与威胁识别的多模态自监督蒸馏方法

来源：计算机测量与控制杂志2026年第5期北京时间：

作者：曾浩

单位：中国融通集团信息技术有限公司

摘要：为解决现代企业网络中故障预测与安全威胁识别面临的数据稀缺、模型泛化能力弱及部署效率低等问题,本文提出一种基于多模态自监督表征与跨域知识蒸馏(Multimodal Self-Supervised Knowledge Distillation, MM-SSKD)的企业网络故障预测与安全威胁识别统一框架。具体地,提出包含跨模态一致性约束的增强型多模态掩码自编码(Augmented MM-MAE)并引入随机模态丢弃以提升缺模态鲁棒性；同时提出类条件相关性对齐(C-CORAL),结合置信筛选与类别重权重实现类别粒度的二阶统计对齐。在目标域上以少量标注进行多任务联合学习,并配合温度缩放完成概率校准与阈值决策。实验显示,相对最佳公开基线在数据集上RMSE下降约15.8%、F1提升约4.0%,低标注比例更具优势,并在缺模态与跨域场景中保持稳定。同时,蒸馏得到的轻量学生模型便于部署到边缘与资源受限环境,在保持主要精度指标的条件下,对缺模态与跨域漂移表现出较好的稳健性；配合t-SNE/CKA与ECE/Brier等分析与KPI模拟(MTTD/MTTR),验证了该方法在实际应用中的高效性与可行性。

关键词：多模态表征;自监督学习;知识蒸馏;故障预测;威胁识别