网络安全 | 面向网络中心运维的轻量化安全大模型微调方法
网络安全 | 面向网络中心运维的轻量化安全大模型微调方法
摘 要:网络中心化运维体系的智能化升级依赖于大语言模型的高效部署,然而资源受限的边缘环境与动态对抗威胁对传统微调方法构成双重挑战。现有方案往往孤立处理计算效率与模型安全问题,导致轻量化策略削弱防御能力或安全机制加剧资源消耗。针对这一矛盾,本文提出一种轻量化安全协同微调框架(LST-Framework),通过动态参数稀疏化与多层级防御实现多目标优化。该方法首先构建任务敏感型参数动态激活策略,基于Hessian矩阵谱分析识别冗余权重并建立稀疏微调路径,使计算复杂度降低至全参数微调的23%。同时,设计包含对抗性输入检测、轻量化梯度屏蔽与输出不确定性验证的三级防御体系,在仅增加8%推理开销的前提下实现对白盒攻击的鲁棒性增强。实验表明,在CIC-IDS2017等典型网络运维数据集上,LST框架相较LoRA+对抗训练的基准方案,在保持98.3%原始任务精度的同时,将内存占用压缩51.7%,推理延迟减少32.4%,并成功抵御94.6%的PGD白盒攻击。该成果为5G核心网、工业物联网等低资源高安全场景的大模型落地提供了理论支撑与技术范式。