Mamba4Net: Distilled Hybrid Mamba Large Language Models For Networking

文章总结与翻译一、主要内容本文针对基于Transformer的大型语言模型（LLMs）在网络领域应用时存在的二次时间复杂度、模型体积庞大、计算开销高和存储冗余等问题，提出了一种名为Mamba4Net的跨架构知识蒸馏框架。该框架借鉴Deepseek-R1模型的知识蒸馏思路，将Transformer-based LLMs中的网络特定知识迁移到具有线性时间复杂度的Mamba架构学生模型中，在降低计算需求和模型尺寸的同时，保证任务性能。Mamba4Net的核心组件包括多模态编码器（处理异构网络数据并转换为统一嵌入）、任务特定网络头（避免模型幻觉，输出标准化结果）和师生模型框架（实现跨架构知识迁移）。为解决跨架构蒸馏的不稳定性和维度不匹配问题，框架提出了领域知识导向的跨异构蒸馏（DKO）和跨异构权重复用（CWR）两种关键技术，并通过低秩适配（LoRA）优化教师模型的微调过程。实验在视口预测（VP）、自适应比特率流（ABR）和集群作业调度（CJS）三个网络任务上展开，结果显示：与非LLM方法相比，Mamba4Net性能更优；与基于Transformer的LLMs（如NetLLM）相比，吞吐量提升3.96倍，模型存储仅为前者的5.48%，且在VP和CJS任务中性能显著优于基线，ABR任务性能接近最优水平。二、创新点跨架构知识蒸馏框架：提出DKO方法，首次实现从Transformer-based LLMs到Mamba架构的网络特定知识蒸馏，将时间复杂度从二次降至线性，同时过滤无关知识。跨异构权