为了解决网络流量分类中特征表示不足、模型规模庞大和高部署成本的局限性，提出了一种基于多教师知识蒸馏的轻量级分类框架。该框架由两个异构教师网络和一个紧凑的学生网络组成，以便在受限的计算资源下实现端到端的流量分类。教师网络结合了互补的时空建模策略，包括增强了注意力机制的双向时间卷积网络（BiTCN）和卷积神经网络（CNN），以及整合了双向长短期记忆（BiLSTM）和CNN的并行时空融合架构。通过软目标监督，将教师集合中的知识蒸馏到基于CNN的轻量级学生网络中，从而在显著降低模型复杂度的同时提高了泛化能力。实验结果表明，实现了有效的知识转移，同时模型参数减少超过80%，与基线方法相比性能提升约1-3%。这些结果表明在资源有限的网络环境中具有强大的实际应用潜力.
Li等（周）研究了这个问题.