文章总结： 合肥工业大学等联合提出基于大语言模型的网络流量矩阵填补框架ARI-LLM，攻克了高缺失率数据还原难题。该框架利用自回归机制，具备强泛化与零样本能力，在90%缺失率下显著优于现有方法，误差降低34.7%，能适应未知拓扑，被IEEEINFOCOM顶会收录，为网络智能运维提供新方案。 综合评分： 88 文章分类： AI安全,网络安全,数据安全,解决方案

合肥工业大学顶会突破！ARI-LLM框架，攻克网络流量矩阵填补难题，缺失率90%仍精准还原

信息网络安全杂志

2026年1月29日 17:02 上海

以下文章来源于合工大计算机与信息学院 ，作者计算机与信息学院

合工大计算机与信息学院 .

青春相伴，‘计’得有你。 合工大计算机与信息学院感谢您的关注。

在数字时代，网络流量矩阵如同数据洪流的“隐形地图”，是网络调度、资源优化与故障排查的核心依据。然而，完整采集流量矩阵成本极高，现实中常面临数据残缺问题，而现有填补方法泛化能力弱、面对新网络需频繁重训，成为网络智能运维的关键瓶颈。

近日，合肥工业大学团队联合香港理工大学、北京邮电大学、电子科技大学共同攻关，提出全新流量矩阵填补框架ARI-LLM，以大语言模型赋能网络智能，成功破解这一行业痛点！该项工作由合肥工业大学与香港理工大学、北京邮电大学、电子科技大学合作完成，我院2022级计算机科学与技术专业本科生颜凤麟、江凯文（为共同第一作者）撰写的论文被顶级会议IEEE INFOCOM收录，我院乔焰副教授和李萌副研究员为通讯作者。IEEE INFOCOM是网络领域公认的顶级会议之一（CCF A类会议），年均论文录用率不足19%，更印证了该项工作的学术价值与技术突破。

论文简介

论文标题：

ARI-LLM: Autoregressive Imputation for Network Traffic Matrix via Large Language Models

论文作者：

Fenglin Yan, Kaiwen Jiang, Yan Qiao*, Meng Li*, Yuxuan, Li, Peng Yu, Cuiying Feng.

图1 ARI-LLM的框架：预训练大语言模型的多头注意力层被冻结，以保持其通用语言

流量矩阵（Traffic Matrix, TM）对网络管理至关重要，但完整采集成本高昂。现有基于机器学习的TM填补方法泛化能力弱，且在网络变化或面对新网络时需频繁重训。本文提出ARI-LLM——一种基于大语言模型（LLM）的新框架，通过类人“由粗到精”的自回归机制逐步优化缺失TM，天然兼容LLM预训练范式，具备强泛化与零样本能力。此外，还设计了流量感知的分词方案，支持即插即用、拓扑自适应的部署。实验表明，ARI-LLM在缺失率超90%的大规模稀疏TM上显著优于现有方法，填补误差最多降低34.7%，即使在完全未知的网络拓扑中，亦表现出稳健的填补性能。

IEEE INFOCOM 作为国际计算机通信领域的顶级会议，是全球网络学者交流创新成果的核心平台，始终以推动通信网络技术创新与学术交流为核心使命，如今已成为中国计算机学会（CCF）认证的A类会议，也是IEEE Communications Society（IEEE通信学会）主办的旗舰级学术会议，在行业内享有极高的学术声誉与国际影响力。

来源：合工大计算机与信息学院微信公众号

信息网络安全

《信息网络安全》创刊于2001年，是由公安部主管，公安部第三研究所、中国计算机学会主办，面向国内外公开发行的国内首批信息安全类期刊之一，于2015年成为中国科技核心期刊，2017年成为中国科学引文数据库来源期刊，2018年成为中文核心期刊，2022年入选CCF计算领域高质量科技期刊分级目录。

中文核心期刊

中国科技核心期刊

中国科学引文数据库来源期刊

CCF计算领域高质量科技期刊

我们在不断努力和完善中，期待您的关注和支持！

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：信息网络安全杂志 《合肥工业大学顶会突破！ARI-LLM框架，攻克网络流量矩阵填补难题，缺失率90%仍精准还原》