IoTボットネット攻撃の増加に対抗するため、最先端の深層学習手法が提案され、その検出精度が驚異的な成果を上げています。しかし、それらは計算リソースを大量に消費するため、リソース制約のあるIoTデバイスへの展開が難しいという課題があります。この研究では、VAE-MLPモデルフレームワークを提案し、事前トレーニングされた変分オートエンコーダ（VAE）から得た8次元の潜在ベクトルに基づくMLP分類器を訓練しました。量子化に関する二つの戦略、量子化対応トレーニング（QAT）とトレーニング後量子化（PTQ）が、その検出性能、ストレージ効率、推論遅延に与える影響について体系的に評価されました。結果として、QATは検出精度が著しく低下したのに対し、PTQは元のモデルと比較してわずかな減少のみで済みました。PTQは6倍の速度向上と21倍のサイズ削減を実現し、QATは3倍の速度向上と24倍の圧縮を達成しました。これにより、デバイスレベルでのIoTボットネット検出における量子化の実用性が示されました。