本论文回顾了广泛使用的网络入侵检测基准数据集CICIDS2017，对其数据收集流水线进行了深入分析，评估了数据集在流量生成、流构建、特征提取和标注方面的正确性、有效性和整体可用性。研究发现该数据集存在一系列严重问题：流量生成不符合实际网络环境、流构建存在错误、特征提取不一致、标签存在误标。这些问题严重影响了基于该数据集的机器学习模型的训练和评估。作者针对大部分缺陷提出了改进的数据处理方法，包括重新构建或重新标注了超过20%的原始流量记录。实验表明，在修正后的数据集上进行机器学习基准测试，模型性能得到显著提升，验证了数据质量问题对模型评估的巨大影响。本研究揭示了数据质量问题可能导致模型评估结果失真，并为类似数据集的构建和验证提供了预防建议。适合网络安全研究人员、数据科学家以及任何使用CICIDS2017进行入侵检测研究的人员阅读。