该论文针对分布式拒绝服务(DDoS)攻击检测面临的两大挑战展开研究：一是攻击手法不断演进，生成式 AI 被用于构造更难识别的攻击流量，传统基于规则的防火墙难以捕捉这些新模式；二是训练数据本身存在不平衡与偏斜，尤其是包级特征(如正向/反向包计数、总字节长度等)的分布偏斜，使模型对部分特征过度敏感、泛化能力受限。为此，作者提出将生成对抗网络(GAN)驱动的合成数据生成与随机森林分类器相结合的检测方法：先用 GAN 合成流量样本，测得合成数据与真实流量的余弦相似度达到 80.3%，说明其能够较好复现真实流量的潜在分布，从而帮助模型学习更本质的流量模式；随后针对数据不平衡问题引入对抗去偏(adversarial debiasing)，降低模型对包计数、字节长度等偏斜变量的敏感度。实验结果显示，混合真实与合成数据训练后，模型在基准数据上取得 99.98% 的准确率，并且在此前未见过的合成流量上性能提升 22.60%，表明该方法具备跨流量场景的泛化能力，可较快适应新型攻击。作者认为，该方案不仅提升了 DDoS 检测效果，也为兼顾偏差问题、受益于数据增强的可扩展安全模型提供了基础，支持机器学习网络安全方向的进一步研究。适合网络安全检测工程师、入侵检测/流量分析研究者以及关注机器学习模型偏差与数据增强的安全团队阅读。