本文探讨计算机安全社区中研究成果可重复性的定义与提升方法。可重复性是科学进步的关键，尤其在计算机安全领域，代码和数据的天然可计算性本应使独立复现结果相对简单。然而，尽管安全社区近年来日益重视可重复性，当前方法是否有效仍存疑问。本论文从三个层面展开：首先，衡量现有可重复性研究实践的影响力；其次，构建框架和工具以促进可重复结果；最后，分析作者所采取方法的成效。核心目标是提供简化并增强可重复性的工具集，帮助安全研究人员更有效地共享验证其工作。本文适合关注学术严谨性、希望提升自身研究可复现性的安全学者及审稿人阅读。

该论文系统性地总结了机器学习在计算机安全领域应用中的常见陷阱和最佳实践。作者回顾了大量已有研究，识别出在数据收集、特征工程、模型评估、部署维护等环节中反复出现的问题，例如不恰当的数据划分导致信息泄露、忽视概念漂移、使用不合理的评估指标等。论文还提供了具体的对策建议，包括稳健的交叉验证方法、时间感知的评估设计、以及对模型可解释性和对抗鲁棒性的考量。通过多个安全应用案例（如恶意软件检测、入侵检测、钓鱼网站识别），作者展示了错误做法如何导致虚高的性能估计和实际部署失败。最后，论文呼吁社区建立更严格的实验标准和可重复性规范，以提高机器学习安全研究的可信度。