该研究针对网络流量入侵检测中长期存在的「概念漂移」问题：合法业务行为与攻击手法会同步演进，导致任何检测模型在两次更新之间的窗口期内迅速失效，检测方始终落后攻击者一步。作者提出把干预点从「漂移发生后再修复模型」前移到「训练之前先选好特征空间」，从而在方法论的层面改变应对范式。为此论文引入 t-robustness——一种针对单个特征独立定义、不依赖任何具体检测模型的稳定性评分，可在整个特征空间内横向比较。该评分由两部分构成：一是特征相邻统计状态之间的逐步距离（捕捉突变），二是特征相对初始状态的累积散度（捕捉长期偏移），二者结合使得缓慢而单调的漂移无法被误判为「稳定」，这正是传统漂移度量常见的盲区。候选特征并非直接取原始流统计量，而是从扫描、拒绝服务以及端点间通信所留下的异常网络连通性模式中提取，读取方式基于图社区指标（community metrics）与谱指标（spectral metrics），即将流量拓扑结构化为图后刻画其社区划分与谱特性。评估在 UGR16 数据集上完成，覆盖三种学习场景与一个对照场景，并额外测试了完全不进行模型更新的极端情形。结果显示：在基线方法检测能力崩溃之处，t-robust 特征空间仍能维持检测，最后一个测试区间的 retained expectancy 达到 0.6025，而图社区特征为 0.5230、基础 NetFlow 特征仅为 0.3831，验证了特征级稳定性筛选对缓解概念漂移的有效性。适合入侵检测、机器学习安全与漂移治理方向的研究者及检测工程团队阅读。

本文针对基于人工智能的网络入侵检测系统（NIDS）在面对概念漂移（concept drift）时性能退化、误报率升高的问题，提出了一种新颖的漂移自适应检测框架 DriftXpert。现有 AI 驱动的 NIDS 通常假设网络流量数据分布是静态的，但在实际动态网络环境中，攻击模式、协议行为和用户习惯会随时间变化，导致模型决策边界不再匹配新数据分布，从而产生严重的性能下降。DriftXpert 采用一种解耦的两阶段离线自适应框架。阶段一引入基于潜在流形偏差的无监督异常度量：通过在高维潜在空间中进行离群点分析，框架能够高灵敏度地检测网络流量的概念漂移事件。阶段二为缓解非平稳分布下的灾难性遗忘，设计了表示一致性对齐策略，约束旧模型与漂移后分布之间的特征映射，使模型既能捕获新兴攻击特征，又能保留对已知模式的判别能力。此外，论文还引入了跨周期神经元权重聚合与选择性冻结机制，在参数空间实现细粒度的知识迁移，有效平衡模型的可塑性和稳定性。在公开数据集上的大量实验表明，DriftXpert 能有效适应漂移数据且不产生灾难性遗忘；在企业网络上的真实世界评估进一步验证了其鲁棒性和实际适用性，可为大量用户提供更好的安全防护。

本文针对物联网（IoT）设备类型识别在概念漂移下的性能退化问题展开研究。在企业和ISP网络中，通过被动流量分析识别IoT设备类型已成为安全管理的重要手段。然而，随着设备行为随时间和环境变化，基于机器学习（ML）的分类器性能会逐渐下降，即出现概念漂移。为维持分类性能，需要定期使用新标记的部署流量对模型进行重训练。实际操作中面临两个关键决策：应该标记多少流量？应该选择哪些流量实例进行标记？作者指出，这两个决策应被独立对待，因为仅依赖漂移检测器选取的实例进行重训练，会系统性地忽视新兴行为空间中的部分数据，而均匀采样的部署流量则能更全面地反映行为变化。因此，漂移检测更适合用于确定需要标记的流量总量，而非指导具体样本选择。本文贡献包括：（1）开展了一项为期两年多、覆盖21种IoT类型、涉及380万条IPFIX流记录的纵向研究，系统刻画了行为演变在不同设备类别间的表现，并验证了用新标记流量重训练可以恢复分类性能；（2）提出一种基于一致性的漂移检测器，直接从原始流量特征中捕获类条件行为模型，并能提供特征级别的演变解释；（3）实验证明，结合均匀流量采样与根据行为演变调整标记率（即预算感知标记）的策略，比由检测器引导的样本选择更能有效维持分类器性能，同时有助于控制标记成本；该策略在性能上与置信度引导的适应方法相当，但额外提供了特征级别的可解释性。研究结果对实际部署IoT设备识别系统的运维具有直接指导意义。

本文研究恶意软件分类模型中概念漂移的检测与自适应重训练问题。概念漂移是指数据统计特性随时间发生变化，从而导致基于历史数据训练的机器学习模型性能下降。在恶意软件检测场景中，攻击者不断修改恶意代码以规避检测，因此模型极易受到概念漂移的影响。作者提出了一种基于一类支持向量机（OCSVM）的新型概念漂移检测方法，并与已有的基于小批量K均值（MK-Means）的方法以及统计检验方法最大均值差异（MMD）进行对比。实验部分系统比较了四种学习模型：多层感知机、随机森林、支持向量机和极端梯度提升（XGBoost）。对每种模型，作者设计了三种场景：静态场景（不进行任何重训练）、周期场景（无论是否发生漂移都定期重训练）和漂移感知场景（仅当检测到概念漂移时才重训练）。通过帕累托前沿分析，作者评估了漂移感知场景下模型精度与训练效率之间的权衡。实验结果表明，三种概念漂移检测技术都能达到与周期重训练相当的分类精度，但在需要重训练的模型数量上显著减少，从而大幅提升效率。其中，基于OCSVM的漂移感知重训练方法在整体上优于MK-Means和MMD方法。该研究为恶意软件分类模型的持续学习提供了可行的解决方案，有助于在保持高检测精度的同时降低计算开销。适合关注机器学习鲁棒性、恶意软件检测系统维护以及对抗性机器学习的研究人员和工程师阅读。

该论文首次系统性地探讨了基于深度学习的异常检测在安全应用中面临的常态漂移（normality shift）问题。传统异常检测模型通常假设训练与部署数据分布一致（闭世界假设），但真实环境中正常行为分布会随时间变化（如网络流量模式、系统调用序列等），导致模型性能下降。现有研究多关注异常行为或监督学习的概念漂移，而忽略了无正样本（zero-positive）异常检测中常态漂移的挑战。论文提出了 OWAD（Open World Anomaly Detection）框架，该框架通过无监督方式检测常态漂移，无需人工标注；解释漂移原因，帮助运维人员理解变化；并自适应调整模型以恢复检测性能。OWAD 在分布级别（而非实例级别）处理漂移，降低了标注开销。作者在三个安全相关异常检测应用（如 SCADA 系统入侵检测）上使用长期真实数据进行实验，结果表明 OWAD 在适应常态漂移方面优于现有方法，且所需标注更少。论文还提供了案例研究和实际部署建议，并已在 SCADA 安全系统中初步部署。该工作为安全运维中应对数据分布变化提供了实用框架。

该论文聚焦于Android恶意软件检测中的概念漂移（concept drift）问题。现有机器学习分类器在训练时能达到很高的准确率（例如F1分数0.99），但部署后随着时间推移，由于恶意软件和良性应用的持续演化，分类器性能急剧下降——在仅6个月后，F1分数就降至0.76。为应对这一挑战，论文提出了一种结合对比学习（contrastive learning）与主动学习（active learning）的持续学习框架。核心思想是利用基于相似性的不确定性度量来对抗概念漂移，因为传统的不确定性采样在面对分布偏移时不够鲁棒。具体而言，作者提出了一种新的层次化对比学习方案（hierarchical contrastive learning），通过对样本进行多级特征对比，学习到更稳定、更具泛化能力的表示。同时，设计了一种基于相似性不确定性的样本选择技术，优先挑选那些模型预测最不确定且与已有样本特征差异最大的新样本，交予分析师标注后用于增量训练。实验基于长达七年的真实数据集进行评估，结果表明该方法在多个指标上显著优于先前主动学习基线：假负率从14%降至9%，假正率从0.86%降至0.48%，并且在整个七年时间跨度内保持了更加一致且稳定的性能。论文主要贡献在于：1）揭示了Android恶意软件检测中概念漂移的严重性；2）提出将对比学习无缝集成到主动学习流程中，以提升对概念漂移的鲁棒性；3）通过大量实验验证了该方法在长期部署场景下的有效性。适合从事移动安全、机器学习运维（MLOps）以及对抗性机器学习研究的读者阅读。

本文研究了概念漂移（Concept Drift）对基于机器学习的钓鱼检测系统性能的影响，并提出了缓解策略。随着数字通信的快速发展，电子邮件成为主要渠道之一，但也带来了垃圾邮件和钓鱼攻击的持续威胁。传统的机器学习检测模型在静态数据集上表现良好，然而钓鱼攻击技术不断演化，导致数据分布随时间发生变化，即概念漂移，从而造成模型性能显著下降。作者评估了多种机器学习模型（如逻辑回归、随机森林、支持向量机等）在真实邮件数据集上随时间推移的准确率、召回率等指标的变化，发现多数模型在6-12个月后准确率下降超过10%。为此，本文提出了一种自适应重训练框架，结合周期性增量更新和基于漂移检测的触发式重训练策略。实验表明，该框架能够将检测性能下降幅度控制在3%以内，同时降低了频繁重训练的计算开销。研究还分析了不同特征（如邮件头、内容、元数据）对漂移的敏感性，指出基于内容的特征更容易受漂移影响。该工作为安全运维团队提供了实用的模型维护指南。

该论文针对基于机器学习的恶意软件检测器因概念漂移（即良性软件和恶意软件随时间演变导致检测模型过时）而性能下降的问题，提出了一种名为 SEED 的半监督持续恶意软件检测方法。现有方法（如使用层次对比损失 HCL 结合主动学习）依赖大量标注数据，但在安全领域获取标注数据困难且成本高昂。当仅有部分标注数据时，HCL 在检测未知恶意软件时性能显著下降，尤其是在缺乏强语义结构的 BODMAS 数据集上。SEED 通过结合定制的二元交叉熵目标、半监督持续学习和主动学习，在有限监督下实现有效检测。对于部分标注的已知任务，利用奇异值分解从先前数据构建表示空间，将未标注样本投影到该空间并与合适标注样本配对，以鼓励表示一致性。对于完全无标注的未知任务，在表示空间中利用余弦距离量化不确定性，选择最不确定的样本供分析师标注。在 Windows（BODMAS）和 Android（AndroZoo、APIGraph）数据集上的实验表明，仅使用20%的标注数据，SEED 在未知恶意软件检测的平均AUT（AUC曲线下面积随时间变化）相比半监督HCL*提高了40%（BODMAS）和14%（AndroZoo），在APIGraph上也具有竞争力。此外，SEED 引入延迟缓冲区更新策略以减少重放过程中的标签噪声传播，提高学习稳定性。该研究适合网络安全研究人员、恶意软件检测工程师以及关注持续学习和半监督学习在安全领域应用的从业者阅读。

本文针对安卓恶意软件检测模型在部署后因概念漂移（concept drift）导致性能下降的问题，提出了一种基于自监督学习和强化学习的自适应维护框架。现有方法通常需要完全重新训练模型，成本高昂。作者将部署期间的维护建模为序列决策问题：首先通过自监督学习在初始化阶段学习稳定的潜在表示，然后冻结编码器，在固定表示空间中测量潜在漂移，最后使用可训练适配器和分类头进行轻量级下游适应。框架采用近端策略优化（PPO）控制器，根据检测器状态（包括当前效用、固定记忆集上的保留率、潜在漂移指标和更新成本）选择低成本的维护动作。在模拟器和真实安卓恶意软件数据集上，使用静态和动态特征，并采用因果部署风格的评估协议。实验结果表明，强化学习控制器提供了成本感知的强适应策略，始终保持在最优策略之列，同时在非平稳部署条件下实现了时间性能、记忆保留和维护成本之间的良好平衡。该工作为安卓恶意软件检测的持续学习提供了实用方案，适合从事移动安全、机器学习系统维护的研究人员阅读。

本文研究了在时间概念漂移背景下，Android恶意软件检测模型的对抗鲁棒性如何随时间演变。研究团队收集了跨越十多年的Android应用数据集，从模拟器和真实设备执行中提取静态和动态特征表示，并将数据按年份切片。他们设计了三种部署协议模拟真实世界的学习场景：(1) 同年训练和测试；(2) 跨年部署但不更新模型；(3) 扩展窗口重训练，利用累积的历史数据。在多种分类器家族上，使用FGSM和SPSA在可行性约束下生成对抗样本。实验测量了干净性能、对抗准确率（AA）、攻击成功率（ASR），并引入了三个时间链接指标——RobustDrop、ΔASR和对抗放大因子（AAF）——来量化分布偏移与鲁棒性退化之间的关系。结果表明，时间分离会降低基于特征迁移的对抗鲁棒性。随着训练-测试时间差距增大，干净准确率和对抗准确率均下降，而攻击成功率在某些配置下（特别是FGSM扰动和静态特征下）增加。扩展窗口重训练可以缓解但不能完全消除在持续分布演化下的鲁棒性损失。这些发现表明，在评估智能检测系统在演化数据分布下的长期鲁棒性时，应考虑时间漂移，并突出了在长期对抗环境中建立漂移感知鲁棒性评估框架的必要性。

本文提出 FIRCE（入侵响应与共形评估框架），旨在解决基于机器学习的入侵检测系统（IDS）在实际部署中因概念漂移（concept drift）导致的模型退化问题。概念漂移指网络流量模式随时间变化，使得训练时的假设失效，传统 IDS 误报率上升、漏报率增加。FIRCE 通过引入共形评估（conformal evaluation）来量化预测不确定性并检测漂移，从而触发模型重训练。核心贡献包括：1）四种共形评估策略——归纳式（Inductive）、交叉式（Cross）、近似转导式（Approximate Transductive）以及作者提出的近似交叉共形评估器（Approximate Cross-Conformal Evaluation），后者在最小化校准开销的同时实现鲁棒性能；2）自适应分块机制（adaptive chunking），根据数据流波动性动态调整评估粒度，在提高漂移响应速度的同时保持计算效率。实验方面，作者搭建了包含 10 台商用设备的自定义 IoT 测试台，在模拟攻击和漂移条件下采集时间序列网络数据，验证了 FIRCE 检测分布偏移并触发重训练的能力。此外，还在 CICIDS2018 和 UNSW-NB15 基准数据集上进行测试，进一步证明其泛化性。结果表明，基于共形评估的漂移检测结合自适应分块，能够高效且鲁棒地应对不断演变的威胁。本文适合关注网络入侵检测、机器学习鲁棒性及概念漂移应对的研究者和安全工程师阅读。

随着Android应用的快速演变，传统的基于机器学习的检测模型面临概念漂移问题，且受限于浅层特征，缺乏对代码的深层语义理解和可解释性。虽然大语言模型展现出强大的语义推理能力，但直接处理海量原始代码会产生巨大的令牌开销，并且无法在复杂上下文中充分释放LLM的深层逻辑推理潜力。为了解决这些问题，本文提出了MARD，一个用于鲁棒Android恶意软件检测的多智能体框架。该框架有效弥合了LLM语义理解与传统静态分析之间的鸿沟：它将底层的确定性分析引擎视为按需执行工具，同时利用LLM编排整个决策过程。通过设计基于ReAct范式的自主多智能体交互机制，MARD构建了高度可解释的定罪证据链。此外，该方法将单个复杂APK深度分析的总成本大幅降低至0.10美元以下。实验表明，无需任何领域特定的微调，MARD的F1分数达到93.46%。在跨越长达五年的评估中，它不仅优于持续学习基线，而且表现出对概念漂移的鲁棒性和强大的跨域泛化能力。本文的贡献在于提出了一种结合LLM与静态分析的创新框架，同时解决了成本、可解释性和适应性等关键挑战。

提出一种使用决策树规则集的结构化方法，通过特征重要性、预测一致性等指标量化恶意软件分类中的概念漂移，并在EMBER2024数据集上验证了固定两月窗口和特征级Pearson相关的有效性。