本文针对大型语言模型（LLM）部署中安全分类器（safety classifier）失效的两大痛点提出解决方案：一是分类器在训练时学到的策略与部署方（deployer）期望的策略不一致，导致决策偏差；二是随着部署流量分布演化，分类器性能会逐渐退化。作者提出了一种轻量级包装方法——Regime-Conditional Verification (RCV)，无需重新训练基础分类器即可使其适应部署方策略。RCV 从分类器的内部表示中估计每次预测与部署方策略不一致的概率，并选择性地修正可能出错的预测。这些正确性估计同时可作为无标签信号用于检测分布偏移，从而触发维护循环：优先更新正确性估计层，仅在必要时才对分类器进行微调。实验基于三种现成安全分类器和两个基准数据集，RCV 在所有分类器-数据集组合上均提升了对部署方策略的符合度，最多能捕获此前漏掉的 0.81 的不安全内容，且不修改底层分类器。在包含十个攻击场景的部署研究中，每个场景对应一个在 RCV 训练中未见的危害类别，RCV 在专用注入面板中检测到了每个攻击场景；在维护普查中，大多数漂移事件通过更新估计层即可修复，无需更新分类器，只有残余事件才需要微调。本文的核心贡献在于：提出一种无需重训练的模型适配与监控机制，将安全分类器的策略对齐和分布漂移监测统一在同一个概率框架下，为 LLM 安全运维提供了轻量级、可解释的解决方案。

本文提出 CipherSight，一种基于 TLS 记录层的高鲁棒性 HTTPS 网站指纹识别（WF）框架，旨在解决真实部署中因时间和地域变化导致的分布偏移（OOD）以及开放世界场景中不断出现的新网站问题。现有方法主要从原始 TCP 包序列中学习特征，容易受传输层噪声影响，难以捕获稳定且可泛化的网站表示。CipherSight 从 TLS 记录中联合编码多个记录级属性，并采用分层架构同时建模流内 TLS 记录依赖关系和跨并发流的交互，从而利用 HTTPS 流量的结构模式。为了学到鲁棒表示，CipherSight 引入掩码记录建模（MRM）任务来捕获上下文流量语义，并利用细粒度的记录-资源标注作为特权监督，通过结构感知目标和语义蒸馏进行训练。实验表明，在超过 2000 个网站类别的封闭世界设定下，CipherSight 达到 95.41% 的准确率；在时间和地理漂移下仍保持超过 90% 的准确率，持续优于所有对比基线。该研究主要面向流量分析、隐私保护和深度学习应用于网络安全的研究人员。

该论文提出了一种针对已部署安全分类器的在线分布漂移监测系统。系统利用校准的序贯统计量（如加权共形预测或逻辑密度比估计）实时检测分类器的输入分布是否发生变化。一旦检测到漂移，系统会通过共形弃权层自动调整决策阈值，以恢复预设的目标错误率（ε=0.1）。作者通过预注册的析因实验评估了系统性能，覆盖4种分类器、5种漂移条件、20个随机种子和2种窗口大小（共计800个实验单元）。结果显示，系统实现了86.6%（693/800，95%置信区间[84.1%,88.8%]）的有效检测率，平均检测延迟为39.5步。检测能力在三种真实漂移场景中得到验证：合成数据引入的偏移（86.6%）、真实世界的时间越狱攻击（85%，17/20）以及GCG对抗攻击。在修正阶段，加权共形预测在DeBERTa分类器上恢复了最多39个百分点的覆盖率损失（有效样本量ESS=46/300），但在其他分类器上完全失效（ESS接近300）。逻辑密度比估计在高维嵌入空间中实现了完美的源/目标分离，导致所有重要性权重被截断至下限。DeBERTa展现出了从有效修正（释义变形，ESS=46）到几乎完全失效（对抗后缀，ESS=206）的梯度变化。将特征空间PCA降维至32维后，崩溃问题得到缓解，为Llama Guard恢复了33个百分点，为ShieldGemma恢复了21个百分点覆盖率。方差分解显示，分类器（η²=0.243）、漂移类型（η²=0.237）及其交互项（η²=0.185）对检测延迟的变异均有显著贡献（所有p<0.001），表明需要对每个分类器建立单独的监测配置。