该论文研究如何利用基于熵的特征来增强基于机器学习的网络异常检测。传统的统计特征（如均值、方差）在捕捉网络流量模式的高变异性和多样性方面存在不足，而熵可以量化数据分布的分散程度，从而有效表征流量的可变性。作者提出将熵特征作为传统描述符的补充，而非替代。在标准的机器学习流程中，他们比较了添加熵特征前后的模型性能。在公开的入侵检测数据集（如CICIDS2017）上进行的实验显示，添加熵特征后，分类性能（如F1分数）一致提升，而计算开销增加很小。混淆矩阵分析表明，误分类减少，特别是在流量变化较大的场景。该方法的优点是简单、轻量级、可解释性强，适合在需要快速特征工程和可解释性的防御场景中应用。论文的主要贡献是验证了熵特征在实际网络异常检测中的有效性，为现有检测管道提供了一种实用的增强手段。目标读者包括网络安全研究人员、SOC分析师以及从事网络流量分类和入侵检测的工程师。