本文针对恶意流量识别中模型需要不断适应新型恶意软件变体、但传统重新训练成本高昂且易发生灾难性遗忘的问题，研究了小样本类增量学习（FSCIL）这一特定设置。在该设置下，模型需要在仅拥有少量标注样本的情况下学习新增的恶意软件类别，同时不遗忘已学知识。作者提出了一种混合框架：首先使用基于恶意流量数据包的领域特定预训练来初始化自监督学习（SSL）骨干网络；在基础会话训练阶段，通过低秩适配（LoRA）模块在冻结骨干网络的同时高效调整模型，从而保持已学表征的稳定性；对于后续的增量会话，则采用基于原型的分类头，从少量样本中构建稳健的决策边界。实验在多个数据集上进行，结果表明该方法在多个恶意软件FSCIL基线任务上均取得最优性能，达到了当前最先进水平。本文的核心贡献在于将FSCIL引入恶意软件分类场景，并验证了SSL预训练、LoRA参数高效微调与原型分类相结合的可行性，为持续学习型入侵检测系统提供了新思路。适合关注机器学习安全、持续学习与恶意流量检测的研究人员和蓝队工程师阅读。

机器生成文本（MGT）检测对于规范在线信息生态系统至关重要，但现有检测器在小样本设置下表现不佳，且容易受到对抗性人性化攻击。本研究从威胁建模角度出发，研究攻击者视角下的检测器漏洞。为此，作者提出REACT（RAG引导攻击者强化对比小样本检测器）框架，这是一种对抗训练框架，能同时提升小样本检测性能和对抗攻击的鲁棒性。REACT将人性化攻击者与目标检测器耦合：攻击者利用检索增强生成（RAG）制作高度类人的对抗样本以逃避检测；检测器则通过对比学习目标从这些对抗样本中学习，稳定小样本表示学习并增强鲁棒性。攻击者和检测器交替更新以实现协同进化。在4个数据集、4种样本大小和3个随机种子的实验表明，REACT相比8个最先进检测器，平均检测F1提升4.95个百分点，并在4种强攻击下平均攻击成功率降低3.66个百分点。