FlowLens 是一篇针对机器学习驱动的网络安全应用的高效流分类方法的研究论文。核心问题在于现有基于机器学习的网络流量分类方法通常需要完整流信息或大量特征计算，导致处理延迟高、资源消耗大，难以应用于高速网络环境。FlowLens 提出了一种新型的流分类架构，通过在早期阶段利用少量数据包进行快速分类，同时保持较高的准确率。具体方法包括设计轻量级特征提取器、采用增量式学习策略以及自适应采样机制，以平衡分类精度与计算效率。实验在多个公开数据集上进行了评估，结果表明 FlowLens 在降低延迟和资源占用方面显著优于传统方法，且分类准确率损失极小。主要贡献包括：（1）提出面向实时网络安全的流分类框架；（2）设计高效的早期分类算法；（3）提供开源实现以供复现。本文适合网络安全研究者、网络运维人员以及机器学习系统设计者阅读。