本文针对恶意流量检测模型在面对网络流量强动态性时，常需处理分布外（out-of-distribution）数据的问题展开研究。现有深度学习恶意流量检测模型依赖大量高质量标注数据，但标注难度高、资源消耗大，导致现有数据集多样性不足，难以覆盖不断演化的流量模式，进而使模型泛化能力较差。数据增强被广泛用于提升数据多样性和模型泛化能力，其中频域混合增强方法因能在有效扰动数据的同时保留关键结构信息而表现出潜力，但其在恶意流量检测中的应用尚缺乏理论解释，也未适配网络流量的特性。作者首先对现有频域混合方法进行了理论分析，揭示了其内在原理和局限性；随后提出一种面向网络流量数据的改进频域混合数据增强方法，通过增强网络流量序列特征的多样性，提升恶意流量检测模型的分布外泛化能力。在多个人工构造和真实世界数据集上的大量实验表明，该方法能显著提升模型在不同网络环境下的检测性能，并优于其他数据增强方案。本文的主要贡献包括：对频域混合机制的理论剖析、针对网络流量特性的增强方法设计、以及跨数据集实验验证。适合网络安全、深度学习、异常检测方向的研究人员和工程师阅读。

这篇论文提出了Whisper，一种基于机器学习的实时恶意流量检测系统，通过频域分析实现高精度和高吞吐量。传统基于规则的检测难以应对零日攻击，而现有ML方法因特征提取效率低导致低精度和低吞吐量，且易被绕过。Whisper利用频域特征（如FFT）表示流量的序列信息，通过有界信息损失保持高检测精度，同时约束特征规模以提高吞吐量。由于频域特征难以被攻击者干扰，系统对逃避攻击具有鲁棒性。实验涉及42种攻击类型，与最先进系统相比，Whisper的AUC提升最多18.36%，吞吐量提升两个数量级，在多种逃避攻击下仍保持约90%的检测准确率。该研究主要面向网络安全领域的研究人员和工程师，特别是关注实时恶意流量检测和高性能ML方法的人群。

多模态大语言模型（MLLMs）尽管性能强大，但仍易受基于迁移的目标攻击：攻击者在开源代理编码器上优化扰动，该扰动可泛化至闭源MLLMs。提升对抗迁移性的关键在于有效捕获不同模型共享的内在视觉焦点，使扰动对齐可迁移的语义线索而非代理特定行为。现有方法受限于空间域特征冗余和代理特定梯度信号，阻碍了跨模型迁移性。本文提出FRA-Attack，从统一的频率域正则化视角解决这两个挑战。在特征对齐方面，对块特征使用高通DCT目标，抑制冗余全局结构并将损失集中在承载MLLMs内在视觉焦点的高频带上。在梯度优化方面，引入频率域梯度正则化（FGR），一种模型无关的低通正则化器，仅利用几何频率坐标调节代理梯度，不涉及任何代理导出统计量，因此FGR天然模型无关，去除代理特定高频伪影的同时保留可迁移的低频方向。两者结合形成统一的频率域迁移性处理。在来自7个供应商的15个旗舰MLLM上的广泛实验表明，FRA-Attack实现了优异的跨模型迁移性，尤其在GPT-5.4、Claude-Opus-4.6和Gemini-3-flash上达到最先进性能。