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。