Frequency-Domain Mixing Data Augmentation for Malicious Traffic Detection
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
#frequency-domain
共收录 3 条相关情报。
← 返回所有主题Realtime Robust Malicious Traffic Detection via Frequency Domain Analysis.
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
Frequency-Domain Regularized Adversarial Alignment for Transferable Attacks against Closed-Source MLLMs
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。