该研究关注网络流量序列的图结构表示与攻击类别识别之间的关系。背景上，自然可见图（Natural Visibility Graph, NVG）能把一维时间序列映射为图结构：序列中的每个观测点成为节点，若两点之间存在不受中间点遮挡的可见关系则连边，从而把时序的起伏形态编码成拓扑结构。此前，这类表示能否区分不同网络攻击类别、其拓扑签名是否具有类别特异性，尚缺乏系统认识。作者基于 CSE-CIC-IDS2018 数据集开展实证研究：先选取 76 个数值型流量特征，对每个特征独立构建 NVG，窗口采用 40 个观测且相互重叠；再对每张图提取 10 个图论度量，因此每一帧得到 76×10=760 个拓扑描述符。判别能力评估采用多分支卷积神经网络（multi-branch CNN）配合分层五折交叉验证，平均准确率达到 96.20%，Matthews 相关系数 MCC 为 0.9566，说明该表示具备很强的分类能力。在类别特异性分析方面，作者使用 Kruskal-Wallis 与 Mann-Whitney U 非参数检验，并引入 Benjamini-Hochberg 假发现率（FDR）校正与效应量度量。在全部 10,640 组“攻击 vs 良性”比较中，FDR 校正后仍有 7,777 组（73.1%）统计显著，其中 4,844 组呈现较大的 Cliff's delta 效应量。全局差异最显著的组合主要来自后向流量（backward traffic）与包长相关特征，并叠加连通性、聚类系数和中心性等图度量。总体结论是：NVG 衍生表示既能提供强判别力，又能揭示与不同攻击类别相关的类别依赖拓扑模式。适合网络流量分析、入侵检测/NDR 检测工程以及图机器学习安全方向的研究者阅读。