该论文提出了一种硬标签黑盒通用对抗补丁攻击方法。在现实世界的黑盒场景中，攻击者无法获取模型参数、梯度或置信度分数，只能获得最终的硬标签（如分类结果）。现有的对抗补丁攻击通常需要白盒或灰盒访问，或针对特定实例生成。本文首次研究了在硬标签黑盒设定下生成通用对抗补丁的问题，即补丁可以附加在任何图像上使模型误分类到目标类别。核心方法包括：利用进化策略优化补丁的形状和纹理，通过查询模型获取硬标签反馈来指导搜索；设计了一种基于离散余弦变换（DCT）的低频扰动初始化策略，提高查询效率；并提出基于随机扰动和区域掩码的增强方法，提升补丁的鲁棒性。在多个基准数据集（如ImageNet、CIFAR-10）和模型架构（ResNet、VGG等）上的实验表明，该方法仅需数千次查询即可生成有效补丁，攻击成功率超过80%。该工作揭示了黑盒部署模型面临的新型安全威胁，为后续防御研究提供了基准。

这篇论文研究的是针对基于机器学习的恶意流量检测系统的黑盒逃避攻击。现有攻击方法通常依赖严格的条件（如加密协议、Tor或特殊设置）或需要目标模型的内部知识（如训练数据、模型参数），在实际黑盒场景中难以实现。作者提出了一种名为NetMasquerade的硬标签黑盒逃避攻击方法，利用强化学习（RL）操控攻击流以模仿良性流量，从而逃避检测。具体来说，他们首先建立了一个名为Traffic-BERT的预训练模型，该模型使用针对网络流量的专用分词器和注意力机制来提取多样的良性流量模式。然后，他们将Traffic-BERT集成到强化学习框架中，使得NetMasquerade能够基于良性流量模式对恶意数据包序列进行最小修改，从而有效逃避检测。实验结果显示，NetMasquerade在80个攻击场景下能够对6种现有检测方法实现超过96.65%的攻击成功率，包括那些被经验性或可证明鲁棒的方法。此外，NetMasquerade能实现低延迟的对抗流量生成，展示了其在实际场景中的实用性。