该论文面向 Web 应用安全中的 HTTP 请求异常检测问题。作者指出，传统 Web 应用防火墙（WAF）主要依赖人工规则，存在误报率高、对新型攻击与业务变化适应性差的问题；已有研究尝试用机器学习与词嵌入模型改善检测效果，但不同嵌入模型之间的可比性不足，缺少统一、可复现的评测基准。为此，论文构建了一个针对静态嵌入模型的对比评测基准，覆盖 Word2Vec、FastText 与 Doc2Vec 三种表示方法，并提出 HEDA（HTTP Embedding-Based Detection Architecture）——一个模块化的检测流水线，将静态嵌入表示与单类（single-class / one-class）异常检测器结合，在请求粒度上判定异常。整个方法运行于无监督设定下：嵌入模型与检测器均只用良性 HTTP 流量训练，不依赖攻击样本标注，从而更贴近真实部署中攻击样本稀缺的现实。评测在三个特征异构的数据集上进行，既包含合成流量也包含真实流量，以检验方法的泛化能力。实验结果显示：嵌入表示的选择对检测性能影响显著；基于 FastText 的嵌入在全部数据集上表现最为稳定，能够在保持较低误报率的同时取得较高检测率。论文的贡献可归纳为三点：一是提供可比较的静态嵌入模型基准；二是提出模块化、可替换组件的 HEDA 检测架构；三是通过跨数据集实验给出嵌入选型的经验性结论，为后续把嵌入方法落地到 WAF 或 API 网关场景提供参考。该工作适合 Web 安全、异常检测与 ML-for-Security 方向的研究者及希望改进 WAF 检测策略的安全工程师阅读。